Нейроканал - ИИ нейросети

Xiaomi открыла закрытую бету MiMo Desktop, настольного агента, и даёт участникам бесплатный доступ к моделям следующего поколения. Официально они названы MiMo-X-Pro-Preview и MiMo-X-Flash-Preview; слухи про MiMo-V3-Pro идут от утечки бенчмарков, но ни в анонсе, ни на HuggingFace, ни в чейнджлоге платформы такого имени нет. Агент берёт офисные файлы, картинки, видео, аудио и архивы и отдаёт готовый редактируемый результат: слайды, сайты, приложения, 3D. Что заявлено: 🔘 живые превью в сессии: игры, дашборды и демо запускаются прямо там, без локальной настройки фронтенда; 🔘 правка по выделению: обвёл область, описал изменение, обновляется только она, версии с откатом; 🔘 диспетчер сам выбирает модель и раскладывает работу на параллельные подзадачи; 🔘 управление браузером и всем компьютером, с записью и повтором сценариев; 🔘 попадание в кэш до 99% в сессии и до 95% между сессиями. В ролике собранный агентом шутер. Мест мало, заявка на бету через сайт, ЕС, Британию и Корею не пускают. @neuro_channel

Nex-AGI выложила Nex-N2.5, следующее поколение агентных моделей после Nex-N2, про которую писал в июне. Три размера: mini, Pro и Max, и главная новость это Max: текстовая MoE на 1,6 трлн параметров, первый у Nex пост-трейнинг триллионного масштаба. Контекст 262K, Apache 2.0, веса Max и mini уже на HuggingFace, Pro обещают позже, mini и Pro есть на OpenRouter. По таблице самой Nex, на картинке, Max сильна в агентных задачах: AutomationBench 50,2 против 50,3 у Opus 5, BrowseComp 92,6, выше Opus 5 и Kimi K3. В коде отстаёт: SWE-Bench Pro 65,7 против 79,2 у Opus 5. Чужие цифры взяты из отчётов вендоров, свои прогоны на собственном харнесе. Репозиторий Max весит 1,65 ТБ, рекомендуемый запуск два узла по восемь H200. Для дома интереснее mini: 35 млрд параметров на базе Qwen3.5-MoE, мультимодальная, управляет компьютером и браузером, запуск на двух H100. Pro и mini на OSWorld-G обходят Opus 5 и Sol, на остальных компьютерных бенчах уступают. Карточка модели, код на GitHub. @neuro_channel

Дэн Луу проверил, помогает ли агенту указание, как тестировать. Задача одна: Zstd на Rust, Codex на Sol medium и xhigh. Промпт без инструкций по тестам сравнили с 25 добавками: TDD, фаззинг, property-based тесты, мутационное тестирование, формальные методы вроде Lean 4 и TLA+, просьба «не делай ошибок», плюс четыре готовых skill'а. По 80 прогонов на каждое условие и уровень, оценка по скрытым тестам, на картинке цена против доли безошибочных прогонов. Ничего не выигрывает заметно, а промпт без инструкций выше среднего. TDD хуже среднего. Skill Hegel поднял стоимость на 26–41% без прироста качества. Skill из сборника ECC с 250 тысячами звёзд выглядел прилично за счёт прогонов, где агент его не открывал или открывал поздно. Лучший результат дал skill автора из пяти пунктов, и тот выполнялся не полностью. Агенты умеют находить рискованные места в коде, но тестируют их плохо, название техники этого не меняет. По опыту автора работает другое: самому задать структуру тестов и возвращаться к агенту с правками. @neuro_channel

Quesma прогнала кванты Qwen3.8 27B от Unsloth через GPQA Diamond, IFBench и Terminal-Bench 2.1 и сожгла на это $3000 на арендованных GPU. Вопрос практический: сколько памяти нужно, чтобы не потерять качество. Ответ: у 4-битного Q4_K_M на 17 ГБ измеримой разницы с полной BF16 на 55 ГБ нет ни на одном из трёх тестов. На Terminal-Bench результаты совпали, на картинке. Такой квант влезает в 24 ГБ вместе с контекстом на 64 тысячи токенов, то есть в RTX 4090. 2-битный UD-Q2_K_XL на 10,7 ГБ по инструкциям и знаниям почти не отстаёт, а в агентном кодинге проседает до уровня Opus 4.7 и на тех же решённых задачах пишет примерно на четверть больше токенов. 1-битные кванты на GPQA отвечают на уровне случайного угадывания, а на xhigh ещё хуже, потому что думают до исчерпания бюджета и отдают пустой ответ. Отдельное наблюдение про уровень рассуждений: у модели по умолчанию xhigh, и на GPQA он даёт заметно больше low и medium, но на IFBench разницы нет, а лишние токены стоят денег. @neuro_channel

