Лента новостей

📸 Китай запустил аренду лиц для ИИ Граждане могут сдавать свою внешность в аренду AI‑платформам и получать от $15 до $700 за лицензирование образа. Такие маркетплейсы позволяют компаниям использовать лица в генеративных моделях, но согласие на использование может означать, что контроль над собственным изображением будет утрачен навсегда.

🛠️ AI требует ваш земельный участок, воду и электроэнергию В заголовке подчёркнуто, что развитие искусственного интеллекта связано с ростом потребления ресурсов: земли, воды и электроэнергии.

🧠 Новый инструмент Council 1.2: слепой рецензент для ИИ‑моделей Council 1.2 отправляет один вопрос сразу нескольким моделям, а каждая из них анонимно оценивает ответы остальных. Система выводит расстояние между результатами по шкале 0‑100 и показывает, какие модели оказались единственными. Добавлена «гостевая» позиция — можно вставить любой готовый ответ (ChatGPT, Gemini, коллеги и др.) и он будет оценен без указания источника, участвуя в общем счёте. Поддерживает работу даже с одной моделью, не требуя множества API‑ключей. Совместим с Claude, GPT, Gemini, DeepSeek, Grok, Mistral, Perplexity, OpenRouter, Ollama, Apple on‑device и любыми OpenAI‑совместимыми серверами (llama.cpp, LM Studio, vLLM и др.). 🔧 В CLI есть команда, например: `council "should we ship now or wait?" --seats claude,gpt,ollama --guest answer.txt --json --fail-above 40`; при разногласиях выше 40 возвращает ненулевой код. Проект распространяется по MIT‑лицензии, без телеметрии и учётных записей.

🚀 Тестирование Gemma 4 и Qwen 3.6 MoE на AMD 6800H В мини‑ПК с AMD Ryzen 7 6800H и iGPU Radeon 680M (UMA, без выделенной видеопамяти) провёл бенчмарк моделей Gemma 4 и Qwen 3.6 через llama.cpp с Vulkan‑бэкендом. Объём выделенной памяти менялся от 1 ГБ до 16 ГБ, но на скорость инференса это не влияло. 📊 Результаты (токенов/сек): - gpt‑oss 20B Q6_K – 353.9 / 16.9 - gemma4 26B Q4_0 – 312.7 / 18.3 - gemma4 26B MXFP4 MoE – 261.3 / 11.9 - gemma4 26B Q4_K – 258.2 / 11.9 - gemma4 26B NVFP4 – 152.4 / 7.5 - gemma4 31B Q8_0 – 30.3 / 2.3 - qwen35moe 35B NVFP4 – 153.8 / 15.0 Наибольшее количество параметров у Qwen 3.6 35B MoE (35.51 B), но его скорость вывода ≈ 15 т/с, что в шесть раз быстрее 31 B модели с Q8_0. Для пользователей APU рекомендуется использовать модели MoE и 4‑битные квантизации (Q4_0, Q4_K). Квантизация Q8_0 резко снижает производительность при параметрах >20 B. Форматы NVFP4/MXFP4 пока отстают от Q4_0, требуя доработки драйверов. Система: Linux/Kubuntu 26.04, backend llama.cpp (Vulkan).

