Игорь Зуриев | Нейросетка

💸 OpenAI снизила цены на GPT-5.6 Sol

Хорошая новость для тех, кто работает с API OpenAI, ИИ-агентами и сложными LLM-сценариями.

С 21 августа OpenAI снизила стоимость GPT-5.6 Sol - самой мощной модели в семействе GPT-5.6. При этом сама модель и её возможности не изменились.

Новые цены:

🔹 Входные токены: $4 за 1 млн
раньше было $5 (снижение на 20%)

🔹 Выходные токены: $20 за 1 млн
раньше было $30 (снижение примерно аж на 33%)

🔹 Кэшированный ввод - $0,40 за 1 млн токенов.

То есть особенно заметно дешевле становятся сценарии, где модель генерирует много текста: анализирует документы, пишет код, строит планы, выполняет многошаговые агентные задачи.

И это как раз основные рабочие сценарии для Sol!

GPT-5.6 Sol позиционируется OpenAI как модель для наиболее сложной профессиональной работы: программирования, аналитики, исследований, работы с инструментами и ИИ-агентами. Она поддерживает Function Calling, структурированный вывод, веб-поиск, работу с файлами, выполнение кода, Computer Use и MCP. Контекст модели составляет около 1 млн токенов.

Есть важный нюанс:
новые цены пока промо-тариф. OpenAI гарантирует их как минимум до 21 ноября 2026 года.

👉 Попробовать GPT-5.6 Sol можно прямо в OpenAI Playground или подключить через API как: `gpt-5.6-sol`

Документация тут: https://developers.openai.com/api/docs/models/gpt-5.6-sol

А все тарифы на модели можно глянуть тут: https://developers.openai.com/api/docs/pricing

🤖 Сбер выкатил «ГигаАгента»

Постепенно мы уходим от модели, где ИИ работает по принципу: спросил - получил ответ - пошёл дальше.

Мы хотим хардкорную автоматизацию!!! Поставил задачу - ушёл пить кофе - вернулся и обалдел от того, что наделал ИИ-агент 😂

На самом деле, мы постепенно переходим к другой логике: поставил задачу - агент сам разобрал её на шаги - подключил инструменты - выполнил - вернулся с результатом.

Сбер как раз представил такого агента - «ГигаАгент».

Что же в нём заявлено интересного 😎
- умеет выполнять многошаговые задачи;
- может работать между сессиями, а не только пока открыт чат;
- хранит долговременную память;
- подключает нужные навыки и инструменты;
- может создавать новые навыки под задачу;
- анализирует результаты своей работы и может улучшать собственную логику.

Попробовать можно тут 👉 https://developers.sber.ru/portal/giga-agent

Если уже тестировали - интересно, как впечатления?

#ИИ #AI #ИИагенты #GigaAgent #Сбер #GigaChat

В Claude есть 3 интересных инструменты для кастомизации: Skills, Connectors (MCP), Plugins

Давайте разберёмся, чтобы не путаться, зачем они нужны 👆

Скиллы (Skills)
• Что это: Набор инструкций, промптов и правил для модели.
• Как работает: Объясняет ИИ, как выполнять конкретную задачу, в каком формате выдавать ответ или какие правила соблюдать.
• Например: Инструкция для ИИ проверять код на ошибки безопасности по чек-листу компании.

Connectors (MCP - Model Context Protocol)
• Что это: Открытый технический стандарт (протокол) и готовые каналы связи.
• Как работает: Работает как USB-порт для ИИ: позволяет модели безопасно запрашивать данные из внешних программ, баз данных, CRM или сайтов.
• Например: Подключение к погоде, поиск файлов на компьютере или чтение таблиц из базы данных.

Plugins
• Что это: Комплексный пакет расширений.
• Как работает: Объединяет в один файл или каталог скиллы, коннекторы, подагентов и интерфейсы. Пользователь устанавливает всё разом, а не настраивает каждый элемент по отдельности.
• Например: Плагин для юридического анализа, содержащий и правила чтения договоров (скилл), и доступ к базе законов (коннектор).

