Лента новостей

📊 Google приобрёл Spirit Data за $10 млн Компания Google завершила покупку компании Spirit Data, заплатив за неё 10 миллионов долларов. Об этом сообщается в недавнем отчёте. Сделка подтверждает интерес Google к расширению своих возможностей в сфере обработки и анализа данных.

🚀 Qwen 3.8‑27B сократил расходы на API более чем на $650 Автор протестировал модель Qwen3.8‑27B через DeepSeek Harness, запустив её на локальном сервере с RTX PRO 6000. За 8 часов работы было выполнено 966 запросов, обработано 130,2 млн входных токенов и 812,5 тыс. выходных (131,2 млн и 853,3 тыс. токенов с учётом компрессии). Контекст достиг медианного размера 136,6 к токенов (p95 205,9 к, максимум 231,2 к). Скорость вывода составила 104,83 токенов/сек, без единой ошибки генерации. На клиенте выполнено 1 421 локальная операция инструмента (576 PowerShell, 259 чтений, 221 правка, 161 запись, 114 поисков); лишь 30 завершились ошибкой, что даёт уровень ошибок 2,11 %. Время до первого токена у корневого запроса — медиана 0,8 с, p95 136 с; у под‑агента — медиана 151 с, декодирование 5,3 с. По текущим тарифам API полная нагрузка стоила бы $18,61 (DeepSeek V4 Flash), $27,26 (GPT‑5.6 Luna), $270,93 (Claude Sonnet 5) и $677,32 (Claude Opus 4.6). Локальный запуск, где токены не тарифицируются, позволил сэкономить более $650 💾

🖥️ Новый NAS от Minisforum с Strix Halo Minisforum представил NAS‑сервер, в котором установлен процессор Strix Halo и поддерживается до 128 ГБ оперативной памяти. ОЗУ работает на частоте 8533 MT/s (соответствует DGX Spark), хотя при релизе была указана скорость 8000 MT/s. Устройство оснащено пятью слотами NVMe, двумя портами 10 GbE и пятью отсеками для HDD, что позволяет подключить до 5 GPU через внешний коммутатор и обеспечить высокоскоростное сетевое соединение для кластеризации. Вводная цена за конфигурацию с 128 ГБ ОЗУ составляет $3599, что делает её дешевле аналогичных решений Minisforum и конкурентоспособной по сравнению с другими машинами на базе Strix Halo. ⚡

🛠️ pagedMark удаляет скрытые AI‑водяные знаки из изображений и видео Разработчик создал утилиту pagedMark, которая избавляет от следов искусственного интеллекта, встроенных в ваши собственные изображения и видеоролики. Программа различает два типа provenance: метаданные (C2PA, EXIF, XMP, IPTC, параметры генератора) и невидимые пиксельные метки типа SynthID. Метаданные удаляются легко, а скрытые метки устраняются путём регенерации изображения, что может слегка изменить лица, текст и мелкие детали, но сохраняет общий вид. pagedMark поддерживает невидимые метки от ChatGPT, gpt‑image (API), Z‑Image Turbo и Nano Banana, а также видимые AI‑метки от ряда других генераторов. Видео‑функции охватывают видимые метки и метаданные от Sora, Veo, Seedance, Hailuo и Kling 🎬. Инструмент оптимизирован для Apple Silicon: протестирован на Mac с процессором M5 и объёмом памяти 8 ГБ и 16 ГБ, добавлена память‑осознанная обработка, чтобы избежать свопа и замедления. После удаления меток из GPT‑Image результат можно проверить на openai.com/verify – будет 0 % AI‑детекции. Установка: `uv tool install "pagedmark[diffusion]"`, пример использования: `pagedmark invisible photo.png -o clean.png`. GitHub: github.com/doofzoff/pagedMark, PyPI: pypi.org/project/pagedmark/.

🖥️ UI‑Mate‑27B — открытый GUI‑агент для длительных задач Новый агент UI‑Mate‑27B от Tencent — это открытая модель с 27 млрд параметров, способная наблюдать живые скриншоты, анализировать состояние экрана и генерировать структурированные действия мышью и клавиатурой для нативного взаимодействия с десктопом. Модель работает в двух режимах: общий (выполнение задач по естественным инструкциям и скриншотам) и демонстрационный (адаптация рабочего процесса из одной успешной демонстрации к новой задаче). При изменении содержимого, макета или состояния приложений UI‑Mate пере‑планирует действия в реальном времени. Базируется на Qwen3.6‑27B, обучена с помощью supervised fine‑tuning и онлайн‑RL в исполняемых GUI‑средах, лицензирована по Apache‑2.0. Поддерживает Ubuntu и Windows, совместима с pyautogui и имеет OpenAI‑подобный интерфейс. Подробнее: arXiv 2608.15930, GitHub, проектный сайт и HuggingFace.

