OpenAI собрала библиотеку реальных сценариев работы с ChatGPT и Codex
На сайте Work, in progress публикуют практические кейсы, эксперименты и промпты от разработчиков и обычных пользователей.
Среди примеров:
* создание сайтов, API и интерактивных инструментов;
* работа с несколькими ИИ-агентами;
* анализ документов и исследования;
* ревью и исправление кода;
* монтаж видео через Codex;
* автоматизация повседневных задач.
Материалы можно фильтровать по продукту, типу задачи, автору и языку. Полезная база идей для тех, кто ищет реальные способы встроить ChatGPT и Codex в работу.
https://work-in-progress.openai.chatgpt.site/
На сайте Work, in progress публикуют практические кейсы, эксперименты и промпты от разработчиков и обычных пользователей.
Среди примеров:
* создание сайтов, API и интерактивных инструментов;
* работа с несколькими ИИ-агентами;
* анализ документов и исследования;
* ревью и исправление кода;
* монтаж видео через Codex;
* автоматизация повседневных задач.
Материалы можно фильтровать по продукту, типу задачи, автору и языку. Полезная база идей для тех, кто ищет реальные способы встроить ChatGPT и Codex в работу.
https://work-in-progress.openai.chatgpt.site/
❤8🔥8👍5
Если хочешь развиваться в машинном обучении — решать реальные бизнес-задачи или уйти в исследования — в Центральном университете есть магистратура под оба сценария. И на нее можно получить грант до 75%. Места ограничены, дедлайн подачи заявок — 20 августа.
«Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков:
⚫️ Индустриальный — сильная база в ML, современные инструменты, реальные задачи от партнеров
⚫️ Научный (AIRI × ЦУ) — сложные модели, исследования, подготовка к аспирантуре и работе в передовых лабораториях
⚫️ ML в электронной коммерции × Lamoda — работа с реальными данными Lamoda, применение ML для бизнес-задач и возможность попасть на стажировку в компанию
Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами.
Магистратура в Центральном университете — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.
Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости.
В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам
➡️ Офлайн программа
➡️ Онлайн программа
«Машинное обучение» — это направление с несколькими форматами и треками. В офлайн-формате (пары по вечерам и в выходные в центре Москвы) можно выбрать один из трех треков:
Для тех, кто хочет учиться из любой точки мира, есть онлайн-формат: основной трек и продвинутый — для специалистов с опытом в ML. Это полноценная альтернатива офлайну с теми же преподавателями и курсами.
Магистратура в Центральном университете — это 2 года обучения, которое можно совмещать с работой, и диплом государственного образца. Карьерная поддержка начинается еще во время учебы: консультации, тренировочные собеседования и помощь с трудоустройством. Студенты уже в процессе обучения выходят на новые позиции или повышаются в грейде в Яндексе, Авито, Т-Банке и других компаниях.
Поступление проходит через грантовый конкурс — это одновременно способ попасть на программу и возможность выиграть финансовую поддержку на все время обучения: грант покрывает до 75% стоимости.
В 2026 году доступно 550 грантов на все программы магистратуры. Подробнее о программах и условиях участия в конкурсе — по ссылкам
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6
Sakana AI обновила Fugu-Ultra: до +7,9 пункта на бенчмарках
Вышла Fugu-Ultra v1.1. Sakana AI обновила пул frontier-моделей, которыми управляет её мультиагентный оркестратор.
По данным компании, новая версия стала сильнее на всех опубликованных тестах, а прирост относительно v1.0 достигает 7,9 пункта. Особенно заметные улучшения заявлены на ProgramBench и Terminal Bench 2.1, то есть в задачах на кодинг и длительную работу агента.
Fugu интересна тем, что за одним API скрывается сразу несколько моделей. Система сама выбирает экспертов, распределяет между ними роли и объединяет результаты в один ответ. Архитектура основана на исследованиях TRINITY и Conductor.
Цена при этом осталась прежней: $5 за 1 млн входных токенов и $30 за 1 млн выходных для стандартного контекста.
https://sakana.ai/fugu
Вышла Fugu-Ultra v1.1. Sakana AI обновила пул frontier-моделей, которыми управляет её мультиагентный оркестратор.