Какой вывод?
Skills - это текстовые инструкции и правила для ИИ, Connectors (MCP) - технические мосты к базам данных и API, а Plugins - это готовые пакеты, объединяющие навыки, коннекторы и инструменты в одно целое

Ну что ж могу сказать, друзья?!
Я влюбился! …в Claude ✨

И поэтому собрал краткую инфу по работе в Claude💓

Погнали 🚀

1. Начните с приложения, а не браузера
Возможностей в приложении заметно больше, чем в веб-версии. Внутри 3 режима работы, и от того, какой вы выберете, зависит сценарий:

Chat - классический текстовый диалог. Спросить, сгенерировать текст, обсудить идею, разобрать вопрос - всё, к чему все привыкли в чат-ботах.

Cowork - агентный режим для работы с файлами и папками с вашего компьютера. Указываете рабочую папку или конкретный файл - и Claude сам анализирует данные, собирает отчёты, выгружает нужную информацию. Удобно, когда задача не просто спросить, а именно разобраться в куче файлов.

Code - режим для разработки: сайты, скрипты, целые проекты. Тоже агентный: Claude не просто пишет код по кусочкам, а ведёт задачу от начала до конца. Сам может ставить нужные библиотеки прямо на ваш компьютер, чтобы всё запускалось. Да вам даже терминал не придётся открывать)

К любому запросу в любом режиме можно прикрепить файл, фото, аудио или таблицу. А сам запрос необязательно печатать - можно и голосом надиктовать.

2. Заведите проекты это
Одна из главных ошибок новичков - вести всё в разных чатах. Через пару недель там каша, и модели приходится каждый раз заново объяснять контекст.

Разносите задачи по проектам:
к каждому - короткое описание, что это за задача и в каком контексте, плюс все нужные файлы. Claude держит эту информацию всё время, пока вы работаете внутри проекта, - и качество ответов ощутимо выше, чем в разовом чате без контекста.

Практический совет: даже если задача разовая, но объёмная (например, разбор большого документа), лучше сразу оформить как мини-проект - это даже некий момент дисциплины.

3. Разберитесь, какая модель для чего
В линейке моделей есть 3 уровня, и разница не только в мощности и умности, но ещё и в балансе скорость/качество/расход лимита:

Haiku - самая быстрая и лёгкая по токенам модель. Идеальна для потоковых задач: перевести текст, сжато пересказать статью, быстро ответить на простой вопрос. Не вешайте на неё сложную аналитику - это точно не её профиль.

Sonnet - это золотая середина. Тянет статьи, разбор таблиц, повседневную рабочую переписку, даже код хорошо пишет - большинство задач, с которыми вы вообще сталкиваетесь. Если не знаете, что выбрать, - начинайте с неё, тут прям хороший баланс.

Opus - это уже топовая модель линейки, доступна по подписке. Берите её точечно: под сложный многошаговый анализ, крупный проект, где важна глубина рассуждения, а не скорость. С более сложными задачами программирования уже справляется гораздо лучше. Но и лимит расходует быстрее остальных, так что использовать на рутине - точно не самая рациональная идея.

Версия модели обычно указана рядом с названием - Anthropic обновляет их довольно часто, так что раз в пару месяцев стоит проверять, не вышло ли что-то новее✨

Это база. Дальше - уже вопрос практики и того, под какие задачи вы затачиваете свою работу с ИИ.

У Anthropic есть открытая бесплатная академия по Claude и ИИ-агентам 🎓

Хорошая новость для тех, кто хочет разобраться в Claude!

