🚀 Nex-N2.5-Pro и Nex-N2.5-mini теперь доступны через бесплатный API на ModelScope

Обе модели заточены под long-horizon agentic задачи:

- computer use
- web browsing
- визуально привязанные workflow
- длинные цепочки действий агента

Бесплатный доступ действует до 24 сентября по пекинскому времени.

Nex-N2.5-Pro:
https://modelscope.ai/models/nex-agi/Nex-N2.5-Pro

Nex-N2.5-mini:
https://modelscope.ai/models/nex-agi/Nex-N2.5-mini

Google обучает ИИ, который будет улучшать следующие модели?

В соцсетях обсуждают слух о рекурсивном самоулучшении — RSI — внутри DeepMind. Идея: ИИ помогает совершенствовать процесс обучения, а полученные улучшения ускоряют следующий цикл.

Поводом стали скриншот с названием rsi-model-liverl-le и загадочное поздравление DeepMind, в котором пользователи выделили буквы RSI.

Автор публикации предполагает, что Google может использовать такую систему для подготовки следующих поколений Gemini. Этим он объясняет ожидание Gemini 4.

https://x.com/lyraxana/status/2098492030787727804

🔥 Stanford + MIT: производительность ИИ зависит не только от модели, но и от harness вокруг неё

Новая работа Meta-Harness: End-to-End Optimization of Model Harnesses показывает важную вещь: один и тот же LLM может давать радикально разные результаты в зависимости от того, как устроен surrounding system code.

Harness решает:

- что хранить в контексте
- что извлекать из памяти
- какие данные показывать модели
- как вызывать инструменты
- как обрабатывать ошибки и повторные попытки
- как вообще строится workflow агента

На одном и том же benchmark разница между harness может доходить до 6× при неизменной базовой модели.

Авторы предлагают Meta-Harness — внешний optimization loop, который автоматически улучшает код harness.

Вместо одного score он получает доступ к:

code → logs → execution traces → previous attempts

через filesystem-like среду и на основе этого переписывает сам harness.

Результаты:

- +7,7 пункта на online text classification относительно сильного SOTA context management
- при этом примерно в 4 раза меньше context tokens
- +4,7 пункта в среднем на retrieval-augmented math reasoning по 5 held-out моделям и 200 задачам уровня IMO
- на agentic coding найденные harness обошли сильные hand-engineered baselines на TerminalBench-2

Главный вывод работы:

вопрос уже не только в том, “какая модель лучше”, а в том, “как построена вся система вокруг модели”.

Для production это напрямую влияет на reliability, tool use, context management, recovery после ошибок и стоимость запуска.

Paper:
https://arxiv.org/abs/2603.28052

🔥 Хочешь расти в IT быстрее остальных? Перестань учиться в одиночку

Можно годами смотреть курсы, читать документацию и всё равно топтаться на месте.

А можно попасть в правильное окружение, где каждый день обсуждают новые инструменты, вакансии, реальные кейсы, ошибки и то, что уже завтра станет стандартом.

Здесь собраны папки и каналы по разным направлениям IT, чтобы ты быстрее находил нужных людей, идеи и полезный контент - без бесконечного поиска.

AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: https://xn--r1a.website/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_ci
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: https://xn--r1a.website/gamedev
Haskell: t.me/haskell_tg

Собеседования и карьера:

DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview

Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: https://xn--r1a.website/addlist/2Ls-snqEeytkMDgy
Папка Frontend: https://xn--r1a.website/addlist/mzMMG3RPZhY2M2Iy

Полезное сверху:

ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: https://xn--r1a.website/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: https://xn--r1a.website/addlist/BkskQciUW_FhNjEy

Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg

Подпишись и сохрани, здесь регулярно появляются новые подборки, инструменты и материалы, которые реально помогают расти быстрее.

Лучшая ИИ-реклама с за всю историю 😂

🚨 Хроники «лопающегося ИИ-пузыря» становятся всё интереснее.

Демис Хассабис из Google DeepMind поддержал позицию Дарио Амодея: темпы развития frontier AI уже требуют общих стандартов безопасности и отраслевого контроля.