По данным компании, новая версия стала сильнее на всех опубликованных тестах, а прирост относительно v1.0 достигает 7,9 пункта. Особенно заметные улучшения заявлены на ProgramBench и Terminal Bench 2.1, то есть в задачах на кодинг и длительную работу агента.
Fugu интересна тем, что за одним API скрывается сразу несколько моделей. Система сама выбирает экспертов, распределяет между ними роли и объединяет результаты в один ответ. Архитектура основана на исследованиях TRINITY и Conductor.
Цена при этом осталась прежней: $5 за 1 млн входных токенов и $30 за 1 млн выходных для стандартного контекста.
https://sakana.ai/fugu
❤7🔥6🥰4
Курт Гёдель нашёл «дыру» в Конституции США, которая, по его мнению, позволяла легально превратить страну в диктатуру.
В 1947 году, готовясь к экзамену на американское гражданство, один из величайших логиков XX века внимательно изучил Конституцию и заявил, что обнаружил в ней внутреннее противоречие.
По воспоминаниям, на собеседовании Гёдель даже попытался объяснить судье, как именно демократическая система теоретически может сама себя отменить через законные процедуры.
Его друзья Альберт Эйнштейн и Оскар Моргенштерн, присутствовавшие рядом, быстро свернули дискуссию.
История получила название Gödel’s Loophole.
В 1947 году, готовясь к экзамену на американское гражданство, один из величайших логиков XX века внимательно изучил Конституцию и заявил, что обнаружил в ней внутреннее противоречие.
По воспоминаниям, на собеседовании Гёдель даже попытался объяснить судье, как именно демократическая система теоретически может сама себя отменить через законные процедуры.
Его друзья Альберт Эйнштейн и Оскар Моргенштерн, присутствовавшие рядом, быстро свернули дискуссию.
История получила название Gödel’s Loophole.
❤23👍14😁11🔥6🤔3
🧠 Face ID — это далеко не самая сложная задача в биометрии.
Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире.
Например:
• как отличить человека от фотографии или дипфейка
• что делать, если лицо закрыто маской или очками
• как запускать модели на слабом железе без потери качества
• почему высокий accuracy почти ничего не говорит о надежности системы
• какие метрики действительно важны (FAR, FRR, EER)
Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств.
28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space, автор курсов онлайн-магистратуры MSAI (girafe.ai × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания.
Обсудим:
• как устроены современные биометрические пайплайны
• какие существуют виды биометрических признаков
• как защищают системы от спуфинга
• почему хорошие модели иногда плохо работают в продакшене
📅 28 июля, 19:00 (МСК)
Формат: онлайн, на платформе Zoom
Участие бесплатное, необходима предварительная регистрация
Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте
girafe.ai/msai-program
Реклама: Физ лицо
Гончаренко В. В.
ИНН 272403059890
Erid: 2VtzqvTq1Rt
Настоящие проблемы начинаются, когда систему нужно заставить работать не на красивом датасете, а в реальном мире.
Например:
• как отличить человека от фотографии или дипфейка
• что делать, если лицо закрыто маской или очками
• как запускать модели на слабом железе без потери качества
• почему высокий accuracy почти ничего не говорит о надежности системы
• какие метрики действительно важны (FAR, FRR, EER)
Именно эти задачи ежедневно решают инженеры, которые разрабатывают биометрические системы для миллионов устройств.
28 июля в 19:00 пройдет открытый вебинар, где Иван Соломатин — к.т.н., ведущий инженер Samsung Electronics, преподаватель МФТИ и Harbour.Space, автор курсов онлайн-магистратуры MSAI (girafe.ai × МФТИ) разберет, как сегодня строятся современные системы биометрического распознавания.
Обсудим:
• как устроены современные биометрические пайплайны
• какие существуют виды биометрических признаков
• как защищают системы от спуфинга
• почему хорошие модели иногда плохо работают в продакшене
📅 28 июля, 19:00 (МСК)
Формат: онлайн, на платформе Zoom
Участие бесплатное, необходима предварительная регистрация
Если захотите глубже разобраться в Computer Vision, ML Engineering и других направлениях современного AI, посмотреть программу онлайн-магистратуры MSAI можно на сайте
girafe.ai/msai-program
Реклама: Физ лицо
Гончаренко В. В.
