SpaceX подписала соглашение с open-source AI-стартапом Reflection AI на сумму до $6,3 млрд до 2029 года.

Reflection получит немедленный доступ к чипам Nvidia GB300 в дата-центре Colossus 2.

Платежи начнутся 1 июля 2026 года и составят $150 млн в месяц.

При этом любая из сторон сможет расторгнуть соглашение с уведомлением за 90 дней после первых трёх месяцев.

Также SpaceX уже заключила compute-соглашения с Anthropic, Google и Cursor.

Claude 😂😂😂

Anthropic вместе с Frontend Masters выкатили бесплатный курс по Claude Code.

И это не поверхностный обзор, а нормальный разбор инструмента для тех, кто хочет реально прокачать вайбкодинг и работу с AI-агентами.

Курс ведёт Lydia Hallie из Anthropic.

Внутри:

• основы Claude Code
• skills
• hooks
• sub-agents
• MCP
• плагины
• Agent SDK
• продвинутые сценарии работы

Хороший вход для тех, кто хочет не просто “просить ИИ написать код”, а собирать нормальный рабочий процесс вокруг Claude Code.

Ссылка:
https://frontendmasters.com/courses/claude-code

GLM-5.2 набрала 22,8% на ARC-AGI-2 при стоимости $0,25 за задачу.

Важно отметить: примерно в мае 2025 года лучшие верифицированные модели на ARC-AGI-2 показывали всего около 3,0%.

То есть GLM-5.2 всё ещё сильно отстаёт от GPT-5.5 с результатом 85%, но при этом примерно в 7,6 раза превосходит лучший frontier-результат мая 2025 года.

И ещё она примерно в 7,5 раза дешевле за задачу, чем запуск GPT-5.5 за $1,87.

https://x.com/arcprize/status/2069845152773099854

SpaceX и xAI постепенно превращаются в новоый Oracle.

Сообщается, что Reflection получит быстрый доступ к чипам Nvidia GB300 через SpaceX.

За это компания будет платить $150 млн в месяц, начиная с 1 июля 2026 года.

Если сделка продлится до 2029 года, её общая стоимость может достичь примерно $6,3 млрд.

У кого есть GPU, энергия и дата-центры, тот фактически становится новым облачным гигантом.

https://www.cnbc.com/2026/06/22/spacex-ai-colossus-data-center-reflection.html

В Китае, по сообщениям, вырос чёрный рынок токенов для Claude.

Пользователям продают доступ почти на 93% дешевле, чем у Anthropic. Но такая скидка появляется не из воздуха.

Схема держится на трёх вещах.

Первая - дробление аккаунтов.

Продавцы массово создают платные аккаунты с большими лимитами и делят их между клиентами по часовым квотам. Один аккаунт превращается в пул для десятков или сотен пользователей.

Вторая - подмена модели.

Человек думает, что общается с Claude Opus, а на деле ему может отвечать более дешёвая Claude Haiku или вообще другая модель вроде Qwen.

Третья - перепродажа данных.

Самая опасная часть - логи чатов. Там могут быть код, документы, рабочие переписки, личные данные, пароли, API-ключи и коммерческая информация.

Эти данные могут уходить компаниям для обучения моделей или попадать к мошенникам. Дальше - спам, фишинг, шантаж и другие неприятные истории.

Всё это существует, несмотря на блокировку Claude в Китае.

Для обхода используют Transfer Stations - прокси-площадки, через которые чат-боты получают доступ к токенам. Поставщиков выбирают по цене, стабильности и аптайму.

Отдельная часть схемы - аккаунты и KYC. По сообщениям, для верификации используют купленные данные людей из бедных регионов Азии, Африки и Латинской Америки, а также синтетические AI-личности.

Трафик часто гонят через страны, где Claude доступен, например через Сингапур.

Ирония в том, что из-за таких схем маленький Сингапур внезапно стал одним из лидеров по использованию Claude на душу населения.

Главная мысль простая: подозрительно дешёвый доступ к топовой модели может стоить не $5.

Он может стоить ваших данных.

https://www.chinatalk.media/p/how-to-buy-cheap-claude-tokens-in

🚨 Alibaba, как утверждается, не взламывала Claude.

Схема была другой - и куда опаснее.

По данным Anthropic, с 22 апреля по 5 июня 2026 года операторы, связанные с Alibaba/Qwen, создали около 25 000 фейковых аккаунтов и прогнали через Claude 28,8 млн диалогов.

Зачем?

Не чтобы просто пользоваться моделью.

А чтобы собрать её ответы и обучать на них свои системы.

Это называется model distillation.

Смысл простой: не нужно красть код модели. Достаточно массово задавать ей вопросы, сохранять ответы и потом учить другую модель повторять похожее поведение.

Anthropic называет это одной из крупнейших атак такого типа против компании.

И масштаб растёт.

Ранее Anthropic уже указывала на похожие случаи:

→ DeepSeek - 150 000 взаимодействий
→ Moonshot AI - 3,4 млн
→ Alibaba/Qwen - 28,8 млн

Разница уже не в процентах, а в порядке величин.

По версии Anthropic, цель таких схем - перенести возможности западных frontier-моделей в китайские системы быстрее и дешевле, чем обучать всё с нуля.

Именно поэтому история вышла за рамки обычной конкуренции.

