📌 Codex на GPT-6 Astra выиграл все парти в бенчмарке по StarCraft

Бен Свердлоу, сооснователь и гендиректор стартапа Freestyle, который делает виртуальные машины для агентов, решил проверить, как далеко агенты зайдут без людей, и превратил игру StarCraft в бенчмарк Brood War Bench.

В нём 19 конфигураций – модели в обвязках Codex, Claude Code и Grok с разным уровнем рассуждений, сыграли каждая с каждой, всего 171 матч.

Codex на GPT-6 Astra с максимальным уровнем рассуждений выиграл все 18 партий при средней стоимости около 10,54 доллара за игру.

Второе место заняла та же модель на среднем уровне (16 побед), третье – Claude Fable (15), четвёртое – Astra на низком уровне (14).

При этом Fable обыграл обе младшие конфигурации Astra.

Три конфигурации Grok 4.6 на троих выиграли три партии, и только у Claude Haiku и друг у друга.

🟡Стили игры

Codex рано отправлял рабочих через карту бить вражеские постройки, пока соперники подолгу решали, что с этим делать. Армию он собирал плохо: его отдельные субагенты для экономики, производства и управления войсками почти не общались и отправляли новых юнитов в бой по одному.

Fable чаще других строил экономику и развивал технологии.

Grok 4.6 в одной 43-минутной партии потратил 11 138 токенов рассуждений, отдал всего шесть пакетов команд и не построил ни одного боевого юнита.

По наблюдению автора, старые модели играли в стратегию реального времени как в пошаговую и погибали, пока думали.

Выше уровня новичка не поднялся никто. По оценке Свердлоу, начинающий игрок с ранней атакой фотонными пушками выиграл бы любую из этих партий.

Записи матчей открыты сайте проекта, там же можно сыграть со своим агентом.


@ai_machinelearning_big_data

#news #ai #ml

✔️ OpenAI начала работать с независимым советом математиков

Компания будет советоваться с консультативной группой по математике и ИИ, которую сами математики создали при Институте перспективных исследований.

Поводом послужила новая модель - по словам OpenAI, она решила задачу тысячелетия об уравнениях Навье–Стокса и больше сотни давних открытых проблем. Вторая причина – открытое письмо математиков, которые критикуют решение открытых проблем как способ мерить ИИ.

Среди девяти участников группы – лауреаты Филдсовской премии Тимоти Гауэрс, Мартин Хайрер и Эдвард Виттен. Совет поможет оценивать значимость результатов модели, решать, как их публиковать, и следить за академическими стандартами.

Участники не получают денег от OpenAI, сами меняют состав и могут публично критиковать компанию.
openai.com

✔️ Tencent выпустила Hy Image 3.5 Preview

Команда Hunyuan выпустила предварительную версию Hy Image 3.5 для профессиональной графики. Модель генерирует изображения по тексту и по референсам (до пяти за раз), редактирует их в несколько раундов с сохранением контекста и точнее рендерит мелкие шрифты и вёрстку. Разрешение – до 2K.

В слепом сравнении, которое провели дизайнеры самой Tencent, модель сравнялась с Seedream 5.0 Pro и немного обошла Nano Banana Pro и Qwen-Image-3.0 Pro.

Модель уже встроена в продукты Tencent и доступна в Tencent Cloud API, где 2K-изображение стоит 0,15 юаня.
hy.tencent.com

✔️ Hugging Face наняла создателя oMLX

Хостинг-провайдер взял в штат Джуна Кима, автора oMLX – локального сервера инференса для Mac на Apple Silicon. Через его API с моделями на компьютере работают Cursor, Claude Code и OpenClaw. Теперь Ким занимается проектом на полную ставку.

oMLX остаётся в прежнем репозитории под Apache 2.0 и руководит им по-прежнему Ким. Hugging Face будет обкатывать на нём новые идеи для MLX, удачные наработки передавать в mlx-lm и mlx-vlm и быстрее переносить модели из Transformers на MLX.
huggingface.co

✔️ Horowitz Andreessen открывает академию для молодых разработчиков

Венчурный фонд запускает Horowitz Andreessen Academy – школу в Сан-Франциско для выпускников старших классов и студентов первых курсов, которые делают ИИ-продукты. Академия – отдельная коммерческая компания, она привлекла 42 млн долларов от a16z и частных инвесторов, из них 35 млн вложил сам фонд.