ИНН 272403059890
Erid: 2VtzqvTq1Rt
👍5🔥3❤2🌭2⚡1🤝1
🔥 Бесплатный курс по нейросетям от Андрея Карпати: от backprop до GPT
Neural Networks: Zero to Hero — бесплатный курс с видео и Jupyter-ноутбуками, где нейросети изучаются через реализацию руками.
Что внутри:
• backprop с нуля через micrograd
• bigram и MLP-модели на PyTorch
• разбор активаций, градиентов и BatchNorm
• ручной backprop без
• переход к WaveNet-подобной архитектуре
• сборка GPT по шагам
• основы BPE-токенизации
Хороший вариант, чтобы понять, как нейросети работают изнутри, а не запоминать формулы.
Проект open-source, лицензия MIT.
🔗 https://github.com/karpathy/nn-zero-to-hero
Neural Networks: Zero to Hero — бесплатный курс с видео и Jupyter-ноутбуками, где нейросети изучаются через реализацию руками.
Что внутри:
• backprop с нуля через micrograd
• bigram и MLP-модели на PyTorch
• разбор активаций, градиентов и BatchNorm
• ручной backprop без
loss.backward()• переход к WaveNet-подобной архитектуре
• сборка GPT по шагам
• основы BPE-токенизации
Хороший вариант, чтобы понять, как нейросети работают изнутри, а не запоминать формулы.
Проект open-source, лицензия MIT.
🔗 https://github.com/karpathy/nn-zero-to-hero
❤13🔥6👍5
Собрать AI-агента по туториалу можно за вечер. Но когда добавляешь память, RAG или несколько инструментов, возникают другие вопросы: почему он свернул не туда, как найти место ошибки и как понять, не сделала ли новая правка систему хуже.
Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.
На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой.
Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.
→ Посмотреть программу, формат и стоимость курса по ссылке
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx
Чтобы развивать такой продукт дальше, нужно понимать, как устроены вызовы модели и инструментов, где хранится контекст, как проверять качество и как вносить изменения.
На курсе «AI-агенты» сначала пишем основные части на API: работу с LLM, structured output, tool-calling, память, RAG и evals. Затем используем LangChain и LangGraph там, где они действительно упрощают разработку, добавляем MCP, мониторинг и деплой.
Курс идёт 12 недель: живые занятия, практика, разборы решений и ревью кода. На выходе - пять агентных проектов и база, с которой можно собирать свои системы.
→ Посмотреть программу, формат и стоимость курса по ссылке
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqvrACMx
❤5😁4🥰2🔥1
Constella — open-source desktop-приложение, которое индексирует локальные файлы и превращает их в единую базу знаний для поиска и AI-агентов.
Данные хранятся на устройстве: LanceDB используется для векторов, SQLite — для метаданных и knowledge graph.
Что умеет:
- индексировать Obsidian, Documents, Downloads и любые выбранные папки;
- извлекать текст из PDF, DOCX, Markdown и изображений;
- строить семантический поиск по локальным данным;
- автоматически связывать заметки, темы и концепты;
- работать с локальными и облачными LLM;
- отдавать базу знаний через MCP в Claude Code;
- использовать агентов и переиспользуемые workflows.
Схема примерно такая:
Файлы
↓
chunks + embeddings
↓
LanceDB + SQLite
↓
Knowledge Graph
↓
поиск / агенты / MCP
https://github.com/Constella-OS/constella-desktop
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥12👍7🥰3
XYZ-Aquila-mini: компактная reasoning-модель для глубокого веб-поиска
XYZ AI Lab выпустила XYZ-Aquila-mini под Apache 2.0.
По заявленным результатам модель лидирует среди open-weight моделей до 40B сразу на нескольких поисковых бенчмарках:
* GAIA - 97.1
* DeepSearchQA - 89.5
* BrowseComp - 78.8
Модель заточена под длинные цепочки планирования, поиск по англоязычному и китайскому вебу, проверку источников и восстановление после ошибок при работе с инструментами. Контекст до 256K токенов.