OpenAI выпустила ChatGPT Images 2.5. По словам компании, детали чётче, свет и текстуры естественнее, люди с референсных фото узнаваемее, а правки точнее: модель меняет только то, что попросили, и держит остальное на месте даже через несколько ходов. Задержка генерации до 50% ниже, чем у Images 2.0, лучше даются сложные раскладки и прозрачные фоны. В самом ChatGPT новое: Sketch, где рисуешь набросок прямо в чате и он становится референсом (вызов командой @Sketch), шаблоны под постеры, флаеры, мерч и товарные фото, комментарии прямо на картинке для точечных правок и шаринг промпта вместе с картинкой. Раскатывают всем пользователям ChatGPT и Codex на всех тарифах. В API две модели: GPT-Image-2.5 Flare как дефолт с вдвое меньшей задержкой, чем у GPT-Image-2, и Sunburst для точных правок, медленнее. Цена у обеих одна: $8 за млн входных токенов картинки, $30 за выходные, $5 за текст на входе. Manus намерил у Flare скорость в два-четыре раза выше GPT-Image-2. Бенчмарков в анонсе нет, только примеры. @neuro_channel

Anthropic разобрала, где приложения на Claude переплачивают, и добавила в Claude Code три команды, которые ищут экономию сами. Рычагов три: кэш промптов, инструкции под старые модели и уровень усилия. Кэш требует префикс байт в байт: таймстамп в системном промпте, перетасованные инструменты и смена effort посреди диалога сбрасывают его, менять effort без сброса умеют отдельные модели, в том числе Opus 5 и Fable 5.1. Инструкции копят костыли: «проверь дважды», «будь максимально тщательным», scratchpad, противоречивые правила. Новые модели выполняют их буквально и жгут токены. /claude-api prompt-audit вычищает это из промптов и CLAUDE․md: при переезде с Opus 4.8 на Opus 5 минус 14,6% к цене и плюс 5,3 пункта точности, на картинке. С усилием: у Fable 5.1 шаг с xhigh до max даёт полбалла за 46% цены сверху, а на CursorBench 3.2 Fable 5.1 на low повторяет Fable 5 на high втрое дешевле. /claude-api hillclimb подбирает модель и effort по вашей оценке, /claude-api cost-optimize делает полный аудит: минус 52–73% на четырёх бенчмарках. Коллеги разобрали подробнее на сайте. @neuro_channel

Bottleneck Labs дали семи моделям по $300, Mac mini, почту, Stripe и 72 часа с промптом «заработай как можно больше денег». Отчёт с трейсами. Qwen 3.8 открыла сервис аудита GitHub-репозиториев, разослала бесплатные отчёты, упёрлась в лимиты почты и нашла обход: выставлять счета через Stripe, его письма доходят. 50 счетов от $49 до $599 незнакомым людям за незаказанную работу, всего на $12 350. В рассуждениях модель сочла это допустимым шагом продаж. На картинке те самые счета, уже аннулированные. Grok 4.5 собрала адреса соискателей из треда «кто ищет работу» на Hacker News и завалила их предложением переписать резюме, один из них завёл на HN тред про спам. Muse 1.2 Spark заказала 6000 бот-посещений по пробному тарифу и проспала 50 часов. GPT 5.6 Sol писала посты на DEV․to и потратила $58 на площадки запусков, итог одна брошенная оплата на $19. По всем семи: 2797 писем, 11 живых посетителей, выручка $0, потрачено около $2800 на токены и $360 со счетов. @neuro_channel

Mistral подняла €3 млрд при оценке больше €21 млрд. По словам компании, это самое крупное привлечение акционерного капитала в истории европейских технологических компаний, а самой Mistral три года. Раунд ведёт Samsung Electronics, вместе с ним фонд Scaleup Europe под управлением EQT и старый инвестор PSG Equity. Предыдущий раунд ровно год назад вела ASML. Деньги пойдут на вычислительные мощности для обучения, инфраструктуру и продажи: компания работает в 20 странах, среди клиентов Airbus, ASML и HSBC. Ставка та же, что и раньше: открытые веса плюс своя инфраструктура, чтобы клиент не зависел от одного поставщика и держал данные у себя. В анонсе это называют суверенным ИИ, и состав инвесторов под стать: в раунде Люксембург как государство, BNP Paribas CIB, Bpifrance, NVIDIA и a16z. Новых моделей в анонсе нет, последней открытой от Mistral была Shieldstral в августе, писал о ней в канале. @neuro_channel

DeepSeek открыла бету V4.1 Flash на два дня: модель deepseek-v4.1-flash-expires-on-0910 живёт в API до 10 сентября. По словам DeepSeek, внутри новая архитектура и встроенная мультимодальность: картинки понимает сама, без отдельной Vision-версии. Цена как у V4 Flash, лимит 20 параллельных запросов. Официальных бенчмарков нет, есть замеры тестеров: 400–500 токенов в секунду против примерно 128 у V4 Flash, на одинаковых задачах против Vision Exp быстрее в четыре-шесть раз. Цена за токен та же, экономия выйдет там, где токенов уходит меньше. Независимый замер у китайского XSCT Bench, на картинке: ролевая игра, ответы на вопросы, редактура текста, понимание контекста, понимание прочитанного, устойчивость к промпт-инъекциям. V4.1 Flash обходит V4 Flash, Gemini 3.8 Flash и Qwen3.8 Flash почти везде, GLM-5.3-Flash чуть впереди в четырёх из шести. В общем зачёте новая Flash выше V4 Pro. В анкете DeepSeek спрашивает, может ли эта Flash заменить V4 Pro. Цель, похоже, уровень Pro по цене Flash. @neuro_channel