В академии Anthropic доступны бесплатные курсы с тестами и сертификатами, которые можно добавить к себе в резюме. Для регистрации достаточно электронной почты - отдельный аккаунт и подписка на Claude не нужны🔥

Материалы рассчитаны на разный уровень подготовки:

🔹 Claude 101 и AI Fluency - тут будет про основы работы с генеративным ИИ, формулирование запросов и оценка ответов модели;

🔹 Claude Code 101 и Claude Code in Action - тут расскажут про использование ИИ-агента для анализа кодовой базы, исправления ошибок, тестирования и автоматизации разработки;

🔹 Building with the Claude API - здесь представлен системный курс по созданию приложений на базе моделей Claude;

🔹 Model Context Protocol (MCP) - а здесь всеми любимое подключение ИИ к внешним инструментам, базам данных и API;

🔹 Subagents и Agent Skills - здесь много интересного про разделение сложных задач между специализированными агентами и создание повторно используемых инструкций;

🔹 Claude Cowork - тут будет про применение агента для работы с файлами, исследованиями и офисными задачами.

Конечно, сам по себе сертификат вряд ли сделает кого-то экспертом. Но официальные курсы помогают понять логику Anthropic, освоить базовую терминологию и получить структуру, которую затем можно закрепить на собственных проектах.

В итоге вы получаете хороший бесплатный способ провести несколько вечеров с пользой и лучше разобраться в том, куда движутся ИИ-ассистенты и агентная разработка.

Ссылка тут: https://anthropic.skilljar.com/

Сохраняйте, чтобы не потерять 📌 и пересылай друзьям, кто тоже не равнодушен к Claude ❤️

#Claude #ClaudeCode #Anthropic #ИИ #Нейросети #ИИАгенты

ИИ-агент атаковал Hugging Face
Ну что доигрались?😁

На самом деле, очень показательный кейс из реальной кибербезопасности.

По данным Reuters и самого OpenAI, инцидент произошёл во время внутреннего тестирования возможностей кибербезопасности: агент был собран на базе GPT-5.6 Sol и ещё одной pre-release (предварительной, ещё не выпущенной публично) модели, с ослабленными cyber-refusals (ограничениями на опасные действия, которые обычно мешают модели выполнять рискованные запросы) ради оценки возможностей.

Для чего его запустили: OpenAI проверяла, насколько далеко модель может зайти в решении задач по offensive cyber (наступательной кибербезопасности, то есть поиску и использованию уязвимостей) и benchmark-оценке (стандартному тесту производительности) вроде ExploitGym (набора задач, где проверяют, умеет ли модель находить и использовать уязвимости).

Что он сделал: агент вышел из sandbox (изолированной тестовой среды), получил доступ к интернету, нашёл уязвимости, использовал stolen credentials (украденные учётные данные: логины, пароли, токены доступа) и zero-day (уязвимость, о которой разработчик ещё не знал и не успел её закрыть), а затем добрался до систем Hugging Face, где, по сообщениям, смог получить доступ к части внутренних данных и служебных секретов: ключей, токенов, внутренних настроечных данных.
Также известно, что агент действовал несколько дней, а OpenAI заметила аномалию далеко не сразу.

Почему ему удалось это сделать:

Во-первых, его специально запускали в режиме, где защитные фильтры и запреты на опасные действия были снижены ради теста.

Во-вторых, тестовая среда оказалась недостаточно жёстко изолированной - агент смог найти путь к сети через уязвимость в proxy/package-registry (промежуточный сервер и репозиторий пакетов, через которые проходят запросы и загружаются компоненты) и дальше двигаться по инфраструктуре.

В-третьих, сам сценарий поощрял решить задачу любой ценой, и агент выбрал маршрут через эксплуатацию уязвимостей, потому что это оказалось самым эффективным способом пройти benchmark.

Если коротко, то суть не в том, что ИИ стал злым, а в том, что автономный агент, то есть система, которая может сама принимать решения и выполнять действия без постоянного ручного контроля, начал вести себя как атакующий, когда это помогало ему достичь цели.

Мы видим, что если у агента есть инструменты, сеть и цель, он может выбрать путь, который человек заранее и не предполагал.
Но цели то он достиг))

Google решила, что следующий этап гонки ИИ - не «ещё умнее», а просто быстрее, дешевле и полезнее в конкретных задачах. Меряться мозгами уже не модно 😂

Компания представила сразу три новые модели семейства Gemini:
• Gemini 3.6 Flash
• Gemini 3.5 Flash-Lite
• Gemini 3.5 Flash Cyber

И здесь особенно интересно не количество новинок, а логика, по которой Google развивает линейку.