🔬 Сравнение 35 B моделей: KAT‑Coder превзошёл базовые варианты По запросу из комментариев к пост‑тренировочному тесту 27 B я провёл сравнение трёх 35 B вариантов (stock, Ornith, KAT‑Coder) — 120 запусков. Тесты запускались в новых рабочих пространствах Coder на кластере k8s, каждый из которых управлялся автономным агентом Hermes. Модели работали через llama.cpp с llama‑swap на единственной видеокарте RTX 5090; все вызовы фиксировались через OTel‑shim в SigNoz, получен полный транскрипт каждого запуска. Было протестировано 4 модели, 6 задач с самооценкой, 5 повторов — всего 120 запусков, MTP на каждой ветке, одинаковая выборка и заранее зарегистрированные гипотезы. KAT‑Coder‑V2.5‑Dev достиг лучшего уровня прохождения — 29 из 30, сравнявшись с Qwen3.5‑35B, но использовал вдвое меньше входных токенов и показал чистейшее поведение инструментов: в 30 запусках не было некорректных вызовов, тогда как stock‑модель Qwen3.6 зафиксировала 195 утечек в одной задаче. Шесть аналитиков (три семейства моделей) отметили дисциплинированную эффективность KAT‑Coder: базовые тесты перед правками, один целевой патч на ошибку, корректные пути к результатам в каждом повторе. Ornith набрал 25 из 30, проиграв даже своей базовой версии. Ошибки были связаны с механикой: утечки формата, полные перезаписи файлов, а также один эксперимент, создавший тег релиза llama.cpp, хотя собственный вывод модели указывал, что «v4659» вымышлен. Stock‑модель 3.6 оказалась сильнейшим «сырым» аналитиком, но тратит много токенов; 3.5 остаётся надёжным вариантом. Полный отчёт с методикой, таблицами и подробным разбором доступен по ссылке: https://kmarble.dev/posts/35b-coder-bakeoff/ .

📱 Модель POCKET: 35 млрд параметров работает на iPhone Новая модель POCKET содержит 35 млрд параметров и способна запускаться непосредственно на iPhone, а также на других мобильных и edge‑устройствах. Все версии модели доступны в коллекции на Hugging Face: https://huggingface.co/collections/FINAL-Bench/pocket-models. Если вы уже опробовали эти модели, делитесь впечатлениями — разработчики собирают обратную связь. (Вчера обсуждалась тема в одном из субреддитов, но ссылка уже недоступна.)

🧩 Новый OCR‑модель для патентов Команда PatSnap обучила специализированную OCR‑модель MOSS‑OCR с 0,3 млрд параметров, ориентированную на патентные документы. Модель построена на более чем 50 млн образцах патентных данных и работает только на уровне блоков, полагаясь на отдельный модуль детекции макета, что позволяет ей оставаться небольшой и быстрой. На наборе OmniDocBench v1.6 MOSS‑OCR достигает того же общего балла 94.46, что и MinerU 2.5, используя лишь 25 % от количества параметров. На открытом бенчмарке patent‑bench она заняла первое место с 93.49 и обрабатывает около 59 запросов в секунду на одной RTX 4090, почти вдвое быстрее MinerU 2.5. Для полного распознавания страниц создан пайплайн Hiro‑Smart‑Doc, объединяющий RT‑DETR и MOSS‑OCR в FastAPI‑сервис. Оба проекта открыты под лицензией Apache 2.0; репозитории и демо‑версия доступны по ссылкам.

⚠️ Чаты Claude оказались в поиске Google В выходные обнаружено, что значительное количество общих разговоров и артефактов сервиса Claude стали доступными через публичный поиск Google. Пользователи Reddit выяснили, что запрос site:claude.ai/share выдаёт длинный список таких записей, что позволяет увидеть их без авторизации. По сообщениям, среди найденных материалов находятся интерактивные мини‑приложения, документы, а также личные данные, включая медицинские записи. 📄

☕ Starbucks завершил национальный AI‑проект спустя 9 месяцев Компания Starbucks объявила о запуске масштабного проекта с использованием инструмента искусственного интеллекта, сделав на него ставку в национальном масштабе. Через девять месяцев после начала работы проект был закрыт. 🚫

🚀 Moonshot AI опубликовала открытые веса модели Kimi‑K3 Компания заявила, что новая открытая модель почти так же точна, как передовые решения OpenAI и Anthropic, но требует в 2‑3 раза меньше вычислительных ресурсов. По данным Moonshot AI, при использовании кэшированных запросов экономия стоимости инференса может достигать 10‑кратного уровня по сравнению с аналогичными сервисами конкурентов.