Отдельно интересен их подход AI4AI: люди задают цели, ограничения и критерии качества, а ИИ-агенты сами разбирают ошибки и предлагают контролируемые изменения для post-training.
Модель: https://modelscope.ai/models/XYZAILab/XYZ-Aquila-mini
XYZ AI Lab выпустила XYZ-Aquila-mini под Apache 2.0.
По заявленным результатам модель лидирует среди open-weight моделей до 40B сразу на нескольких поисковых бенчмарках:
* GAIA - 97.1
* DeepSearchQA - 89.5
* BrowseComp - 78.8
Модель заточена под длинные цепочки планирования, поиск по англоязычному и китайскому вебу, проверку источников и восстановление после ошибок при работе с инструментами. Контекст до 256K токенов.
Отдельно интересен их подход AI4AI: люди задают цели, ограничения и критерии качества, а ИИ-агенты сами разбирают ошибки и предлагают контролируемые изменения для post-training.
Модель: https://modelscope.ai/models/XYZAILab/XYZ-Aquila-mini
👍6❤4🌭3
Команда GigaChat зовёт на вечеринку для AI-разработчиков и исследователей 🎉
29 июля, Сбер.Среда, пространство «Оригинал» (м. «Курская», ул. Земляной Вал, 9А)
Без докладов, презентаций и официальных дискуссий – только общение с коллегами по индустрии, обсуждение рабочих задач и болей, новые знакомства и летний вечер на веранде.
Регистрация и подробности
Надеемся на хорошую погоду 🥳
До встречи!
29 июля, Сбер.Среда, пространство «Оригинал» (м. «Курская», ул. Земляной Вал, 9А)
Без докладов, презентаций и официальных дискуссий – только общение с коллегами по индустрии, обсуждение рабочих задач и болей, новые знакомства и летний вечер на веранде.
Регистрация и подробности
Надеемся на хорошую погоду 🥳
До встречи!
👍4🥰2💅2❤1
Nvidia может поставить на OpenAI ещё $250 млрд, но теперь своим балансом
По данным WSJ, Nvidia обсуждает гарантии примерно на $250 млрд для гигантского AI-дата-центра OpenAI в Огайо. Это не перевод $250 млрд OpenAI: Nvidia фактически станет страховкой для кредиторов на случай дефолта по аренде и строительному долгу.
Схема выглядит так:
SB Energy строит → OpenAI арендует → Nvidia гарантирует часть риска.
Масштаб безумный: кампус рассчитан на 10 ГВт вычислительных мощностей и ещё 10 ГВт новой генерации. Из них 9,2 ГВт планируют получить от газовых электростанций с $33,3 млрд японского финансирования. Ещё $4,2 млрд пойдут на электросети.
При этом Nvidia отдельно обсуждает финансирование до $350 млрд закупок чипов OpenAI.
Получается интересный цикл: Nvidia финансирует инфраструктуру клиента, помогает ему покупать собственные GPU и одновременно получает будущую выручку от этих закупок.
Успеет ли OpenAI превратить эти гигантские мощности в деньги раньше, чем гарантии Nvidia превратятся в проблему для самой Nvidia?
https://www.wsj.com/tech/ai/nvidia-in-talks-with-openai-to-guarantee-250-billion-financing-for-data-center-3dd6eae3
По данным WSJ, Nvidia обсуждает гарантии примерно на $250 млрд для гигантского AI-дата-центра OpenAI в Огайо. Это не перевод $250 млрд OpenAI: Nvidia фактически станет страховкой для кредиторов на случай дефолта по аренде и строительному долгу.
Схема выглядит так:
SB Energy строит → OpenAI арендует → Nvidia гарантирует часть риска.
Масштаб безумный: кампус рассчитан на 10 ГВт вычислительных мощностей и ещё 10 ГВт новой генерации. Из них 9,2 ГВт планируют получить от газовых электростанций с $33,3 млрд японского финансирования. Ещё $4,2 млрд пойдут на электросети.