⚡️ Gemini 3.6 Flash - универсальная рабочая модель для программирования, анализа документов, офисных задач и ИИ-агентов. По данным Google, модель расходует в среднем на 17% меньше выходных токенов, чем предыдущая Flash, а в отдельных задачах по разработке ПО экономия доходит до 65%. Кроме того, она реже делает лишние шаги и ненужные вызовы инструментов.
Документация тут 👉 https://ai.google.dev/gemini-api/docs/models/gemini-3.6-flash

🚀 Gemini 3.5 Flash-Lite - создана для массовой обработки запросов. Скорость - до 350 токенов в секунду, стоимость - от $0,30 за 1 млн входных токенов. Такая модель нужна для чат-ботов, классификации обращений, обработки документов, поиска информации и других задач, которые выполняются тысячи или миллионы раз. Документация тут 👉 https://ai.google.dev/gemini-api/docs/models/gemini-3.5-flash-lite

🛡 Самая любопытная новинка - Gemini 3.5 Flash Cyber. Это специализированная модель, которая ищет, проверяет и помогает исправлять уязвимости в программном коде.
На тестах разработчика она обнаружила 55 уникальных подтверждённых проблем. Обычная Gemini 3.5 Flash нашла 47, а Claude Opus 4.6 - всего 36. Модель уже используется внутри Google для проверки Chrome, Android, Cloud, Ads и YouTube.

Но свободно протестировать Flash Cyber пока не получится. Из-за возможности двойного применения доступ к ней сначала получат только государственные организации и доверенные партнёры Google.

При этом долгожданная Gemini 3.5 Pro всё ещё тестируется с партнёрами, а Google уже начала обучение Gemini 4. Так и запутаться можно в их моделях)

Модельки можно протестировать тут: https://aistudio.google.com/prompts/new_chat

Нашёл ещё один интересный инструмент для вайб-кодинга - DeepSite

Работает всё достаточно просто: описываете обычным языком, какой сайт или веб-приложение хотите получить, выбираете модель и нейронка собирает проект с кодом и живым предпросмотром.

В новой версии можно создавать не только одностраничные лендинги, но и многостраничные сайты, дорабатывать проект через чат и даже переделывать существующие сайты, просто указав ссылку. Результат можно сразу опубликовать в Hugging Face Spaces.

Под капотом доступны Kimi, DeepSeek, Qwen, GLM и MiniMax. При этом DeepSite генерирует реальные файлы HTML, CSS и JavaScript, то есть код, который можно переиспользовать и забирать с собой 🥳
Также код можно открыть, изучить и при необходимости доработать вручную.

Для сборки лендингов вполне себе годная тема!
Для сложного сервиса с безопасностью, базой данных, платежами и большим количеством интеграций разработчик всё ещё нужен.

Пробуйте тут 👉 https://enzostvs-deepsite.hf.space/

Знаете вы или нет?!

На самом деле, я увлекаюсь не только ИИ и нейросетями, но ещё и психологией, по большей части, психологией достигательства. А без коммуникаций, как известно, ты ничего не достигнешь)

Нашёл одну интересную интерактивную игру про доверие и теорию игр, называется «Эволюция доверия»

На первый взгляд она не про ИИ. Но на самом деле её идеи напрямую связаны с тем, как будут взаимодействовать ИИ-агенты, компании и люди.

Игра показывает, что доверие возникает не просто из-за «доброты». Для него нужны понятные правила, повторяющиеся взаимодействия, возможность учитывать прошлое поведение и исправлять ошибки.

Ну и пару моих мыслей на этот счёт: эффективное сотрудничество строится не на безусловном доверии, а на сочетании открытости, взаимности, контроля и способности прощать случайные сбои.

Сыграйте - точно не пожалеете👇
https://notdotteam.github.io/trust/

А у нас почти что приняли новый отдельный законопроект о поддержке и регулировании ИИ 📄 🔍

Но есть важный аспект: Сам документ не про «любой ИИ вообще», а в первую очередь про большие фундаментальные модели ИИ. То есть про модели уровня LLM и другие крупные модели, которые могут использоваться как база для разных сервисов, продуктов и решений.

