Лента новостей

Пожалуйста, пришлите полный текст новости, чтобы я мог переписать её согласно вашим требованиям.

📚 Гарвард запускает курс за $699 с ИИ‑преподавателями Harvard Business School предлагает новый онлайн‑буткемп для предпринимателей, стоимость программы составляет 699 долларов. Для обучения созданы виртуальные аватары, основанные на искусственном интеллекте, которые имитируют стиль и знания реальных преподавателей школы 🤖. Это первый проект Гарварда, где занятия полностью ведут ИИ‑клоны факультета.

🛡️ Как ограничить использование данных Instagram для ИИ и рекламы Instagram позволяет отключить использование вашей активности за пределами приложения при формировании рекламных объявлений. В настройках аккаунта можно включить соответствующую опцию, и тогда данные о действиях в других сервисах не будут влиять на показываемые вам рекламные материалы.

📢 Питер Малинуаскас объявил королевскую комиссию по ИИ Премьер Южной Австралии Питер Малинуаскас объявил о создании королевской комиссии, которая будет изучать вопросы искусственного интеллекта. Он пояснил, что такие шаги, включая запрет на некоторые социальные сети, направлены на то, чтобы использовать небольшие размеры штата как преимущество — повысить гибкость и скорость принятия решений 🤖.

🛠️ Инструмент для удаления SynthID из изображений Создан скрипт, который удаляет встроенные SynthID из картинок, полученных через Gemini и OpenAI. SynthID автоматически накладывается на каждое отредактированное изображение этими сервисами, может быть уникальным и использоваться для отслеживания автора; отключить его нельзя, даже у платных пользователей. «Scrubber» работает на любом компьютере с 8 ГБ ОЗУ, удаляет маркеры автоматически, но плохо справляется с текстовыми элементами изображения 📸.

🖥️ Локальный запуск LLM на 96 ГБ Blackwell (2026) В 2026 году появился практический гайд по работе с большими языковыми моделями на сервере Blackwell, оснащённом 96 ГБ оперативной памяти. В нём перечислены модели, которые помещаются в эту конфигурацию, проведено сравнение vLLM и SGLang, а также измерена реальная пропускная способность при запуске. Отмечены типичные узкие места, где система может «тихо» давать сбои ⚙️.

🚀 DFlash 2 удвоил скорость кодинга в реальном тесте DFlash 2 (PR‑build) в llama.cpp на модели Qwen 3.8 27B показал 2,26× ускорение на 100 реальных задачах LiveCodeBench (67,97 → 153,91 ток/с, задержка 14,27 → 6,02 мс) при естественном завершении и расходе +2,7 ГБ VRAM. 🔧 При добавлении одной n‑gram таблицы (ngram‑map‑k4v) ускорение выросло до 4,68× на этапе сборки 18‑ходовой код‑сессии (65,1 → 304,9 ток/с). Вторая таблица замедлила процесс (3,77×), так что лучшая конфигурация — DFlash 2 + один n‑gram, в отличие от DFlash 1, где две таблицы давали лучший результат. Тест проводился на RTX PRO 6000 (96 ГБ) и Ryzen 9 9950X, CUDA 13.3, сборка llama.cpp b10498 из PR #27342, модель Qwen 3.8‑27B‑GGUF Q4_K_M (18 ГБ) с драфтером incoai/Qwen3.8‑27B‑DFlash2‑GGUF (1,1 ГБ) и MTP‑сайдкаром (3,0 ГБ). Запуск длился около трёх дней, concurrency = 1, без теплового ограничения. По сравнению с DFlash 1 (2,00× ускорение, +5,5 ГБ VRAM) DFlash 2 более чем удвоил реальную пропускную способность кодинга, используя почти вдвое меньше дополнительной памяти. Заявление Inco AI о 2,7–3,4× ускорении на SGLang отличается от измеренного 2,26× в llama.cpp, что отражает зависимость от движка и задачи.

🤖 Локальная LLM кажется хуже, чем есть Многие слышали в форумах, чатах, Reddit, Discord и на YouTube, что модель XYZ «просто супер», скачали её (часто в квантизированном виде) и пришли к выводу, что «это плохо». В этом посте будет представлена техническая серия экспериментов, показывающая, как особенности реализации влияют на вывод модели. Термин «reference implementation» будет использоваться для обозначения лаборатории, которая опубликовала модель и предоставляет её официальное хостинг‑решение. 🚀

🚀 RTX 5090 справляется с Qwen 3.8‑27B и 262 К токенов контекста На одной видеокарте NVIDIA GeForce RTX 5090 (32 607 MiB VRAM, лимит 600 Вт) запущен модельный набор joshebbs/qwen3.8-27b-uncensored-nvfp4-modelopt (ревизия e5ff4986938dcd0dd05ab4cce89da1b052be6ce3) — NVFP4‑экспорт JonathanColetti/Qwen3.8‑27B‑Uncensored. Размер чекпоинта 19.18 GiB, модель содержит 64 слоя (48 Gated DeltaNet + 16 полных‑attention), сохраняет vision‑tower и MTP‑head. Полное окно в 262 144 токена помещается в память вместе с vision, FP8‑KV, prefix‑caching и обычным KDE‑рабочим столом. Декодирование даёт 77.2 ток/с после 1 К‑промпта и 64.7 ток/с при уже загруженных 128 К токенов; предзаполнение 262 000 токенов заняло 166 секунд. Тесты через vLLM (/v1/completions, concurrency 1, ignore‑eos, temperature 0) показывают, например, 8 192 вход → 1 выход — 7 005 ток/с, TTFT 1.169 с; 32 768 вход → 1 выход — 6 148 ток/с, TTFT 5.33 с; 131 072 вход → 256 выход — 2 781 ток/с, TTFT 47.13 с (TG 64.7). Prefix‑caching ускорил запросы с 6.44 с (cold) до ~0.29 с (cached) — рост в 22.3 раза. При включённом кэше vLLM использует экспериментальный align‑mode; при появлении искажённого вывода следует отключить кэш. VRAM‑бюджет: модель загружается 18.51 GiB, KV‑пул зафиксирован 9 150 000 000 байт (≈8.52 GiB), доступно 268 170 токенов, максимальная конкуренция 1.02× окна. В работе процесс vLLM занимает 29 322 MiB, итоговый снимок карты — 30 532 MiB использовано, свободно ≈1.6 GiB (при открытых Firefox и терминалах).

📝 Anarlog — открытый нотатник для встреч Anarlog — это десктоп‑приложение, которое записывает системный звук, транскрибирует его на устройстве и формирует заметки с помощью локальных моделей или ваших ключей к любому провайдеру. Бот в звонок не подключается, а транскрипцию можно интегрировать в собственный стек через локальный CLI и MCP‑сервер. Для транскрипции используется Parakeet на Apple Silicon (живой поток + пакетный проход с метками говорящих) или Apple Speech на macOS 26. Сводки и чат могут быть отправлены в LM Studio, Ollama, Unsloth или любой сервер, совместимый с OpenAI. При недоступности локального эндпоинта появляется ошибка соединения, без автоматического переключения в облако. Заметки и транскрипты хранятся в локальной базе SQLite и обычных файлах, поддерживается экспорт в markdown. Поиск реализован через полнотекстовый индекс Tantivy без эмбеддингов. Бесплатный тариф предоставляет полный локальный функционал; оплата требуется только за хостинг моделей и синхронизацию. Исходный код доступен на GitHub — https://github.com/fastrepl/anarlog (MIT, около 9 тыс. звёзд). 🚀