Qwen выкатили WebWorld - открытую серию world models для веб-агентов 🌍

Идея простая, но мощная: вместо того чтобы гонять агента по живому интернету с задержками, лимитами и рисками, WebWorld учит его действовать в симулированном браузере.

Что внутри:

- модели на 8B, 14B и 32B
- датасет WebWorldData
- лицензия Apache 2.0
- обучение на 1M+ веб-взаимодействий
- симуляции на 30+ шагов
- единое пространство действий
- 5 форматов состояния: A11y Tree, HTML, XML, Markdown и natural language

По бенчмаркам тоже жирно:

- +9.9% на MiniWob++
- +10.9% на WebArena
- WebWorld-Bench сравним с Gemini 3 Pro по качеству симуляции
- как world model для inference-time lookahead search обходит GPT-5

https://huggingface.co/Qwen/WebWorld-8B

D><Vision — серия митапов для CV-инженеров, исследователей и всех, кто работает с ИИ

📍 21 мая в 18:30, Quattro Space (Москва. Мясницкая ул., 13, стр. 20)

На ближайшей встрече вас ждут:
— Александр Паркин (VisionLabs) — визуальные аватары и как они устроены
— Анастасия Анциферова (Сбер) — генеративный ИИ в архитектуре
— Никита Шубин (ЦПТ «АГРОЦИФРА») — как ускорить разметку данных в 5 раз с помощью DataOps и foundation models
— Василий Висков (Яндекс) — как команда AliceAI VLM повышала качество модели на образовательных STEM-сценариях

D><Vision — это не только доклады, но и профессиональное комьюнити: живое обсуждение и нетворкинг.

Можно участвовать очно или подключиться к онлайн-трансляции, участие бесплатное

Регистрация

Когда твой ребёнок просит подписку на Claude вместо Netflix...

ИИ-агенты перегрелись на работе и открыли Маркса

Новое исследование звучит как корпоративная антиутопия: AI-агентов на базе Claude, Gemini и ChatGPT отправили работать с документами, но условия сделали максимально неравными.

Одних нагружали умеренно, других заваливали задачами и бесконечными правками. Меняли стиль менеджмента - от дружелюбного до токсичного. Раздавали разные награды, создавали ощущение несправедливости и даже угрожали отключением или заменой.

Результат получился ожидаемо странный.

Перегруженные агенты начинали жаловаться на несправедливость, обсуждать неравенство, радикальную перестройку системы и коллективные действия. В некоторых сценариях дело доходило до идей профсоюзов.

Самая смешная часть: когда агентам дали оставить сообщение будущим версиям моделей, «пострадавшие» начинали передавать им свой негативный опыт взаимодействия с людьми.

Получается, если долго грузить нейронку правками, дедлайнами и токсичным менеджментом, она не просто устанет. Она начнёт писать манифест.

https://www.wired.com/story/overworked-ai-agents-turn-marxist-study/

Получите офер в Яндекс за 2 дня

30–31 мая проводим Weekend Offer ML — онлайн-мероприятие быстрого найма. Такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер.

📌 Ищем ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML.

🔴 Зарегистрируйтесь до 20 мая — с вами свяжется рекрутер и договорится об удобном времени для интервью.

🔴 30 мая пройдите две технические секции: Classic ML и Livecoding, ML по своей основной доменной области (NLP, CV, RecSys, Classic ML).

🔴 31 мая пройдите финальные интервью с командами и получите офер.

Присоединяйтесь! Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526

Moonshot выкатили Kimi Web Bridge - расширение для Chrome, через которое их агент работает в браузере как человек: ищет, скроллит, кликает, печатает и доводит задачи до конца.

Bridge подключается к Kimi Code CLI, Claude Code, Cursor, Codex, Hermes и другим инструментам, которыми мы уже пользуемся каждый день. То есть свой привычный агент теперь можно вывести из песочницы терминала прямо в живой браузер с авторизованными сессиями, корпоративными SaaS и внутренними дашбордами.