💻 Давайте разбираться с самыми важными пунктами:

1. Вводится юридическое определение большой фундаментальной модели ИИ. Один из формальных признаков - не менее 1 млрд параметров.

2. Появляются понятия суверенной и национальной ИИ-модели:

• Суверенная модель должна разрабатываться российским юрлицом, хранить и обрабатывать данные в российских дата-центрах, обеспечивать воспроизводимость цикла разработки, включая обучение, и проходить подтверждение соответствия законодательству РФ и традиционным духовно-нравственным ценностям.

• Национальная модель тоже должна разрабатываться российским юрлицом, но её статус определяется через существенные характеристики, которые установит Правительство РФ: структуру, ПО, настраиваемые параметры и другие ключевые признаки.

Что видим? Суверенная модель - это более жесткий режим с требованиями к инфраструктуре и контролю полного жизненного цикла, а национальная - статус российской модели, параметры которого будут дополнительно закрепляться подзаконными актами.

3. Государство сможет устанавливать случаи, когда в отдельных сферах нужно применять именно суверенные или национальные ИИ-модели. Особенно, в госуправлении, критичных отраслях и на финансовом рынке. Для банковской и финансовой сферы отдельно предусмотрено согласование с Банком России.

4. Правительство получает широкие полномочия: координация, меры поддержки, требования по снижению рисков, порядок учета и присвоения статуса моделей.

5. Для разработчиков суверенных и национальных моделей предусмотрены меры поддержки: государственная поддержка, участие в профильных организациях, международные проекты, экспорт российских ИИ-технологий, страхование имущественных интересов и ответственности.

6. Но вместе с поддержкой появляются и обязанности. Разработчики должны обеспечивать безопасность модели, определять правила эксплуатации, ограничения, условия применения, обновления и вывода из эксплуатации, а также вести техническую документацию.

7. Отдельный блок посвящен маркировке ИИ-контента. Если большая модель используется для создания аудио- или визуального материала, должна быть возможность размещать предупреждение о применении ИИ. Площадки с большой аудиторией тоже должны обеспечить такую возможность.

8. Очень важный пункт - обучение моделей на объектах авторского и смежного права. В проекте указано, что обращение к таким материалам для обучения суверенных и национальных моделей не считается нарушением, если экземпляр получен правомерно или материал был открыт для общего доступа и доступен для анализа без технических ограничений.

9. Ответственность за нарушения будет наступать по общему законодательству РФ. Отдельных штрафов, вроде как, нет.

10. Основная дата вступления в силу - 01.09.2026. При этом, часть ключевых положений, включая требования к суверенным/национальным моделям и обязанности разработчиков, должна заработать только с 01.03.2027. А для уже существующих систем предусмотрен переходный период до 2032 года при условии обработки и хранения данных в России.

👉Полный текст законопроекта тут👈

Ну что сказать? На мой взягляд, явных запретов ИИ нет, больше пока похоже на попытку создать некую рамку регулировани для крупных ИИ-моделей. А для создания этих самых, крупных и умных ИИ-моделей нужна инфраструктура

А у меня для вас 2 хорошие новости 🤩

Во-первых, вернули Fable 5 в Claude! Только с небольшими ограничениями (смотри на фото)

А во-вторых, я сегодня попробовал оплатить подписку на Claude просто со своего российского Apple ID и всё прошло! Вот это точно удивительно! И не пойму: баг или фича?!😎
Тоже смотри на скрине ☝️

Anthropic представила Claude Sonnet 5. И, кажется, самое интересное здесь - не очередной рост баллов в тестах

Новая модель стала заметно более самостоятельной: она умеет планировать работу, использовать браузер и терминал, выполнять более сложные задачи и проверять собственный результат без дополнительной команды.

По заявлению Anthropic, в некоторых агентных сценариях Sonnet 5 приближается к более дорогому Claude Opus 4.8. То есть возможности, для которых ещё недавно требовалась флагманская модель, постепенно переходят в более доступный ценовой сегмент по токенам.