Параллельно Сэм Альтман заявил, что OpenAI готова делать паузы в выпуске новых моделей, если безопасность не успевает за возможностями систем, и что регулировать отрасль должны не только сами AI-компании, но и государства.

Всё это происходит на фоне слухов о прогрессе Китая в сторону RSI — recursive self-improvement.

Дополнительный интерес вызывает новая архитектура RTL — Recurrent Looped Transformer. Модель рекуррентно передаёт себе состояние предыдущих шагов, фактически создавая значительно большую вычислительную глубину. Это ещё не RSI, но направление очень показательное.

На рынке одновременно растёт нервозность: Nvidia уже несколько недель под давлением, а инвесторы всё внимательнее смотрят на то, насколько устойчивы огромные AI-инвестиции.

При этом open-source сообщество относится к призывам «замедлиться» крайне скептически: многие считают, что крупные лаборатории просто пытаются закрепить своё преимущество через регулирование.

И главный вопрос остаётся прежним: даже если США решат притормозить кто убедит Китай сделать то же самое?

🚨 Китайские исследователи выпустили 75-страничную работу с почти апокалиптическим названием - «The Last AI Built by Humans».

33 автора предлагают дорожную карту к настоящему Recursive Self-Improvement (RSI) — системе, которая улучшает не только свои способности, но и сам процесс собственного улучшения.

Они выделяют 5 уровней автономности:

1. AI выполняет придуманные человеком улучшения
2. сам выбирает стратегию улучшения
3. самостоятельно собирает новый опыт
4. адаптирует себя под новые среды
5. recursive meta-improvement - начинает улучшать сам механизм, с помощью которого становится лучше

Авторы также вводят Headroom-Closed Index (HCI) для оценки того, насколько существующие LLM приблизились к пределам улучшения в конкретных задачах.

Работа рассматривает RSI в software engineering, научных исследованиях и embodied AI и связывает концепцию с уже существующими системами и ранними экспериментами.

Важно: это пока не демонстрация готового самоулучшающегося сверхинтеллекта. Это попытка формализовать путь от современных AI-агентов к системам, которые смогут всё большую часть собственного R&D делать самостоятельно.

Название работы звучит соответствующе:

«Последний ИИ, построенный людьми».

https://arxiv.org/abs/2609.11873

🐳 Инженер DeepSeek объяснил, почему ускоряет развитие ИИ, который может превзойти его самого.

Согласно пересказу его эссе, Шэнъюй Лю работает над основным ядром механизма внимания DeepSeek V4.1. Ещё год назад ИИ помогал ему искать документацию и ошибки. Теперь самостоятельно разбирает CUDA, PTX и SASS, использует инструменты профилирования и подбирает оптимизации.

По личной оценке Лю, через 6–12 месяцев ИИ может сравняться с ним или обойти его. Это прогноз самого инженера.

Его беспокоит потеря любимой части профессии. Раньше он мог провести полдня, тщательно ускоряя код и пытаясь побить собственный рекорд. Теперь работа постепенно превращается в управление агентом, который делает это за него.

Почему тогда продолжать?

Лю опасается мира, где самые сильные модели принадлежат нескольким компаниям, а доступ к ним определяет возможности остальных. Получается замкнутый круг: для заработка нужен передовой ИИ, а для доступа к передовому ИИ уже нужны деньги.

Он описывает два крайних сценария: общедоступный ИИ как дешёвая инфраструктура — или мир Cyberpunk 2077 с концентрацией технологий и власти.

Открытые модели для него — способ приблизить первый сценарий. Лю не рассчитывает, что OpenAI и Anthropic добровольно откроют свои передовые разработки. По его словам, именно поэтому он остаётся в DeepSeek, даже понимая, как быстро меняется ценность его собственных навыков.

🔥 Qwen3.8-27B Uncensored (Cyber/Agentic) теперь доступен в GGUF с калибровкой под реальные агентные задачи

Это не обычная квантизация на случайном английском тексте. Importance Matrix собрана на реальном agentic-coding трафике: tool calls, пути к файлам, shell-команды, JSON, commit hashes и смешанный Chinese/English.