После письма Anthropic в Сенат США тема быстро стала вопросом национальной безопасности. А доступ к самым продвинутым моделям вроде Mythos и Fable, по сообщениям, начали ограничивать.

Теперь это технологическая война, где «кража» может выглядеть не как взлом сервера, а как миллионы обычных запросов к чат-боту.

https://x.com/Polymarket/status/2069892570214179081

В показаниях Дарио Амодеи в Сенате в 2023 году есть кусок, который сейчас читается совсем иначе.

Он прямо писал, что государство может обязать все AI-модели проходить тесты и соответствовать стандартам до деплоя. И отдельно признавал, что такие правила могут привести к «существенному замедлению разработки AI».

То есть замедление не выглядит случайным побочным эффектом. В этой рамке оно становится допустимой ценой регулирования.

Амодеи писал, что открытые модели нормальны «до определённого масштаба». Но если достаточно мощная open-source модель становится доступной, плохие акторы могут её переиспользовать.

Для рынка это тревожный сигнал.

Как только открытая модель начинает приближаться к frontier-уровню и угрожать бенчмаркам закрытых лабораторий, её можно переопределить из исследовательского артефакта в объект национальной безопасности.

GLM 5.2, Qwen, DeepSeek, Llama, Mistral и любые будущие сильные open-weight модели попадают ровно в эту зону риска.

Закрытую модель можно ограничить API, KYC, rate limits, географией, контрактами и правительственными требованиями. Open-weight модель после релиза уже не вернуть обратно. Её скачали, скопировали, дообучили, запустили локально, разнесли по зеркалам.

С точки зрения регулятора это может выглядеть как «неконтролируемый экспорт frontier AI».

Поэтому следующий удар, вероятно, будет не по чат-ботам, а по инфраструктуре вокруг открытых моделей: доступ к весам, хостинг, compute, дата-центры, экспорт GPU, облачные аккаунты, публикация чекпойнтов.

Формально всё будет называться безопасностью цепочки поставок AI.

На практике это может стать механизмом, который отделит допустимый open source от слишком сильного open source.

https://x.com/AndrewCurran_/status/2070244303923007831

Google Cloud показал reference architecture для multi-tenant AI-агентов.

Смысл простой: в компании может быть много агентов для разных команд, но каждый должен видеть только свои данные, свои tools и свои правила доступа.

Архитектура строится по hub-and-spoke модели.

В центре - routing, IAM, security, логи и мониторинг.

По краям - отдельные tenant projects для бизнес-юнитов: поддержка, финансы, продажи, аналитика.

Запрос проходит через Load Balancer, Cloud Armor, IAP и Model Armor, затем уходит в нужный tenant.

Внутри tenant-а агент работает через Agent Runtime, ADK, MCP-серверы и свой datastore, например BigQuery или AlloyDB.

Ключевая деталь - изоляция.

Principal Access Boundary Policy не даёт агенту одного tenant-а лезть в данные другого.

Model Armor проверяет prompt injection, PII и опасный контент.

Это хороший шаблон для enterprise AI: не один общий агент на всю компанию, а управляемая система с границами доступа, аудитом и безопасностью.

Документация:
https://docs.cloud.google.com/architecture/multi-tenant-agentic-ai-system

LLM в поддержке: от шаблонов к точной работе с документами компании

✅ На открытом уроке разберём, как устроены современные решения на базе LLM, почему они не просто генерируют текст, а используют знания компании для подготовки ответов, и как такие инструменты помогают ускорять обработку обращений.

На практических примерах покажем, как документы превращаются в базу знаний для ИИ, как происходит поиск информации по запросу клиента и каким образом LLM помогает оператору поддержки готовить ответы. Также поговорим о том, как подобные решения применяются в бизнесе уже сегодня.

Урок пройдёт 6 июля в 20:00 МСК в преддверии старта курса «LLM-инженер». Это возможность познакомиться с современным подходом к созданию интеллектуальных сервисов, задать вопросы эксперту и понять, как внедрять подобные решения в реальные процессы компании.

➡️ Регистрация открыта: https://otus.pw/ldwU/?erid=2W5zFHJC1vy

Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

GFusion показывает, что LLM можно ускорять не только за счёт железа.

Сбер открыл исходный код экспериментальной диффузионной языковой модели на базе GigaChat.

В классической autoregressive-схеме модель генерирует текст токен за токеном. GFusion работает иначе: сначала создаёт приблизительный «набросок» ответа, а затем пошагово дорабатывает его — так же, как нейросети генерируют изображения и видео.

За счёт этого модель получилась до 70% быстрее GigaChat3-10B-A1.8B и на 39% быстрее версии с MTP.

Просадка качества при этом осталась в пределах 2–4 п.п.

В open source выложили не только саму модель, но и обучение, оптимизированные attention-ядра и поддержку в SGLang.

Интересная деталь: весь проект реализовал стажёр команды GigaChat Pretrain — и теперь он работает в штате.

Пока большая часть индустрии упирается в стоимость GPU, latency и дата-центры, часть ускорения может лежать в архитектуре генерации. Не в том, где запускать модель, а в том, как именно она генерирует ответ.

Habr: https://habr.com/ru/companies/sberbank/articles/1054690/
Модель: GFusion-10B-A1.8B-base GFusion-10B-A1.8B
GitVerse