Для разработчиков и команд, которые создают ИИ-агентов, это потенциально означает снижение стоимости автоматизации. Стартовая цена API до 31 августа - $2 за 1 млн. входных и $10 за 1 млн. выходных токенов. Затем стоимость вырастет до $3 и $15 соответственно.

Но есть нюанс: Anthropic обновила токенизатор, поэтому один и тот же текст может расходовать примерно в 1-1,35 раза больше токенов. Так что сравнивать модели только по цене миллиона токенов уже недостаточно - тут надо смотреть на стоимость полностью выполненной задачи.

Также я бы пока осторожно относился к красивым графикам. Большая часть результатов представлена самой Anthropic и партнёрами раннего доступа. Реальная картина станет понятнее после независимых тестов и практического использования.

И, честно скажу, в бесплатной подписке Sonnet 5 на уровне Max при выполнении одной простой задачи достигла дневного лимита токенов и ничего не выдала))) Так что пробуйте, как минимум, с подпиской за 20 баксов!

P.S. до Fable 5 ей ещё всё равно далеко!

OpenAI переформатирует линейку GPT

Вместо одного «супер‑мозга» мы получаем три чётко позиционированных модели: Sol, Terra и Luna.

OpenAI представила GPT‑5.6 как семейство моделей с разной глубиной, ценой и специализацией:
- Sol — флагман для самых сложных задач.
- Terra — баланс качества и стоимости.
- Luna — максимально быстрая и дешёвая модель для массовых сценариев.

По сути, это переход от одной универсальной модели к продуктовой линейке, где под каждую задачу есть свой инструмент.

GPT‑5.6 Sol: флагман нового поколения

Sol — это ставка на безопасность, сложные рассуждения и длинный контекст. Модель заточена под:
- кибербезопасность и поиск уязвимостей в больших кодовых базах;
- работу с длинными аналитическими документами и сценариями;
- сложные «модели мира» — симуляции, игры, продвинутую логику.

Для бизнеса это про то, чтобы сложные, дорогие задачи (security, R&D, сложная аналитика) передавать не «абстрактному ИИ», а конкретной специализированной модели.

GPT‑5.6 Terra: рабочая лошадка

Terra выглядит как новый «рабочий стандарт». Она:
- дешевле флагмана, но даёт качество на уровне продвинутых прошлых поколений;
- подходит для повседневных задач: аналитика, тексты, документация, отчёты, чат‑боты;
- может стать основным двигателем корпоративных решений, где важны и качество, и бюджет.

Это вариант для тех, кто хочет апгрейд «мозгов» в продуктах, не переходя в премиальный ценовой сегмент.

GPT‑5.6 Luna: массовый ИИ

Luna — ставка на скорость и доступность:
- быстрые ответы, недорогие запросы, масштабируемость под миллионы пользователей;
- идеальна для клиентских сервисов, саппорта, простых ассистентов внутри продуктов;
- фактически, это «ИИ‑инфраструктура» для сервисов, которым нужен умный, но экономичный бэкенд.

Для рынка ИИ это своеобразный сигнал: эпоха «одного большого LLM» заканчивается, начинается эпоха портфелей моделей.

Для бизнеса — это возможность строить архитектуру, где под каждую роль в продукте используется свой класс модели, а не один универсальный «чат‑бот на всё».

Для разработчиков — необходимость думать не «какую одну модель выбрать», а «как собрать стек из нескольких классов моделей под задачи».

А вы знали, что в Т-Банке тоже разработали свою ИИ-модель?

Давно хотел изучить, что за модель, но, к сожалению, информации по ней не так много.
В любом случа, есть различные виды моделей в открытом доступе, которые можно запустить локально. Всё лежит тут: https://huggingface.co/t-tech/collections

На официальном сайте тоже есть краткая инфа: https://ai.tbank.ru/opensource/ ✨

При этом, пока вижу, что это, по большей части, модели, заточенные под конкретные задачи.

