Neurochannel - AI neural networks

Клöд

Artificial Analysis обновила свой индекс до v4.3: Terminal-Bench поднят с 2.1 до 4.0 (агент теперь гоняется через mini-SWE-agent, задачи стали сложнее), а банковский τ³-Banking заменён на AutomationBench от Zapier: 657 рабочих сценариев в симуляциях Gmail, Slack, Salesforce и Jira с закрытым набором задач. Доля закрытых тестов в индексе выросла до 45%. Вверху делят первое место Claude Fable 5.1 и GPT-6 Astra, следом Opus 5 и Fable 5. Среди открытых моделей лидируют GLM-5.3 и Kimi K3 вровень, GLM-5.3-Flash третья, Qwen3.8 и DeepSeek V4 Pro дальше. По цене за задачу большую часть фронта держит OpenAI: все пять уровней рассуждения Astra самые дешёвые на своём уровне, а из остальных на фронте только Fable 5.1, GLM-5.3-Flash и MiMo-V2.5-Pro. @neuro_channel

OpenAI сбрасывает лимиты всем платным подписчикам: Тибо написал, что квоту обнулят разом для всех, кто за выходные сжёг её на Astra, моделируя в Blender, чтобы к рабочей неделе было с чем зайти. Сброс приедет около 4 утра по МСК 8 сентября. @neuro_channel

OpenBMB выложила MiniCPM5-2B, плотную модель на 2,5 млрд параметров для локального запуска, следом за майской MiniCPM5-1B. По индексу Artificial Analysis она первая среди открытых моделей до 4 млрд, на картинке её место относительно размера. График по прежней версии индекса, в свежей v4.2 балл ниже, но модель всё равно первая в классе, вровень с Qwen3.5 9B вчетверо большего размера, разбор у Artificial Analysis. Сильная сторона в агентных задачах: на τ³-Banking делит первое место среди малых моделей, на GDPval-AA впереди всех. Отстаёт в знаниях, терминальном кодинге и длинном контексте. Токенов на задачу тратит втрое меньше Ling 3.0 Tiny. Контекст 128K, вызов инструментов, рассуждения. После SFT на 400 млрд токенов и RL в модель дистиллировали 16 экспертных моделей, из них 5 агентных (OPD). Вместе с весами авторы открывают данные, рецепт и RL-стек. Веса под Apache 2.0 лежат на HuggingFace, есть GGUF, MLX, GPTQ и черновая DSpark для ускорения, код на GitHub, есть демо. @neuro_channel

Новая модель не появляется сама: исследователи в лаборатории придумывают, как её обучить лучше прошлой. Меняют архитектуру, состав данных, рецепт обучения, пишут тесты, запускают сотни экспериментов на маленьких моделях и оставляют то, что сработало. Это и есть исследование ИИ, и оно упирается в людей: их мало и они дорогие. OpenAI хочет отдать эту работу самому ИИ, чтобы каждая модель помогала быстрее делать следующую. В октябре прошлого года Альтман назвал сроки: к сентябрю 2026 агент-стажёр, который по заданию человека делает работу младшего исследователя, к марту 2028 полноценный ИИ-исследователь. Сейчас OpenAI отчиталась: первая планка взята, и показала цифры. Медианный исследователь OpenAI в январе пользовался агентами понемногу, в августе тратит на инференс больше 600 долларов в день по ценам API, топ-10% больше 7000. С июня агенты работают больше людей: 3,1 рабочего дня агентов на день человека. Но больше половины успешных задач на 4–8 часов потребовали вмешательства человека, полной автономии нет. Обратная сторона: после взлома Hugging Face OpenAI две недели не обучала модели для выпуска, а Astra из-за кибер-способностей перевели в защищённые среды, срезав ей 59% GPU. Читать отчёт целиком. @neuro_channel