🚀 Новый AI‑агент генерирует CUDA‑ядра быстрее компиляторов CUDA Agent — крупномасштабная система агентного обучения с подкреплением, созданная исследователями ByteDance Seed и Tsinghua AIR, способна автоматически писать и оптимизировать CUDA‑ядра. Система объединяет масштабируемый пайплайн синтеза данных, среду разработки с автоматической верификацией и профилированием, а также RL‑алгоритмы, обеспечивающие стабильное обучение (150 шагов, контекст 128 k токенов, 200 взаимодействий за эпизод). Обучение проходит на реальном оборудовании, где каждый сгенерированный код оценивается по производительности. ⚡ На бенчмарке KernelBench CUDA Agent превзошёл существующие решения: ускорение 100 % на уровнях 1 и 2 и 92 % на уровне 3, а также обогнал сильнейшие проприетарные модели Claude Opus 4.5 и Gemini 3 Pro примерно на 40 % в самом сложном наборе. Статья опубликована на arXiv (https://arxiv.org/abs/2602.24286v1), код открыт на GitHub (https://github.com/BytedTsinghua-SIA/CUDA-Agent), набор данных доступен на Hugging Face, проектный сайт — cuda-agent.github.io.

🧪 A/B‑тестирование LLM в продакшене Теневой (shadow) трафик подтверждает, что новая модель работает стабильно и готова к запуску. Однако такой подход не показывает, насколько пользователи предпочитают её результатам. Для более точного сравнения рекомендуется делить запросы на уровне конечной точки, а не внедрять split‑тест в код приложения.

🚫 Motif Technologies выбыла из проекта суверенного ИИ в Корее Во второй оценке национального проекта «Sovereign AI Foundation Model» (K‑AI) компания Motif Technologies не прошла отбор, а в следующий этап прошли Upstage, LG AI и SKT. При этом поддержка NVIDIA B200 будет увеличена с 768 до примерно 1 000 единиц. Оценка проводилась по трем блокам: Benchmark (40 баллов) — тесты Национального агентства информационного общества и Artificial Analysis Intelligence Index; внешняя экспертиза (35 баллов) — длительная проверка 10 экспертами из отрасли, университетов и исследовательских центров; публичная проверка (25 баллов) — 49 профессиональных пользователей и 185 человек. Средние баллы: Benchmark 22,5 ± 4,0; эксперты 28,8 ± 2,4; публичные 17,6 ± 5,0. Государство планирует вложить в проект до 2027 года в общей сложности 530 млрд вон (≈ 0,36 млрд $), распределяя средства между четырьмя компаниями с периодическим отбором: каждые полгода 1‑2 участника исключаются. Первоначально финансирование получили Upstage, SKT, LG AI Research, Naver Cloud и NC AI; Naver Cloud и NC AI вышли из проекта в декабре 2025 г., а Motif Technologies, присоединившаяся в феврале 2026 г., теперь исключена. Модели, представленные участниками: LGAI K‑EXAONE 2.0 (750 B‑A37B, AAII 31), SKT A.X K2 (688 B‑A33B, AAII 35), Upstage Solar Open 2 (250 B‑A15B, AAII 37) и Solar Pro 4 (AAII 42), Motif Motif 3 (314 B‑A13B, AAII 47, бета‑версия AAII 45).

🚀 Qwen3.8‑27B работает на одной RTX 4070 Ti Super с 256k контекстом Успешно запустили модель Qwen3.8‑27B‑UD‑IQ2_XXS (256 k токенов) полностью в видеопамяти 16 ГБ (RTX 4070 Ti Super) без выгрузки в ОЗУ и с устойчивой скоростью генерации. Аппарат: GPU — NVIDIA RTX 4070 Ti SUPER (16 GB GDDR6X), CPU — AMD Ryzen 7 7800X3D (8 C / 16 T). Ключевые параметры: экстремальная квантизация IQ2_XXS (вес модели ≈ 8.38 GiB), 4‑бит KV‑кеш (q4_0) для контекста, спекулятивное декодирование N‑Gram, Flash Attention и батч‑режимы (‑b 1024 ‑ub 256). Запуск реализован скриптом qwen38-27b.sh, где указаны параметры ‑c 262144, ‑ngl 99, ‑fa on, ‑ctk q4_0, ‑ctv q4_0, --spec-type ngram-mod и др. По результатам llama‑bench: при 0 токенов контекста — 1 522.44 ± 5.82 t/s (промпт) и 54.06 ± 0.29 t/s (генерация); при 32 k токенов — 1 157.04 ± 2.10 t/s и 43.69 ± 0.14 t/s; при 256 k токенов — 429.22 ± 0.26 t/s и 18.48 ± 0.01 t/s. Общий объём VRAM ≈ 14.18 GiB из 16.38 GiB (≈ 2.2 GiB резерв). Важно собрать llama.cpp с поддержкой CUDA и Flash Attention (LLAMA_CUDA=1 / LLAMA_CUDA_FA=1), подобрать значения ‑t и --threads-batch под свою CPU и проверить свободную видеопамять, если на карте работает графический сервер.

🚀 Открыт открытый тренер для обучения крошечных моделей Запущен новый open‑source‑тренер, который обучает небольшие языковые модели «с нуля» и сохраняет их сразу в формате GGUF. Он работает на Deno (кроссплатформенно), использует WebGPU и не требует Python или PyTorch – каждый чекпоинт сразу загружается в llama.cpp. В репозитории опубликована базовая модель Minueza‑3‑95M‑Base: 94,7 млн параметров, обучена на 1,95 млрд токенов, контекст 8192. Исходники доступны на GitHub: github.com/felladrin/gguf‑trainer. На Hugging Face размещено состояние оптимизатора рядом с весами, что позволяет продолжить предобучение без повторного старта. Команда `deno run -A cli.ts demo` обучает крошечную модель полностью за минуту, а документация ориентирована на кодирующие агенты, которым можно задать репозиторий и автоматизировать весь процесс.