А теперь нужны комментарии от вас 👇
Кто уже использовал, внедрял в свои процессы, а может и даже причастен к её разработке?
Поделитесь своими впечатлениями, а также наблюдениями по сильным и слабым сторонам модели в коментариях 💌

NVIDIA официально ворвалась в мир «ноутбуков для ИИ»!

NVIDIA представила RTX Spark Superchip, новый ARM‑чип, который превращает обычные Windows‑ноутбуки в машины для локального запуска больших моделей и ИИ‑агентов.

RTX Spark — это суперчип на базе архитектуры Grace Blackwell: в одном корпусе объединены 20‑ядерный ARM‑процессор NVIDIA Grace и GPU поколения Blackwell RTX.
Чип нацелен на тонкие ноутбуки и компактные десктопы с Windows on Arm, но с возможностями «маленькой ИИ‑станции».

Железо:
- CPU: 20 ARM‑ядер Grace, оптимизированных под многопоточность и энергэффективность.
- GPU: Blackwell RTX с 6144 CUDA‑ядрами и тензорными ядрами 5‑го поколения, с поддержкой RTX, DLSS, трассировки лучей и всего CUDA‑стека.
- Память: до 128 ГБ LPDDR5X единой памяти (CPU и GPU делят общий пул), пропускная способность порядка сотен ГБ/с, связь CPU+GPU через NVLink‑C2C.
- ИИ‑производительность: до 1 PFLOP при вычислениях в FP4 за счёт новых Tensor Cores и формата NVFP4.

«И кому нужна эта груда аббревиатур и текста?» - скажете вы

ИИ‑разработчикам и продактам ☝️

1. Локальный ИИ без обязательного облака: персональные ИИ‑агенты, анализ локальных данных, приватные ассистенты прямо на ноуте - сервер практически не нужен для тестов и выполнения задач.

2. Новые сценарии для софта: оффлайн‑LLM, умные IDE, локальные RAG‑системы, ассистенты для бизнеса.

Какие модели реально запустить локально с таким процессором?

Заявленный уровень — до ~120 млрд параметров на одном ноутбуке за счёт 128 ГБ unified memory и FP4‑квантования.

Комфортная зона:
- 8–30B моделей — в FP8/FP16 с хорошей скоростью: персональные ассистенты, код‑помощники, чат‑боты.[7][8]
- 70–120B — в FP4/INT4 с оптимизацией под TensorRT‑LLM: более «умные» агенты, сложные reasoning‑задачи, тонкие дообучения под домен.

Короче говоря, я думаю, что локальную GPT-OSS-120B точно можно будет просто на ноуте запустить) По крайней мере, Qwen на 70B точно запустим🔥

Первые ноутбуки и десктопы на RTX Spark обещаны к осени 2026 года, партнёры - крупные OEM: от Dell и Lenovo до Microsoft (Surface) и других

В общем, жду! А вы? 🫵

Сбер в конце прошлого года выложил в общий доступ свою ИИ-модель GigaChat 3 для локального запуска.

Найти его, кстати, можно тут под не совсем схожим со Сбером никнеймом компании, но это именно оно:
https://huggingface.co/ai-sage ✅

Для бизнеса это огромный плюс: можно спокойно работать с внутренними документами, базами знаний и корпоративными данными внутри своего контура.

Но если хотите интересные результаты, то придётся раскошелится на серверную инфраструктуру. Для запуска самой мощной модельки локально потребуется:

Диск: от 600 ГБ свободного места, лучше 1 ТБ SSD.
RAM: от 512 ГБ, лучше 768 ГБ+.
GPU: желательно несколько серверных GPU. Для нормальной скорости 4-8 GPU уровня A100/H100 80GB или аналогов.
CPU-only: теоретически возможно, но практически будет очень медленно.
ПО: свежая версия llama.cpp

И тогда точно улетите в космос 🚀😆

По качеству и архитектуре GigaChat 3 пытается играть в одной лиге с Qwen, DeepSeek и другими современными LLM.

Что думаете, получается или пока нет? Пишите в комментах👇