При этом Nvidia отдельно обсуждает финансирование до $350 млрд закупок чипов OpenAI.
Получается интересный цикл: Nvidia финансирует инфраструктуру клиента, помогает ему покупать собственные GPU и одновременно получает будущую выручку от этих закупок.
Успеет ли OpenAI превратить эти гигантские мощности в деньги раньше, чем гарантии Nvidia превратятся в проблему для самой Nvidia?
https://www.wsj.com/tech/ai/nvidia-in-talks-with-openai-to-guarantee-250-billion-financing-for-data-center-3dd6eae3
❤9🔥5🥰3😁2🙏2
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
🚨 Moonshot AI выложила Kimi K3 на Hugging Face — 2,8 ТРИЛЛИОНА параметров в открытых весах.
Это первая open-weight модель класса ~3T. При этом благодаря MoE на каждом токене активируется 104 млрд параметров: 16 экспертов из 896. (Hugging Face)
Что внутри:
— контекст 1 048 576 токенов
— нативная работа с текстом и изображениями
— новая Kimi Delta Attention (KDA)
— Attention Residuals
— 93 слоя: 69 KDA + 24 Gated MLA
— MXFP4-веса + MXFP8-активации
— заявлено примерно 2,5× более эффективное масштабирование, чем у Kimi K2. (Hugging Face)
K3 заточена под долгие агентные задачи: работу с огромными репозиториями, терминалом, исследования, оптимизацию GPU-ядер, компиляторы и другие многошаговые инженерные сценарии. (Hugging Face)
Moonshot действительно опубликовала полные веса модели, а не ограничилась API. (Hugging Face)
https://huggingface.co/moonshotai/Kimi-K3
Это первая open-weight модель класса ~3T. При этом благодаря MoE на каждом токене активируется 104 млрд параметров: 16 экспертов из 896. (Hugging Face)
Что внутри:
— контекст 1 048 576 токенов
— нативная работа с текстом и изображениями
— новая Kimi Delta Attention (KDA)
— Attention Residuals
— 93 слоя: 69 KDA + 24 Gated MLA
— MXFP4-веса + MXFP8-активации
— заявлено примерно 2,5× более эффективное масштабирование, чем у Kimi K2. (Hugging Face)
K3 заточена под долгие агентные задачи: работу с огромными репозиториями, терминалом, исследования, оптимизацию GPU-ядер, компиляторы и другие многошаговые инженерные сценарии. (Hugging Face)
Moonshot действительно опубликовала полные веса модели, а не ограничилась API. (Hugging Face)
https://huggingface.co/moonshotai/Kimi-K3
🔥8❤4👍2🍾2😈2
⚡️ Moonshot AI открыла FlashKDA - быстрые CUDA-ядра для Kimi Delta Attention
FlashKDA — реализация KDA на базе CUTLASS, заточенная под современные GPU NVIDIA.
По бенчмаркам разработчиков:
• H20: ускорение примерно до 2,31× относительно
• GB200: до 3,27× на variable-length sequences
• поддерживается batching последовательностей разной длины
• интеграция уже есть в flash-linear-attention ≥ 0.5.0 — FlashKDA может автоматически выбираться как backend
Требования пока серьёзные: SM90+, CUDA 12.9+ и PyTorch 2.4+.
Интересно здесь другое: вместе с моделями Moonshot постепенно открывает и низкоуровневый стек, необходимый для быстрого запуска их архитектур.
🔗 https://github.com/MoonshotAI/FlashKDA
FlashKDA — реализация KDA на базе CUTLASS, заточенная под современные GPU NVIDIA.
По бенчмаркам разработчиков:
• H20: ускорение примерно до 2,31× относительно
chunk_kda• GB200: до 3,27× на variable-length sequences
• поддерживается batching последовательностей разной длины
• интеграция уже есть в flash-linear-attention ≥ 0.5.0 — FlashKDA может автоматически выбираться как backend
Требования пока серьёзные: SM90+, CUDA 12.9+ и PyTorch 2.4+.
Интересно здесь другое: вместе с моделями Moonshot постепенно открывает и низкоуровневый стек, необходимый для быстрого запуска их архитектур.