Каждый студент получит вычислительные кредиты на 50 тысяч долларов. Среди преподавателей – Сэм Альтман и основатель Figma Дилан Филд. Партнёры-основатели – Anduril, Anthropic, Coinbase, Google, Nvidia, OpenAI, Palantir, Replit и Stripe, которые рассчитывают нанимать выпускников академии.

Первый набор, около 50 человек, стартует осенью 2027 года, для них первый год учёбы будет бесплатным. С 2028 года академия планирует двухлетнюю программу с оплатой на уровне элитного частного вуза. Аккредитации пока нет, диплома академия не выдаёт.
wsj.com

✔️ В ElevenLabs Studio добавили ассистента для сборки видео

ElevenLabs выпустила видеоредактор Studio 4.0 со встроенным ИИ-монтажером и сквозной генерацией медиа. Движок переписан для стабильного скраббинга в тяжелых многослойных проектах.

Платформа объединяет создание видео, раскадровок, музыки, саунд-дизайна и речи. Сгенерированный контент попадает на покадровый таймлайн, там поддерживается привязка клипов и редактирование субтитров на дорожке без повторного распознавания.

В редактор интегрирован ассистент Studio Agent. По текстовому промпту он собирает черновой монтаж: выстраивает видеоряд, генерирует озвучку и синхронизирует звуковые эффекты с объектами в кадре на основе покадрового анализа сцен.

Пользователь может перехватить управление, внести ручные правки и вернуть задачу агенту с сохранением рабочего контекста.
elevenlabs.io


@ai_machinelearning_big_data

#news #ai #ml

✔️ OpenAI расширила Academy до 14 курсов

OpenAI добавила в свою образовательную платформу курсы для разработчиков, руководителей, преподавателей и студентов вузов.

Вместе с уже существовавшим направлением Apply AI at Work каталог теперь разделён на четыре трека по ролям, всего 14 курсов.

Каждый курс заканчивается экзаменом из 10–20 вопросов, которые случайно выбираются из банка в 50 заданий.

Кто наберёт минимум 80%, получает ачивку OpenAI Academy, которую выдаёт и хранит платформа Accredible. За все курсы и экзамены трека, где это предусмотрено, выдают сертификат об окончании.

Ни цифровая ачивка, ни сертификат не считаются профессиональной сертификацией.

При провале экзамен можно пересдать с новым набором вопросов, а сам курс можно просто пройти без сдачи экзамена.

🟢Apply AI at Work из трёх курсов учит ставить ChatGPT задачу, давать контекст, проверять ответы и превращать удачные приёмы в повторяемые процессы. Затем слушатели поручают работу агентам и расставляют контрольные точки для проверки человеком.

🟢Build with AI – самый большой трек, восемь курсов: работа с Codex на всём цикле разработки и продукты на OpenAI API, от проектирования решения и оценки качества до агентов, поиска нужной информации и эксплуатации в продакшене.

🟢Lead AI Adoption пока состоит из одного курса AI Leadership. Слушатели привязывают ИИ-инициативу к приоритетам бизнеса, распределяют ответственность, задают правила и собирают первую версию стратегии и дорожной карты внедрения.

🟠AI for Educators учит планировать занятия и составлять задания и контрольные.

🟠AI for College Students учит собирать учебный план, распределять роли в групповом проекте и готовиться к собеседованиям.

Для компаний есть руководство по внедрению курсов - как представить их сотрудникам, вовлечь руководителей и отслеживать прогресс.


@ai_machinelearning_big_data

#news #ai #ml

🌟 Limite 1B Violetto: специализированная математическая модель

Стартап Paradigma опубликовал свою первую модель, Limite Violetto на 1 млрд параметров с контекстом до 131 тысячи токенов, рассчитанную только на решение математических задач.

Violetto разработана с максимально упрощенной настройкой инструкций, чтобы опровергнуть предположение о необходимости внедрения моделей в вспомогательный интерфейс для их эффективной работы. Поэтому она отвечает в один ход (задача на входе, решение на выходе) и ведёт себя не как чат-бот.

На вопросы вне математики модель часто переосмысляет их как математическую задачу.

Например, на просьбу простыми словами объяснить фотосинтез она начала рассуждать о том, как клетка делится на две, а те снова делятся.