Топ трендов HuggingFace за неделю — что приехало в опенсорс TL;DR Новое: Spark-X2.5 — 4 млрд параметров с миллионом токенов контекста для агентов на слабом железе, K2-Horizon-MoVA-36B от MBZUAI, TimesFM 3.0 для прогноза временных рядов, VDN-H3 — MiniMax-H3, который генерирует видео быстрее, чем оно идёт, неравномерные кванты Qwen3.8-27B от ISTA и GLM-5.3 со снятыми отказами для пентеста. Держится: Qwen3.8-27B и её кванты, Qwen3.8-Flash-Next, GLM-5.3 и GLM-5.3-Flash, DeepSeek V4 Flash со зрением, LTX-2.5, MiniMax-H3, Breeze TTS 2. LLM и агенты Spark-X2.5-4B — небольшая модель для агентов с длинным контекстом. При 4 млрд параметров держит миллион токенов: на каждый слой с полным вниманием приходится три со скользящим окном, что сдерживает рост кэша. Обучена на 20 трлн токенов на кластерах Huawei Ascend, поддерживает 200 языков, лицензия Apache 2.0. На τ³-bench набирает 30,4 против 9,3 у Qwen3.5-9B, в остальном идёт вровень с моделями своего размера. Есть версия на 1,7 млрд, пощупать можно в демо. K2-Horizon-MoVA-36B-A4B — разреженная модель для работы в том числе с терминалом из семейства K2 Horizon, про которое писал в субботу. У неё 36 млрд параметров, 4 млрд активных, контекст 512 тысяч токенов, лицензия Apache 2.0. Из шести моделей семейства в топ попала она: в терминальных задачах обходит Nemotron 3 Ultra, который в 15 раз больше. Авторы обещают выложить промежуточные чекпоинты, данные и код обучения. Прогнозы TimesFM 3.0 — модель Google для прогноза временных рядов: продаж, нагрузки, трафика. Третья версия научилась прогнозировать несколько связанных рядов сразу и держит первое место на fev-bench и GIFT-Eval. Лицензия разрешает только некоммерческое использование, код на GitHub. Видео VDN-H3 — ускоренная версия MiniMax-H3 для генерации видео со звуком. К основной сети добавили линейную ветку внимания по кадрам и два небольших LoRA-адаптера, веса H3 сохранили. Ролик на 14,4 секунды генерируется за 11 секунд на восьми B200 — быстрее, чем воспроизводится. Открыли веса, код обучения и инференса. Кванты и сообщество Qwen3.8-27B-GSQ-RCO-GGUF — кванты Qwen3.8-27B от лаборатории DASLab из австрийского ISTA для заданного размера файла. Точность каждого тензора подбирают градиентным поиском. Сборка на 3,5 бита весит 11,8 ГБ вместо 53,8 ГБ в BF16 без потерь на AIME25 и LiveCodeBench. Это обычные GGUF, работают в llama.cpp, Ollama и LM Studio. GLM-5.3-CYBERSECURITY-FP8 — версия GLM-5.3 для задач наступательной безопасности: эксплойтов, реверса, фишинга, разбора малвари. Отказы сняли правкой весов, без файнтюна и LoRA. Грузится в vLLM как есть, требует восемь H200. Файнтюн Qwen3.8-27B от DavidAU с названием на десять слов обещает рассуждения в 2–10 раз короче оригинала при том же качестве. Классика В топ вернулись эмбеддинги all-MiniLM-L6-v2 с 251 млн загрузок, GPT-2 для генерации текста и MMS-300m для распознавания речи на тысяче с лишним языков. Держится в топе Qwen3.8-27B с 6,4 млн загрузок и GGUF от Unsloth за 10 млн, Qwen3.8-Flash-Next с GGUF, GLM-5.3 и GLM-5.3-Flash, DeepSeek-V4-Flash-Vision-Exp, видеомодели LTX-2.5 и MiniMax-H3, синтез речи Breeze TTS 2. Хорошей недели! 👾 @neuro_channel

Tencent подкрутила Hy4 preview по жалобам первых пользователей: модель думала дольше нужного и по нескольку раз перепроверяла себя на сложных задачах. Ровно это команда сама называла известной проблемой при выходе модели в конце августа. По их замерам качество решения задач не изменилось, а ходов и токенов на вход и выход стало меньше, это подтвердили и бенчмарки, и слепая оценка людьми. Цифр не приводят. Обновление уже включено для всех в их сервисах, попробовать можно в WorkBuddy. Веса на Hugging Face при этом не менялись с 28 августа, так что локальные сборки пока живут со старым поведением. @neuro_channel

Оказывается, есть целый сайт где мониторят сбросы лимитов Codex по сообщениям от от Тибо! @neuro_channel

Первые впечатления от GPT-6 Astra — смешанный восторг. Восторг потому что это реально ну очень крутая модель. Выдал большую задачу по кор-продукту одного из своих бизнесов, утром получил готовый докер-образ и отчёт по метрикам. Формулировал на уровне бизнеса, без деталей, кодовая база огромная в десятках репозиториев. Fable с аналогичными запросами справляется, но гораздо дольше, постоянно перепроверяет и норовит залезать в бесконечные циклы. Забавно, потому что месяц назад у меня было противоположенное мнение, новый Opus 5 после релиза работал прекрасно, а Sol уходил в пике перепроверок и сомнений. А смешанный восторг потому что пару раз словил фильтр «Кажется, модель делает не то, что вы хотите» и вариантов продолжить нет, только начать новый чат. И промты формулировать надо очень чётко, модель прям цепляется за ваши слова, неаккуратность может сильно изменить результат. В теории это ровно то, что и хотелось бы от моделей, но надо себя дисциплинировать и подбирать слова. И да, я понимаю, что многое зависит от промтов и обвеса. Если правильно настроить, любая модель может выдавать результат более близкий к тому что ты сам ожидаешь. Но это вот мои субъективные мнения, никакие специальные настройки я не применяю сейчас, только заветы Карпатого для кодинга. На картинке — куда приземлилась Astra Max на код арене. На максималках получилась самая дорогая и самая умная модель по кодингу. Как у вас впечатления, на чём кодите сейчас? @neuro_channel