🔗 https://github.com/MoonshotAI/FlashKDA
👍9🔥7❤3
KAT-Coder-V2.5-Dev: 35B параметров, но активны только 3B
KwaiAI открыла KAT-Coder-V2.5-Dev - MoE-модель для агентной разработки на базе Qwen3.6-35B-A3B.
На каждом токене используется около 3 млрд параметров, при этом результаты выглядят серьёзно:
- 69,4 на SWE-bench Verified;
- 63,0 на SWE-bench Multilingual;
- 41,02 на Terminal-Bench 2.1.
Есть контекст 256K, tool calling, thinking и non-thinking режимы, а также сохранение истории рассуждений между шагами агента.
Для обучения использовали 127 тысяч SFT-примеров и reinforcement learning. Доля некорректных tool labels снизилась с 9,34% до 0,28%, а непрерывные повторы — до 0%.
Модель текстовая, без vision-модуля. Веса открыты под Apache 2.0.
https://modelscope.ai/models/Kwaipilot/KAT-Coder-V2.5-Dev
Paper:
https://modelscope.ai/papers/2607.05471
KwaiAI открыла KAT-Coder-V2.5-Dev - MoE-модель для агентной разработки на базе Qwen3.6-35B-A3B.
На каждом токене используется около 3 млрд параметров, при этом результаты выглядят серьёзно:
- 69,4 на SWE-bench Verified;
- 63,0 на SWE-bench Multilingual;
- 41,02 на Terminal-Bench 2.1.
Есть контекст 256K, tool calling, thinking и non-thinking режимы, а также сохранение истории рассуждений между шагами агента.
Для обучения использовали 127 тысяч SFT-примеров и reinforcement learning. Доля некорректных tool labels снизилась с 9,34% до 0,28%, а непрерывные повторы — до 0%.
Модель текстовая, без vision-модуля. Веса открыты под Apache 2.0.
https://modelscope.ai/models/Kwaipilot/KAT-Coder-V2.5-Dev
Paper:
https://modelscope.ai/papers/2607.05471
👍8🔥7❤6
Nvidia готова финансировать покупателей своих же GPU - рынок напрягся
Пятилетний CDS Nvidia — стоимость страховки от дефолта компании — поднялся до рекордного уровня на фоне новых мегасделок вокруг AI-инфраструктуры.
По данным WSJ, Nvidia обсуждает гарантии до $250 млрд, чтобы OpenAI смогла арендовать гигантский дата-центр в Огайо. Ещё до $350 млрд компания может направить на финансирование закупок собственных чипов для этого проекта. Общая стоимость кампуса способна превысить $500 млрд. Сделка пока не подтверждена окончательно.
Получается замкнутый круг: Nvidia помогает клиенту найти деньги, клиент покупает GPU Nvidia, а выручка возвращается поставщику.
Сторонники называют это способом ускорить строительство AI-инфраструктуры. Критики видят искусственно поддерживаемый спрос и риск огромных потерь, если доходность AI не оправдает вложений.
Инвесторы впервые всерьёз спрашивают: кто оплатит вычислительный бум, если экономика AI не сойдётся?
#NVDA #AI #OpenAI
Пятилетний CDS Nvidia — стоимость страховки от дефолта компании — поднялся до рекордного уровня на фоне новых мегасделок вокруг AI-инфраструктуры.
По данным WSJ, Nvidia обсуждает гарантии до $250 млрд, чтобы OpenAI смогла арендовать гигантский дата-центр в Огайо. Ещё до $350 млрд компания может направить на финансирование закупок собственных чипов для этого проекта. Общая стоимость кампуса способна превысить $500 млрд. Сделка пока не подтверждена окончательно.
Получается замкнутый круг: Nvidia помогает клиенту найти деньги, клиент покупает GPU Nvidia, а выручка возвращается поставщику.
Сторонники называют это способом ускорить строительство AI-инфраструктуры. Критики видят искусственно поддерживаемый спрос и риск огромных потерь, если доходность AI не оправдает вложений.
Инвесторы впервые всерьёз спрашивают: кто оплатит вычислительный бум, если экономика AI не сойдётся?