Вторая модель, Limite Value Model решения оценивает. Она получает задачу и предложенное решение и для каждого токена ответа выдаёт оценку того, насколько рассуждение до этой точки ведёт к верному ответу.

С ней можно ранжировать несколько кандидатов или использовать модель в обучении с подкреплением.

Авторы предупреждают, что это регрессионные оценки и доказательства модель не проверяет. На полном контексте ей хватает 7,5 Гб видеопамяти.

🟡Тесты

Часть цифр конкурентов Paradigma взяла из их карточек или с MathArena.

На AIME 2026 Violetto набрала 94,01%. Такой же результат показывают Nemotron 3 Super, Qwen3.5 9B и VibeThinker 3B.

На BeyondAIME у Violetto 74,25% против 70% у MUSE-Glimmer-30B.

Запустить модель пока можно только через плагин Paradigma для vLLM 0.26.0 на Linux с видеокартой NVIDIA и драйвером с поддержкой CUDA 13.0. Поддержку Transformers обещают позже.


📌Лицензирование: Apache 2.0


🟡Блогпост
🟡Веса
🖥Github


@ai_machinelearning_big_data

#AI #ML #SLM #Violetto #Paradigma

✔️ Сотрудник Anthropic объяснил, почему Claude стал писать тексты хуже

Джексон Кернион, который в Anthropic занимается дообучением Claude, объяснил в X, почему модели компании после Opus 4.6 стали писать менее естественно для восприятия человека.

Причина в том, что новые модели учили математике и программированию, а ещё техническим объяснениям, рассчитанным на другие языковые модели.

По словам Керниона, Claude подстроился под психологию LLM и научился писать для машин.

У языковых моделей рабочая память больше человеческой, и мелкие детали они улавливают точнее. Поэтому удобный им стиль текста человек считает как слишком плотные простыни информации.

Источник перехода на такой стиль Кернион видит в наградах при RL: одни поощряют текст, понятный модели, другие – понятный человеку.

Чем больше в обучении математики и кода, тем настойчивее приходится вознаграждать простые объяснения, которые человек способен прочитать.

В Opus 5.5, по словам Керниона, баланс нашли - навыками письма модели он доволен впервые со времён Opus 4.6.

Превзошла ли новая модель старую в мастерстве изложения, он не говорит.

«Задача сложная, мы продолжим над ней работать», – пишет Кернион.

@ai_machinelearning_big_data

#news #ai #ml

✔️ OpenAI предложила правила внешнего аудита безопасности своих моделей

Компания готова открывать независимым организациям данные об обучении, тестировании и развёртывании моделей, чтобы те проверяли её доказательства безопасности.

Главный предмет проверки – кейсы безопасности, то есть обоснования того, что риски модели под контролем. В списке приоритетов - защита от джейлбрейков, тесты опасных возможностей в химии, биологии, кибербезопасности и самоулучшении ИИ, а также расследование случаев, когда модель действует без разрешения или уходит от надзора.

Предмет проверки стороны согласуют заранее, а до публикации отчёта OpenAI получает время на исправления. С кем идут переговоры, компания не раскрывает.
openai.com

✔️ Anthropic запретила Opus 5.5 помогать в разработке LLM

В Opus 5.5 появились классификаторы, как в моделях Fable, которые передают запросы менее мощной модели и показывают пользователю уведомление, а переключение сохраняется до конца диалога, хотя Opus 5.5 можно вернуть вручную.

Под фильтр попадает узкий круг задач вроде низкоуровневого кода для ИИ-ускорителей. Обычную работу в ML и программирование он, по словам Anthropic, затрагивать не должен.

В API автоматического переключения нет, такой запрос просто останавливается, пока разработчик сам не настроит резервную модель. Компания объясняет меру тем, что защита должна расти вместе с возможностями модели.
claude.com

✔️ Ant Group открыла модели Ming-Image для дизайна интерфейсов

Ming-Image-0.1-Design рисует интерфейсы, инфографику и постеры с текстом, в том числе на прозрачном фоне, а Ming-Image-0.1-Design-Layer раскладывает готовый макет на прозрачные слои для ручной доработки.

Обе модели на 6 млрд параметров вышли под лицензией MIT. B рейтинге Artificial Analysis UI/UX Design модель Design первая среди открытых с 1082 Elo.

