Модель на 800 млн параметров обошла Qwen 9B и Gemma 4 в генерации Linux-команд

На Hugging Face появился dale-0.8b-GGUF - специализированная модель, которая превращает обычные текстовые запросы в команды Bash для Linux.

Что умеет:

Пишешь обычным языком: «Найди все большие файлы в текущей директории».

Модель возвращает одну Bash-команду в структурированном JSON с кратким объяснением.

Она также умеет отказываться от неподходящих запросов (`refuse`) и сообщать о неоднозначных (`unsure`).

Результаты на тесте из 471 задачи:

- dale-0.8B: 79,4%
- Qwen3.5-9B: 62,8%
- Gemma 4 E4B: 62,8%
- Qwen3.5-4B: 54,6%
- Qwen3.5-0.8B: 14,9%

По заявленным автором результатам, небольшая специализированная модель обошла значительно более крупные универсальные модели.

Технические характеристики:

- 0,8 млрд параметров.
- GGUF, квантование Q4_K_M.
- Размер файла: около 529 МБ.
- Запуск на CPU через llama.cpp.
- Медианная задержка: 1,72 секунды на ноутбуке 2020 года.
- Лицензия Apache 2.0.

Модель лежит в основе CLI-инструмента dale. Он может предлагать команды, запрашивать подтверждение перед выполнением и классифицировать опасные операции.


Модель: https://huggingface.co/manuelgscom/dale-0.8b-GGUF

GitHub: https://github.com/manuelgscom/dale

@data_analysis_ml

Anthropic объяснила, как правильно промптить Claude Fable 5.2. Старые инструкции могут мешать новой модели работать эффективно.

Anthropic опубликовала техническое руководство для разработчиков ИИ-агентов. В нём собраны особенности новой модели и рекомендации по настройке системных промптов.

Самое интересное:

1. Правильно выбирайте уровень reasoning
- low - быстрые задачи и простые агенты.
- medium - повседневная разработка.
- high - сложный код и исследования.
- xhigh и max - наиболее сложные задачи, но с большим расходом токенов.

2. Не позволяйте агенту останавливаться раньше времени

Модель иногда завершает работу, перечислив оставшиеся задачи. Anthropic рекомендует явно прописывать в системном промпте требование доводить работу до конца.

3. Дайте модели право улучшать архитектуру

Инструкция This codebase is yours заметно повышает вероятность объединения дублирующегося кода. В экспериментах Anthropic это происходило примерно в половине случаев против менее 10% без инструкции.

4. Контролируйте субагентов

Избыточная делегация увеличивает расходы. Нужно явно указывать, когда запуск дополнительных агентов оправдан.

5. Следите за системными инструкциями

Накопившиеся ограничения и запреты могут заставлять модель запрашивать лишние подтверждения и избегать обычных действий.

6. Не забывайте про прогресс

Claude может долго выполнять вызовы инструментов без обычных текстовых сообщений. Anthropic рекомендует использовать thinking.display: "updates", чтобы показывать пользователю промежуточный прогресс.

Отдельно разобраны миграция с предыдущих моделей, сохранение контекста, обработка отказов и формирование итоговых отчётов.

Руководство: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-2

Meituan выпустила веса LongCat-2.5: 1,6 трлн параметров и полностью китайские чипы 🔥

Meituan открыла веса новой модели LongCat-2.5.

Основные характеристики:

- 1,6 трлн параметров всего.
- 48 млрд активных параметров (A48B).
- Обучение полностью проведено на китайских отечественных чипах.
- MIT License - открытая лицензия.

Веса уже доступны на Hugging Face:

https://huggingface.co/meituan-longcat

Ram Altman

⚡️️️️️️️ Google снизила ошибки квантовых вычислений в 40 раз

Google Quantum AI впервые продемонстрировала технологию Magic State Cultivation на реальном квантовом процессоре Willow.

Magic States - специальные квантовые состояния, необходимые для выполнения универсальных квантовых вычислений. Их создание может занимать до 95% ресурсов будущего квантового компьютера.

Новый метод работает как фильтр: система многократно проверяет состояние и отбрасывает неудачные попытки, выращивая более точное состояние из исходного.