#NVDA #AI #OpenAI
👍13❤7🔥4👀4😁3
🤔 GPT-5.6 Sol уже обогнал Opus 5 на ARC-AGI-3? Не совсем
В официальном рейтинге лидер остаётся прежним:
• Claude Opus 5 - 30,2%
• GPT-5.6 Sol - 7,8%
Но ARC-AGI-3 оценивает не только саму модель. Агент должен изучать незнакомые 2D-игры методом проб и ошибок, а результат зависит от памяти, управления контекстом и тестового harness.
Стандартный harness не переносит скрытые рассуждения модели между ходами. Когда история превышает примерно 175 000 символов, самые старые взаимодействия удаляются.
OpenAI запустила Sol через Responses API с сохранением рассуждений и Compaction - механизмом, который сжимает старый контекст вместо его удаления.
На публичных играх результат вырос:
13,3% → 38,3%
При этом модель использовала в шесть раз меньше выходных токенов.
Но это ещё не доказывает превосходство над Opus 5: 38,3% получены на публичном наборе с кастомным harness, а 30,2% Opus 5 - официальный результат в стандартных условиях.
https://x.com/Machinelearrn/status/2082761183732363729
В официальном рейтинге лидер остаётся прежним:
• Claude Opus 5 - 30,2%
• GPT-5.6 Sol - 7,8%
Но ARC-AGI-3 оценивает не только саму модель. Агент должен изучать незнакомые 2D-игры методом проб и ошибок, а результат зависит от памяти, управления контекстом и тестового harness.
Стандартный harness не переносит скрытые рассуждения модели между ходами. Когда история превышает примерно 175 000 символов, самые старые взаимодействия удаляются.
OpenAI запустила Sol через Responses API с сохранением рассуждений и Compaction - механизмом, который сжимает старый контекст вместо его удаления.
На публичных играх результат вырос:
13,3% → 38,3%
При этом модель использовала в шесть раз меньше выходных токенов.
Но это ещё не доказывает превосходство над Opus 5: 38,3% получены на публичном наборе с кастомным harness, а 30,2% Opus 5 - официальный результат в стандартных условиях.
https://x.com/Machinelearrn/status/2082761183732363729
❤8🔥6👍4
🔥 OpenAI совершила разворот на 180°
Ещё год назад GPT-5 выглядел как провал, Claude Code уходил вперёд, а Anthropic усиливала позиции в корпоративном сегменте.
Теперь картина изменилась: GPT-5.6 получил сильный запуск, ChatGPT достиг 1 млрд активных пользователей, а Codex и ChatGPT Work вместе превысили 10 млн пользователей.
По словам финансового директора OpenAI Сары Фрайар, июльский годовой темп выручки уже превысил всю выручку за второй квартал.
Anthropic тем временем пришлось отдельно объяснять свою позицию по open weights и разбираться с противоречивым запуском Fable 5.
OpenAI учла ошибки, вернула технологическое лидерство в центр дискуссии и снова набрала мощный темп. Этот камбэк действительно стоит изучать.
https://www.cnbc.com/2026/07/29/openai-cfo-sarah-friar-tells-employees-arr-in-july-topped-all-of-q2.html
Ещё год назад GPT-5 выглядел как провал, Claude Code уходил вперёд, а Anthropic усиливала позиции в корпоративном сегменте.
Теперь картина изменилась: GPT-5.6 получил сильный запуск, ChatGPT достиг 1 млрд активных пользователей, а Codex и ChatGPT Work вместе превысили 10 млн пользователей.
По словам финансового директора OpenAI Сары Фрайар, июльский годовой темп выручки уже превысил всю выручку за второй квартал.
Anthropic тем временем пришлось отдельно объяснять свою позицию по open weights и разбираться с противоречивым запуском Fable 5.
OpenAI учла ошибки, вернула технологическое лидерство в центр дискуссии и снова набрала мощный темп. Этот камбэк действительно стоит изучать.
https://www.cnbc.com/2026/07/29/openai-cfo-sarah-friar-tells-employees-arr-in-july-topped-all-of-q2.html
👍24❤7🥴3🔥2😨1