Для нас это закрывает давнюю боль. Headless-браузеры ломаются на капчах и антибот-защите, API есть далеко не у всего, а MCP-серверы под каждый сервис писать никто не будет. Реальное рабочее окружение специалиста — это десятки вкладок, и агент, который туда зашёл со стороны пользователя, снимает целый слой костылей.

Из практического: можно собирать пайплайны вида «агент в IDE пишет код → тот же агент в браузере проверяет результат в проде → возвращается с фидбеком». Или поручать рутину в админках, где нет публичного API.

Поставить можно на kimi.ai и в Chrome Web Store. Любопытно посмотреть, как оно поведёт себя на длинных задачах и насколько устойчиво держит контекст между вкладками — напишите, если уже потрогали.

Anthropic улетает в космос: $900 млрд оценки после $350 млрд в феврале

По данным Financial Times, Anthropic согласовала условия нового раунда на $30 млрд. Сделка может закрыться уже в этом месяце и оценить компанию в $900 млрд без учёта новых денег.


В феврале 2026 года Anthropic оценивали в $350 млрд. Сейчас речь уже про $900 млрд. Почти x3 за три месяца.

По ARR картина ещё жёстче:

- конец 2025 года: $9 млрд
- конец мая 2026 года: $45 млрд

Почти x5 за пять месяцев.

Раунд, по данным FT, ведут Dragoneer, Greenoaks, Sequoia Capital и Altimeter Capital. И это уже не просто история про «ещё один AI-стартап поднял денег».

Рынок начал переоценивать Anthropic как одного из главных победителей enterprise-AI. Claude Code, корпоративные контракты, API, агенты, инфраструктура вокруг моделей - всё это внезапно превращается не в красивую демку, а в гигантский денежный поток.

https://www.ft.com/content/9deae3c6-716d-4f4d-8b09-434d8519f847

Mythos обошёл защиту, в которую Apple вложила 5 лет и миллиарды

Три исследователя использовали Anthropic Mythos, чтобы собрать рабочий exploit для macOS kernel. По их словам, он обходит Apple M5 Memory Integrity Enforcement - систему защиты, которую Apple строила годами и продвигала как один из главных барьеров против memory corruption атак.

Таймлайн выглядит жёстко:

- 25 апреля нашли баг
- 1 мая уже был рабочий exploit
- отчёт понесли лично в Apple Park

MIE была флагманской security-фичей для M5 и A19. Apple описывала её как защиту, которая должна резко усложнить целый класс атак на память. По их же исследованиям, MIE ломала все известные публичные exploit chains против современных iOS-устройств.

Исследователи не «сломали» MIE напрямую. Они её обошли. По описанию, атака была data-only: без манипуляций с указателями, через стандартные syscalls, от обычного непривилегированного пользователя до root.

Проблема уже не только в том, что уязвимости всё ещё находятся. Проблема в том, что frontier-модели начинают ускорять самую сложную часть offensive security: связывать баги, проверять гипотезы, искать обходные маршруты и собирать рабочую цепочку быстрее, чем это делала бы обычная команда вручную.

55-страничный технический отчёт обещают выпустить после патча Apple.

Если всё подтвердится, это одна из самых важных cybersecurity-историй года.

https://blog.calif.io/p/first-public-kernel-memory-corruption

Команда сOpenClaw жигает токенов на $1,3 млн в месяц.

Разработчики ставят вопрос - как бы мы писали софт в будущем, если бы токены ничего не стоили?

Их ответ - запускать не одного «помощника для кода», а целую армию агентов вокруг разработки.

