E News

🛒 В Сан-Франциско экспериментальный ИИ-агент Luna уволил сотрудника офлайн-магазина Andon Market. Причина: опоздания, нарушения с корпоративной картой и порча товара. 

В компании уточнили, что решение подготовил ИИ, но проверили люди. При этом Luna несколько месяцев игнорировал нарушения, но после напоминания разработчиков все же уволил работника и даже пытался найти замену.

Магазин Andon Market работает с апреля как тестовая площадка под управлением ИИ. Проект уже потерял $40 000.

👉 Подробнее

Новости | AI | YouTube

EVIE-Preview-4.5B

Модель Tencent для визуального поиска по документам на базе Qwen3.5-4B

ищет релевантные страницы по запросу, глядя на картинки, а не на извлечённый текст. Эмбеддинги ультракомпактные, 128 измерений на токен, отсюда низкие требования к памяти и быстрый поиск.

• Поиск по сканам, PDF, таблицам, диаграммам и отчётам без OCR
• Мультиязычность - EN, FR, DE, IT, ES, PT, ZH и другие
• Zero-shot на новых языках и форматах

#SOTA на ViDoRe
• Обходит 8B модели, будучи вдвое меньше

Гитхаб
HF

#vlm #search #ocr

VK | MAX

Qwen3.8-27B

Мультимодальная LLM от Alibaba из семейства Qwen3.8
Нативно понимает картинки и видео, заточена под кодинг, профессиональные задачи, исследования и длинные агентные сценарии.

• Контекст 262 144 токена нативно, до 1 000 000 через YaRN

• Понимание изображений и видео - от STEM-диаграмм и документов до многочасовых роликов
• Гибкое управление мышлением - включается по умолчанию, глубина настраивается reasoning_effort
• Автономное планирование и работа с фидбеком окружения для агентов
• preserve_thinking - сохраняет цепочку рассуждений между сообщениями

Квантизации
Демо

#multimodal #agent #gguf

GLM 5.3

Новая модель Z.ai

• Terminal Bench 3.0: 4.6 → 28.3
• DeepSWE v1.1: 46.2 → 66.9
• Три уровня thinking: low / high / max, отключение мышления убрали

• Кодинг: +50% на внутреннем Z.ai Code Bench, #SOTA в опенсорсе на Terminal Bench 3.0 и Agents' Last Exam
• Внезапный буст кибербезопасности
• SOTA на CyberGym для поиска уязвимостей (84.5% против 77.2% у 5.2)
• На эксплуатации удваивает 5.2: ExploitBench 24.4 → 54.4, ExploitGym 29 → 105 задач
• Синтез окружений для RL, пайплайны сами генерят тренировочные среды и верификаторы

ZCode теперь официальный харнесс для 5.3
Чат - еще не завезли

Веса ждем через две недели

#agent #flagship #coding

Gemini 3.7 Flash

Флагманская дешёвая модель Google. Дешевле 3.6 на 50% при лучших результатах. Позиционируют на повседневную работу и учёбу

• Улучшенный кодинг и работа с документами против 3.6 Flash
• Быстрое создание презентаций
• Генерация сайтов
• В бенчмарках разработки и автоматизации обходит Claude Sonnet 5 и GPT-5.6 Terra

AI Studio

#news

Веса Qwen 3.8 Max вышли в открытый доступ

Это модель на 2.4 триллиона параметров, с 95B активных. Официальные веса распространяются в bf16 и весят 5 терабайт, но уже есть нормальные NVFP4 и MXFP4 версии. Для запуска нужна одна нода с B300/MI355x или несколько нод с картами попроще.

На визуальных VLM задачах по личному опыту, она тащит вроде бы даже лучше чем закрытые фронтир модели.

Китайцы - вперед!

SGLang Cookbook
vLLM recipe
Веса

@ai_newz

SpaceXAI выпустила Grok 4.6

Вышел Grok-4.6, контекст 500к, текст и изображения на вход, $2 и $6 за миллион входных и выходных токенов. Базовые цены как у 4.5, кешированный ввод подорожал с $0.30 до $0.50. Добавлен четвертый уровень reasoning effort, xhigh. Данные обучения обрываются 1 февраля 2026. Доступна в API, Cursor, Grok Build, OpenRouter, Vercel и Cloudflare.

Числа параметров в анонсе нет. 1.5T это цифра из поста Маска в X, а не спецификация из документации. По описанию компании, поверх базы 4.5 прошел более длинный дополнительный этап обучения, затем SFT на траекториях, которые перегенерировала сама Grok 4.5, затем агентный RL на задачах вроде оптимизации ядер, веб-разработки и CAD.

Заявка компании: паритет с GPT-5.6 Sol по Artificial Analysis Intelligence Index. Независимый замер AA заявку подтверждает. Лидер, Claude Opus 5 на max, дает 63.1. Открытая Kimi K3 на max дает 59.7. Grok 4.6 на high дает 60.9, ровно как GPT-5.6 Sol. На графике в анонсе три конкурента: Fable 5, GPT-5.6 Sol и собственная 4.5. Opus 5 в подборку не попал.

В таблице xAI модель лидирует на GDPVal-AA v2, AA-Briefcase и юридическом Harvey LAB. На Terminal-Bench v3.0 у нее 26% против 34.6% у GPT-5.6 Sol и 34.1% у Fable 5, на DeepSWE v1.1 65.9% против 73% и 70%. Grok 4.6 замерена на high, конкуренты на max.

По стоимости задачи Intelligence Index у Artificial Analysis выходит $0.84 против $1.23 у GPT-5.6 Sol, $2.34 у Opus 5 и $3.14 у Fable 5. Столько же, $0.84, стоит Kimi K3.

Анонс открывается фразой про особый фокус на долгоживущих агентах. Именно на двух агентных бенчмарках из собственной таблицы xAI отставание самое заметное.

@anti_agi