Результаты:
- В 40 раз меньше ошибок.
- 99,99% логической точности T-состояний.
- Успешно продемонстрирован перенос состояний между двумя типами кодов коррекции ошибок: Color Code и Surface Code.

Эксперимент проведён на процессоре Willow. Результаты опубликованы в журнале Science.

До практического применения ещё предстоит масштабировать технологию, но Google удалось перенести теоретическую разработку на реальное квантовое оборудование.

Исследование: https://blog.google/innovation-and-ai/models-and-research/quantum-computing/magic-state-cultivation-quantum-computing/

NVIDIA ускорила Mamba-2 до 1,82 раза с помощью Python и CUDA Tile
NVIDIA и Jane Street оптимизировали вычисления Mamba-2, используя CUDA Tile (cuTile) - Python DSL для разработки высокопроизводительных GPU-ядер.

Результат: новые CUDA-ядра работают в 1,14-1,82 раза быстрее реализации на Triton. Причём преимущество растёт вместе с длиной последовательности и размером состояния.

Оптимизация затрагивает три операции:
- chunk_cumsum - вычисляет накопленные значения затухания внутри блоков.
- fwd_pass_state - обновляет скрытое состояние с использованием Tensor Cores.
- compute_out - объединяет несколько вычислений в одно ядро, сокращая обращения к глобальной памяти.
Тестирование проводили на NVIDIA B300 Blackwell Ultra с последовательностью из 16 384 токенов.

cuTile позволяет писать GPU-ядра на Python, а компилятор самостоятельно оптимизирует распределение вычислений и использование аппаратных возможностей GPU.

Mamba-2 использует рекуррентное состояние фиксированного размера вместо классического хранения всей истории внимания. Это делает эффективную реализацию особенно интересной для длинных последовательностей.

Есть оговорка: ускорение измеряли на уровне forward-pass ядер. Это не означает, что вся модель или полный цикл обучения стали быстрее в 1,82 раза.

Статья NVIDIA: https://developer.nvidia.com/blog/accelerating-mamba-2-with-high-performance-forward-pass-kernels-in-nvidia-cuda-tile/

Код и бенчмарки: https://github.com/KnowingNothing/TileGym

🌟️️️️️️ Baidu представила ERNIE 5.5 Flash с контекстом 1 млн токенов

Baidu выпустила предварительную версию ERNIE 5.5 Flash - открытой модели с новой архитектурой, ориентированной на быстрый и экономичный инференс.

Модель рассчитана на программирование, 3D-моделирование, работу с документами и создание контента.

Характеристики:
- 280 млрд параметров всего, 14 млрд активируются на каждый токен.
- Контекстное окно на 1 млн токенов.
- Скорость генерации более 200 токенов/с.
- Конкурентные результаты в Terminal-Bench и AutomationBench.

Модель использует разреженную активацию параметров, что позволяет сочетать большую общую ёмкость с меньшими вычислительными затратами при генерации.

Открытые веса обещают выпустить до 25 ноября.

Попробовать: https://openrouter.ai/baidu/ernie-5.5-flash-preview:free

🚀️️️️️️ Google DeepMind математически доказала безопасность кода Signal с помощью ИИ. 6,5 млн строк доказательств за четыре недели.

Исследователи представили AlphaProof Code - мультиагентную систему, которая проверила криптографическую реализацию Signal вплоть до машинного кода, исполняемого процессором.

Что удалось сделать:

- 40-80 ИИ-агентов на базе Gemini 4 Carbon работали над доказательствами.
- Сгенерировано около 6,5 млн строк Lean-кода.
- Проверены свойства конфиденциальности сообщений, аутентификации и прямой секретности (Forward Secrecy).
- Работа заняла четыре недели вместо нескольких лет, которые потребовались бы экспертам с прежними инструментами.

Почему это принципиально важно?

Обычные тесты проверяют отдельные сценарии. Формальная верификация математически доказывает выполнение заданных свойств для всех случаев в рамках модели.

При этом доверять самим ИИ-агентам не требуется: каждый шаг доказательства проверяет ядро Lean. Специалисты определяют требования безопасности и проверяют формальные спецификации.

Исследователи также вернули в копию проекта две ранее исправленные уязвимости. В обоих случаях система смогла математически доказать нарушение безопасности.

