Лента новостей

🚀 Задержка Gemini и опасения по расходам у Alphabet Alphabet объявил о переносе запуска проекта Gemini, что стало неожиданностью для инвесторов. Отложенный запуск усиливает тревогу относительно роста расходов компании, которые могут отразиться на предстоящих финансовых результатах. Аналитики будут внимательно следить за тем, как задержка и бюджетные вопросы скажутся на квартальном отчете Alphabet.

🤖 ИИ меняет китайские минидрамы Искусственный интеллект теперь пишет сценарии, участвует в актёрской игре и занимается продюсированием китайских минидрам, отрасль которой оценивается в 14 млрд долларов. Гао Цингэ, режиссёр микродрам в Пекине, сказал NBC News: «ИИ меняет всё», добавив, что главная выгода — значительная экономия средств 🎥.

📚 Meta тестирует приложение StoryKit для сказок на ночь Meta запустила экспериментальное приложение StoryKit, которое с помощью ИИ создает сказки для детей перед сном. Пока сервис доступен только в отдельных регионах, где компания собирает отзывы родителей о работе приложения. Полученные данные помогут решить, будет ли StoryKit расширен на более широкую аудиторию.

🚀 NVIDIA представила улучшенный DLSS 5 на SIGGRAPH 2026 На конференции SIGGRAPH 2026 компания NVIDIA представила самый подробный обзор своей технологии нейронного рендеринга DLSS 5. Разработчики показали, как система эволюционировала после полученных отзывов о первом анонсе, и подчеркнули новые возможности более тонкой настройки для разработчиков. Новая версия обещает повысить гибкость интеграции DLSS 5 в игровые и графические проекты. 🎮

🔧 Nvidia Engineering SuperLab: Vera Rubin NVL72 тестирует OpenAI Внутри инженерного SuperLab компании Nvidia демонстрируют работу новой системы Vera Rubin NVL72, которая уже запущена на реальных задачах OpenAI. Во время испытаний была продемонстрирована работа на 800 VDC, подтверждая возможности платформы в условиях высоких напряжений. Эти показы дают представление о том, как Nvidia готовит оборудование для будущих масштабных AI‑процессов.

⚖️ Anthropic обвиняют в нарушении патентов на нейронные сети Компания Anthropic стала ответчиком в иске, в котором утверждается, что она нарушила патенты, связанные с технологией нейронных сетей. 📄 Истец требует защиты своих интеллектуальных прав.

🚀 Laguna‑S‑2.1 vs Qwen 3.5‑122B: быстрый, но склонный к выдумкам Я протестировал только что выпущенный Laguna‑S‑2.1 на RTX Pro 6000 (96 ГБ) против Qwen 3.5‑122B, используя тот же eval‑хранилщик, что и для выбора модели в моём локальном агентском стеке. Тест включал 160 задач (по k=3 на модель) с детерминированной оценкой: выбор аргументов для вызовов инструментов, многократные цепочки инструментов, строгая генерация JSON, проверка на выдумку, спортивные знания + расчёт коэффициентов, следование инструкциям, стабильность вывода и отказ от ответа. Laguna‑S‑2.1 показал лучший результат в категории «выбор аргументов для инструментов» – 0,89 (по сравнению с 0,86 у Qwen 122B) и смог пройти цепочку из 6 уровней инструментов, чего не достигал ни один локальный конкурент. На этой же карте он стал самым быстрым 100 B+‑моделью: 109 токенов/сек при 256 k контексте (Qwen 3.5‑122B – 103, Nemotron 3 Super – 94,5). Ошибок JSON/стриминга не обнаружено. Однако в тестах на спортивные знания и расчёт коэффициентов Laguna отстает (0,80 vs 1,00 у Qwen) и в проверках «grounding under pressure» набирает 0,80 против 0,97 у Qwen. Зафиксированы три подтверждённые выдумки: вымышленный P&L для неизвестного рынка, два отчёта о лошадях, которых нет в данных, и один случай с именем «Genuine Risk», где размер позиции был завышен в 1000 раз. Qwen 122B в ~240 подобных попытках не выдумал ни одной детали. Важно: модель требует max_tokens ≥ 8 000 — при 2048 токенах она «сжигает» весь бюджет размышлений и возвращает пустой ответ. На кодовых запросах достигает 271 токен/сек, но на прозе лишь ~117 токен/сек; при 4 одновременных потоках суммарная производительность падает. Нет битовой стабильности при temp = 0 и нет поддержки Vision, поэтому модель не подходит для ежедневного использования без человеческого контроля. Итог: Laguna‑S‑2.1 — отличный агентный кодер с лучшими инструментальными механиками и высокой скоростью, но при отсутствии надёжного «grounding» она может уверенно выдумывать данные. Для автономных агентов, где важна достоверность, я предпочитаю Qwen 3.5‑122B, хоть он и чуть медленнее. 🛠️

🔐 OpenAI и Hugging Face объединяют усилия после инцидента безопасности OpenAI и Hugging Face объявили о совместной работе по устранению проблемы, возникшей во время оценки модели. Партнёры планируют совместно расследовать инцидент, обмениваться технической информацией и внедрять необходимые меры защиты. Цель сотрудничества — обеспечить надёжную и безопасную работу будущих моделей.

🚀 Как построить граф знаний без графовой БД Соло‑основатель QX Labs делится опытом создания «мозга компании» — единой базы знаний из Drive, SharePoint и внутренних документов. Он отмечает, что решения типа GraphRAG и полноценные графовые БД (Neo4j) часто избыточны; вместо них достаточно обычной СУБД (Postgres, MongoDB) и поискового индекса (Azure AI Search, Elastic, Qdrant) для гибридного векторного и текстового поиска. В построенной системе сущности и связи хранятся как обычные записи в базе и поисковом индексе. Используется небольшая фиксированная онтология (организация, человек, продукт, проект, событие, локация + метки). Разрешение сущностей происходит по схеме: поиск в таблице алиасов → сравнение эмбеддингов → дешёвый LLM только для неоднозначных вариантов. Слияния реализованы как переадресация алиасов, легко откатываются, а ежедневный скрипт чистит дубликаты. Связи представляют собой счётчики совместного появления (top‑N список) без типизации. Агент имеет четыре инструмента: гибридный поиск, «resolve» (все сведения об объекте), «expand» (один шаг по совместному появлению) и «facet» (точные подсчёты/списки). Стоимость растёт только с запросами, а не с размером корпуса. 📊 Тестирование на корпусе около 1 000 документов с вопросами разных типов показало, что обычный RAG справляется с «игольчатыми» запросами, а псевдограф улучшает ответы на запросы типа «всё о X», агрегирующие и тематические. Ограничения подхода: отсутствие многократных переходов по графу, отсутствие типизированных отношений и временные дублирования. Для глобального резюмирования и сложных многократных связей всё же предпочтительнее полноценный GraphRAG.

🚀 Выпущен Laguna‑S‑2.1 Модель Laguna‑S‑2.1 от poolside теперь доступна — 120 млрд параметров, позиционируется как интересный конкурент в этом сегменте. Файлы модели размещены на Hugging Face: https://huggingface.co/poolside/Laguna-S-2.1. Для использования с кастомным форком llama.cpp доступны GGUF‑версии: https://huggingface.co/poolside/Laguna-S-2.1-GGUF. Официальное объявление опубликовано в X: https://x.com/poolsideai/status/2079613777343848465?s=20.