Главное:

- 27B модель в GGUF
- IQ4_XS весит около 15 GiB
- контекст до 262K в протестированной конфигурации
- de-refusal / uncensored версия
- сохранены vision и MTP
- Apache 2.0
- заточена под coding, agents и cybersecurity-сценарии

Авторы отдельно тестировали сохранение точных путей, UUID и commit hashes — критично для агентов, где одна ошибка в символе ломает команду. IQ4_XS при этом оказался всего примерно на 0,42% хуже Q5_K_M по paired perplexity, но заметно компактнее.

Сам GGUF занимает ~15 ГБ, но реальное потребление VRAM зависит от context size, KV cache и offload - полный 262K контекст потребует существенно больше памяти.

https://huggingface.co/cyjin-yl/Qwen3.8-27B-Uncensored-Cyber-agentic-imatrix-GGUF

🦀 NVIDIA официально идёт в native GPU programming на Rust

Теперь CUDA Rust позволяет писать GPU kernels прямо на Rust и компилировать их в PTX - без необходимости держать kernel-код на C++ или другом языке.

NVIDIA развивает сразу два подхода:

SIMT через `cuda-oxide`
- привычная CUDA-модель: один thread → одна операция
- полный контроль над потоками и памятью
- custom rustc backend → MIR → LLVM → PTX
- memory safety проверяется на этапе компиляции

Tile через `cutile-rs`
- работа не с отдельными потоками, а с блоками данных
- компилятор сам решает, как разложить вычисления по GPU
- stable Rust 1.89+
- CUDA 13.3
- уже используется в Hugging Face Grout и mistral.rs


Ownership и типы позволяют ловить часть GPU race conditions и aliasing-ошибок ещё до запуска kernel.

NVIDIA прямо пишет, что в 2026 году начинает всерьёз развивать CUDA Rust и планирует наращивать поддержку в 2027+.

Пока оба проекта ранние и не production-ready, но направление очень показательное:

`Rust → native GPU kernels → PTX → CUDA`

https://developer.nvidia.com/blog/introducing-cuda-rust-two-tracks-for-writing-gpu-kernels/

🦀 GitHub переписал runtime GitHub Copilot на Rust — с помощью самого Copilot

Изначально runtime был написан на TypeScript, работал поверх Node.js и V8.

Теперь это:

- более 800 000 строк production-кода на Rust
- крупная миграция работающей системы, а не экспериментальный прототип
- Copilot использовался прямо в процессе переноса и рефакторинга

Интересный момент: инструмент для генерации кода помог переписать собственную инфраструктуру на язык, ориентированный на производительность, контроль памяти и предсказуемость runtime.

Хороший пример того, куда движется разработка: AI всё чаще используется не только для написания отдельных функций, а для миграции больших production-систем между технологическими стеками.

https://github.blog/ai-and-ml/generative-ai/migrating-the-github-copilot-runtime-to-rust-using-copilot/

🔐 GPT-6 Astra предложила расшифровку немецкой радиограммы 1918 года

Автор эксперимента под ником prinz сообщил, что модель прочитала сообщение из 170 символов, которое, насколько ему известно, ранее оставалось нерасшифрованным.

В исходном вирусном посте перепутали детали: радиограмма датирована 27 ноября 1918 года и использует ADFGVX. Упоминания Enigma и 1941 года ошибочны.

По описанию автора, Astra:

* использовала ключ TRUPPENVERSCHIEBUNG, сохранившийся в исторических материалах;
* восстановила перестановку символов и получила немецкий текст;
* сопоставила содержание с журналами британского флота.

Сообщение рассказывало о прибытии английского крейсера в Севастополь и следующей за ним союзной эскадры. Детали совпали с историческими записями о событиях 24 и 26 ноября.

Ключ уже был в архиве, а отдельные символы расшифровки остаются неоднозначными. Независимого подтверждения, что это первое правильное решение, пока нет.

https://www.prinzai.com/p/gpt-6-astra-solves-a-wwi-german-radio