Лента новостей

🎧 Apple Music добавит метку «Made With AI» Apple Music объявила о запуске новой пометки «Made With AI», которая будет отображаться рядом с треками, обложками и другими материалами, созданными с помощью генеративного ИИ. 🤖 Эта метка позволит слушателям сразу увидеть, что контент был создан при участии искусственного интеллекта, и легче ориентироваться в музыкальном каталоге.

🚀 DeepSeek представил V4‑Flash‑Vision‑Exp Компания DeepSeek объявила о выпуске новой модели — DeepSeek‑V4‑Flash‑Vision‑Exp. Это обновление расширяет возможности визуального анализа и обработки данных. Подробностей о технических характеристиках и дате выхода пока не опубликовано.

⚖️ Флорида подала иск против OpenAI и Сэма Альтмана Штат подал в суд заявление, в котором утверждает, что искусственный интеллект OpenAI является общественной проблемой (public nuisance). В иске говорится, что деятельность компании и её гендиректора Сэма Альтмана нарушают интересы жителей Флориды. По анализу AI Insider такой иск может открыть серию подобных дел по всей стране.

🚀 Stripe приобретает OpenRouter за $7,5 млрд Компания Stripe объявила о покупке AI‑стартапа OpenRouter. Сделка оценивается в 7,5 миллиарда долларов. OpenRouter специализируется на разработке генеративных моделей и API для искусственного интеллекта, что расширит возможности Stripe в сфере AI‑технологий.

🚀 Локальный бенчмарк Qwen 3.8 27B: результаты и нюансы Запустил четыре популярных набора тестов ночью на двух RTX 3090 (полный offload, контекст 16 К). Модель Qwen 3.8 27B Instruct (Q8_0 GGUF) в LM Studio обработала 2 483 задания за 9,1 ч. — GSM8K 96,7 % (1275/1319, 245 мин), MATH‑500 86,4 % (432/500, 238 мин), HumanEval 95,5 % ± 1,6 % (среднее трёх запусков, по 20 мин), MBPP 80,0 % (400/500, 48 мин). Основное наблюдение — 3–9 % задач вызывают «застой» рассуждений: модель тратит весь токен‑бюджет на `reasoning_content` и не выдаёт ответ. При отключённом рассуждении такие задания решаются, а при включённом — результаты падают (например, в MATH‑500 8 пунктов: 86,4 % vs ≈94 % без сбоев). Когда рассуждение завершается, точность достигает потолка (GSM8K 98,1 %, MATH‑500 94,3 %, ACT 98,4 %). Разбор MATH‑500 показывает монотонное снижение по уровням сложности; наименее успешно модель справилась с задачами по геометрии (75,3 %). Тесты на «загрязнение» выявили небольшую степень запоминания, особенно в HumanEval (одна продолжительность 0,896 схожести, три > 0,6). Три запуски HumanEval дали 94,5 %, 97,6 % и 94,5 % — среднее 95,5 % ± 3,1 пунктов. При локальном запуске стоит учитывать баги хранилки (пропуск вспомогательных функций, блокировка `eval`, потеря отступов) и настройки LM Studio (отключение рассуждений через `reasoning_effort: "none"`). ⚠️ Учтите, что использовался один образец на задание при температуре 0,2, без лучшего из N и без голосования; MBPP запускался в 0‑shot, поэтому прямое сравнение с опубликованными цифрами может быть некорректным.