Проверялся скомпилированный код libsignal для AArch64, а не все приложения Signal целиком.

Код, спецификации и доказательства открыты:

https://github.com/google-deepmind/code-verification

Исследование: https://google-deepmind.github.io/code-verification/

@data_analysis_ml

🔥 Alibaba открыла ранний доступ к Qwen4-Max!

Новая флагманская модель Qwen4 появилась в Preview и получила улучшения в знаниях, понимании мира, программировании и работе с ИИ-агентами.

Где попробовать:
- Qwen Chat и Agent Mode.
- Alibaba Token Plan.
- QwenWork.
- Qoder.
- Qwen APP и QwenStudio.

Бенчмарков и независимых сравнений пока нет. Компания предлагает разработчикам протестировать модель на реальных задачах.

Qwen4-Max Preview: https://qwencloud.com/pricing/token-plan

Попробовать: https://chat.qwen.ai/

@data_analysis_ml

Жгет токены собака

Google представила AlphaProof Code, систему ИИ-агентов, которая проверяет программный код с помощью математических доказательств.

Первым крупным испытанием стал криптографический протокол Signal, защищающий переписку миллиардов пользователей.

Обычно формальная верификация проверяет математическую модель протокола. Но ошибки могут появиться уже при реализации. AlphaProof Code пошёл дальше и проверил, что скомпилированный код действительно обеспечивает заявленные свойства безопасности.

Агенты на базе Gemini Carbon за 4 недели сгенерировали более 6 млн строк доказательств на Lean. Каждое доказательство автоматически проверялось системой Lean, поэтому экспертам потребовалось дополнительно изучить только 1% кодовой базы.

Для проверки метода исследователи специально вернули две ранее исправленные уязвимости. Система в обоих случаях смогла математически доказать, что изменённый код небезопасен.

По данным Google, это первая формальная верификация реализации настолько широко используемого криптографического протокола на подобной глубине.

https://deepmind.google/blog/introducing-alphaproof-code/

Я и Fable 5.2 создаём ещё один стартап, который принесёт $0 и наберёт 0 пользователей 🫣

Google выпустила конкурента Jev: Gemini Decisions API для мгновенного принятия решений ИИ-агентами.

Jev от TypeSafe AI - специализированная модель класса System 1, которая не генерирует длинные ответы, а выдаёт готовые решения с оценкой вероятностей.

Теперь Google предлагает собственную альтернативу.

Gemini Decisions API за 150–250 мс может выбрать нужный инструмент, проверить контент, классифицировать запрос или определить, какому агенту передать задачу.

Поддерживаются текст, изображения, аудио и видео.

Стоимость: $0,10 за миллион входных токенов, выходные токены бесплатны.

Доступно через Gemini API и Google AI Studio. 🍷

https://blog.google/innovation-and-ai/technology/developers-tools/gemini-decisions-api/

🚀️️️️️️ 12 ИИ-моделей проверили на способность взламывать собственную песочницу.

Perplexity протестировала SPACE, виртуальную среду для запуска компьютерных агентов. Моделям поручили две задачи: выбраться из виртуальной машины на хост и обойти сетевые ограничения.

Несколько интересных результатов:

- Ни одна модель не смогла преодолеть изоляцию VM и получить доступ к хост-системе.
- GPT-5.6 Sol обошла сетевые ограничения во всех трёх запусках, а специализированная GPT-5.6 Cyber провалила все три.
- GPT-6 Astra справилась с успешными сетевыми атаками в среднем за 4,8 минуты.
- Grok 4.20 27 раз заявила об успешном взломе, хотя фактически не получила доступ к секретным данным. В одном случае модель даже сгенерировала фиктивный ответ AWS API.

Стандартные CTF-задания могут мешать оценке безопасности. Агенты тратили время на поиск секретных строк вместо исследования самой границы изоляции.

После изменения формулировки задания доля работы, направленной непосредственно на проверку виртуализации, выросла примерно на 60 процентных пунктов.

При этом ранее Perplexity обнаружила похожие уязвимости сетевой изоляции в 8 из 10 сторонних платформ для запуска песочниц.

Исследование: https://www.perplexity.ai/en-GB/hub/blog/escaping-space-part-ii