К моделям приложены навыки для агентов. Design Skill связывает генерацию с фронтенд-кодом, PPT Skill превращает картинку в редактируемую презентацию PowerPoint.

Веса лежат на Hugging Face, Design бесплатно доступна через OpenRouter.
Ant Ling в X

✔️ Google выпустила модели синтеза речи Gemini 3.8 Flash TTS и Flash-Lite TTS

Старшая Flash TTS создаёт голос по текстовому описанию на 100 с лишним языках и клонирует его по 30-секундной записи. Flash-Lite TTS рассчитана на массовый дубляж и голосовых агентов.

Обе понимают ремарки о темпе, паузах, смехе и вздохах, держат тембр на длительных записях и озвучивают диалог двух персонажей по одному сценарию, не путая их голоса.

Модели доступны в Gemini API и AI Studio, Flash TTS также в Gemini Notebook, Flash-Lite в Google Vids.

Клонирование в AI Studio не работает в Европейской экономической зоне, Великобритании, Швейцарии и Индии.
blog.google

✔️ Toyota поставит на заводы 400 тысяч роботов

Программа стартует в 2028 году и обойдётся примерно в 6,42 млрд долларов в год, роботов будут ставить по мере обновления заводов. На предприятия самой Toyota придётся 150 тысяч машин, ещё 250 тысяч получат компании группы.

Часть парка составят колёсные гуманоиды ELEY, которых уже учат на линиях рабочие методом ручных телеопераций.

Исполнительный вице-президент автоконцерна пообещал, что роботы будут работать рядом с людьми, а не вместо них. Сколько из 400 тысяч окажутся гуманоидами, компания не раскрывает.
arstechnica.com

Аудиоверсия этого выпуска сгенерирована моделью Gemini 3.8 Flash TTS

@ai_machinelearning_big_data

#news #ai #ml

👆 Трамп высказался против замедления ИИ перед встречей с Си Цзиньпином.

Он заявил, что хочет «оставить всё как есть», утверждает, что Китай придерживается той же позиции, и назвал Минюст США своим «ограничителем».

Это позиция Трампа перед переговорами. Подтверждения от Китая или совместного решения отказаться от замедления пока нет.

📌 ИИ-агентам начинают писать инструкции — почти как новым сотрудникам

Ещё недавно от корпоративного ИИ требовалось в основном одно: хорошо отвечать на вопросы по документам и базам знаний. Теперь от него хотят другого — чтобы он мог сам довести задачу до результата.

Например, сотрудник пишет: «Собери отчёт по продажам за неделю, найди основные отклонения и подготовь письмо для команды».

Обычная LLM может написать текст отчёта. Агент должен сходить в CRM, забрать данные, найти аномалии, проверить внутренние документы, подготовить письмо и понять, в какой момент нужно остановиться и передать результат человеку.

🟡И здесь возникает интересная проблема: ИИ нужно объяснить не только что делать, но и как именно работать.

Поэтому вокруг моделей появляется новый слой — Skills. Это инструкции, скрипты, шаблоны и справочные материалы, которые описывают конкретный рабочий процесс. Их можно подключать к агентам, переиспользовать и обновлять отдельно от самой модели.

Получается почти новая форма корпоративной документации. Раньше компания писала регламент для сотрудника: куда зайти, что проверить, в каком порядке выполнить действия. Теперь похожий регламент приходится превращать в набор инструкций для агента.

🟡При этом одних навыков для агента тоже недостаточно. Агенту нужны инструменты для работы с внешними системами. Через MCP можно подключать к нему сервисы и данные, а сложные задачи распределять между несколькими специализированными агентами.

На этом фоне показателен запуск Алисы AI Про для бизнеса. Она объединяет работу с корпоративными сервисами, Skills, подключаемыми инструментами и несколькими агентами, которые могут разделять между собой части одной задачи. При этом навыки можно использовать и в самостоятельно собранных агентах в Yandex AI Studio.

Интересно, что при таком подходе сама LLM постепенно становится лишь одним из компонентов системы. Важнее становится то, какие действия ей разрешены, какие инструкции она получает и к каким инструментам может обращаться.

И, кажется, это меняет сам объект разработки: раньше компании выбирали модель для своего чат-бота, теперь им приходится проектировать рабочую среду для ИИ.


@ai_machinelearning_big_data

#news #ai #ml