🚀 Qwen3.8‑27B с 262 K контекстом на Strix Halo + RTX 3090 Ti достиг 153 токенов/сек, обойдя двойную RTX 3090 в vLLM по HumanEval Эксперименты (159 запусков) проводились на AMD Ryzen AI MAX+ 395 (Strix Halo, 128 GB unified) + RTX 3090 Ti через eGPU, один процесс llama.cpp, AMD — Vulkan, NVIDIA — CUDA, модель 27 B распределена между GPU. Базовый показатель – 9.474 tok/s (только AMD). При генерации кода: 32 K контекст — 153.32 tok/s, 200 K — 87.74 tok/s. HumanEval (164 задачи): локально 159/164 за 29.7 мин, удалённо на двух RTX 3090 vLLM TP2 — 157/164 за 42.4 мин. В наборе тестов длинного контекста 15/15, локально 352 с vs 551 с удалённо. Ключевые улучшения: смена чат‑шаблона на Qwen‑Sharp сократила время на 44 % и количество токенов на 51 % без потери точности; переход KV‑кэша q8_0→q4_0 освободил 2 176 MiB, позволив перенести все полные attention‑слои на быстрый GPU (+28 % предзаполнение, +20 % генерация). Добавление n‑gram к MTP дало +72‑140 % скорости при генерации кода. Патч llama.cpp — --spec-draft-ubatch уменьшил буфер до 64, освободив 1 039 MiB (экономия 1.78 % предзаполнения). Параметр MTMD_BACKEND_DEVICE=Vulkan1 перенёс vision encoder на свободный iGPU, иначе он падал из‑за нехватки памяти. Что не сработало: внешние draft‑модели (0.8 B, 4 B) дали 5.06‑5.77 tok/s, хуже без спекуляции; последовательное drafting‑задержка по PCIe доминировала; параллельный drafting дал лишь 1.62 tok/s; узким местом оказался проход проверки 27 B; Q6_K увеличил время в 2.3 раз и снизил точность. ⚠️ 153 tok/s — это кодогенерация при 32 K с активным n‑gram; при 200 K для прозы скорость 35.8 tok/s. Сравнение с удалённым решением не изолировано по железу, а некоторые ошибки HumanEval (3 из 5) связаны с форматом запросов. Ключи q4_0 меняют качество, проверяйте на своих задачах. Полный разбор со всеми флагами и патчами: https://definedrr.medium.com/qwen3-8-27b-9-tokens-per-second-to-153-ee3781f4a3f5?sharedUserId=definedrr

🛡️ ЕС планирует обязательный водяной знак для ИИ‑текстов, но эксперты уверяют, что это не ухудшит их качество. Эксперты заявили, что требование ЕС по внедрению водяных знаков в генерируемый искусственным интеллектом контент не приведёт к ухудшению его качества и не создаст дополнительных проблем для пользователей.

🤖 Армейский киберцентр обучает ИИ‑агентов для совместной работы с людьми В рамках программы Army Cyber обучают искусственный интеллект выполнять кибер‑задачи рядом с человеческими специалистами. Все инициативы в области ИИ находятся под управлением Task Force Lexington, который объединяет усилия Army Cyber Command. В состав подразделения входит также AI «red team», занимающаяся тестированием и оценкой кибер‑угроз.

🚀 Новая модель Ox Alpha от Z.ai Ox Alpha — передовая модель, созданная для эффективного кодирования, длительной агентной работы и использования в реальном производстве. Она поддерживает контекст до 1 млн токенов и принимает ввод в виде текста, изображений и видео 📷. В описании модель позиционирует себя как GLM‑модель от Z.ai, способную отвечать на вопросы, генерировать контент и вести диалог, при этом ориентирована на полезность, точность и безопасность.

🚀 Полный релиз SenseNova U1.5‑Lite Команда OpenSenseNova представила модель, обученную на специализированных экспертных подсетях для рендеринга текста, инфографики, эстетической оценки и редактирования изображений, а затем объединённую методом OPD‑дистилляции в один инференс‑модель без роутера и переключения экспертов. Слоган проекта: «специализировано в обучении, объединено в доставке». На бенчмарках модель показала результаты: Qwen‑Image‑Bench 47.14 → 55.20 (PE) → 60.18 (PE), ImgEdit 3.9 → 4.37 → 4.59, GEdit‑Bench‑EN 7.47 → 8.14 → 8.26. После обучения добавлен RL‑этап с тремя пользовательскими целями — соблюдение инструкций, визуальное качество и согласованность предпочтений, а также точность правок при сохранении неизменных областей. Улучшена работа с комплексными запросами, поддержка китайского и английского в плакатах, генерация 4K‑изображений с устойчивой глобальной структурой и более надёжное редактирование с сохранением идентичности объектов. Подробнее на GitHub https://github.com/OpenSenseNova/SenseNova-U1 и HuggingFace https://huggingface.co/sensenova/SenseNova-U1.5-8B-MoT. 📊