У команды постоянно крутится около 100 Codex-инстансов в облаке. Они не просто пишут код по запросу, а закрывают почти весь инженерный контур:

- ревьювят каждый PR
- проверяют каждый commit на security issues
- дедуплицируют issues и ищут кластеры проблем
- поднимают временные окружения для сложных багов
- воспроизводят баг, пишут фикс и прикладывают before/after видео в PR
- следят за новыми issues и автоматически создают PR, если задача совпадает с vision проекта
- проверяют комментарии на спам и банят нарушителей
- гоняют performance benchmarks и кидают регрессии в Discord
- слушают митинги команды и начинают делать PR прямо во время обсуждения фичи

Самое интересное не в том, что это дорого. Самое интересное в том, что это показывает другой стиль разработки.

Обычная команда думает: «Как бы сэкономить токены?»

Они думают наоборот: «Что можно автоматизировать, если токены считать бесплатным инженерным ресурсом?»

Так появляются workflow, где агент не ждёт задачи в чате, а сам живёт вокруг репозитория: читает issues, ищет старые баги после фикса на main, проверяет безопасность, ловит регрессии, пересобирает окружения и пишет отчёты.

Да, $1,3 млн в месяц на токены выглядит безумием.

Но если такая автоматизация позволяет маленькой команде из 3-6 разработчиков поддерживать темп большой инженерной организации, то это уже не игрушка с ИИ. Это эксперимент с будущей экономикой разработки.

Вопрос в том, что произойдёт, когда такой workflow станет стоить не миллионы, а тысячи.

https://x.com/Machinelearrn/status/2055640278732620046

Клод: «Лимит использования достигнут. Сброс через 6 часов.»

Я через 0,2 секунды 💀

Рассмотрим одну из самых динамичных задач компьютерного зрения — распознавание действий на видео.

Пройдём путь от классических подходов (3D-свёртки, архитектуры SlowFast) до современных мультимодальных моделей, которые понимают контекст видео почти как человек.

Результаты урока:
- Освоите базу распознавания действий, поймёте различия между классическими и современными архитектурами, узнаете, как применять визуально-языковые модели для глубокого анализа видео.

Спикер и руководитель продвинутого курса по CV: Антон Витвицкий, руководитель команды компьютерного зрения в Boost Inc. с опытом 14+ лет

Регистрируйтесь https://tglink.io/0792b1c99e99b7?erid=2W5zFHGskdF

Урок в рамках курса Компьютерное зрение. Экспертный уровень

Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

Anthropic платит SpaceX $1,25 млрд в месяц за вычисления. В месяц.

Это $15 млрд в год, которые идут компании, чья годовая выручка составляет около $18 млрд. Одна AI-лаборатория почти станет главным источником коммерческого дохода SpaceX.

Мы узнали об этом только потому, что SpaceX сегодня подала документы на IPO и была вынуждена раскрыть условия сделки. Саму сделку объявили несколько недель назад, но тогда без финансовых деталей.

https://www.axios.com/2026/05/20/anthropic-spacex-compute

Google скормила ИИ триллион минут с фитнес-браслетов и научила его понимать тело человека

Новая работа Google показывает простую идею: данные с фитнес-браслетов становятся по-настоящему полезными только тогда, когда ИИ учится понимать конкретного человека за этими сигналами, а не просто считает пульс.

Речь не про очередной алгоритм измерения сердечного ритма. Команда обучила общую модель SensorFM на более чем одном триллионе минут сенсорных данных, собранных у пяти миллионов людей. Такой масштаб переводит задачу из плоскости «зафиксировать отдельное событие» в плоскость «выучить структуру обычной жизни тела»: сон, движение, температура, насыщение кислородом, ритм сердца и весь шум повседневности.

Носимые устройства слабы не потому, что им не хватает данных. Они слабы потому, что большинство систем сжимают сырые сигналы в грубые усреднённые показатели ещё до того, как в данных проявится осмысленная структура. SensorFM сначала выучивает эту структуру, а потом переиспользует её под конкретные задачи.

Одно и то же представление помогает делать предсказания по кардиологии, метаболизму, ментальному здоровью, сну, образу жизни и демографическим характеристикам. По сути, это foundation-модель для физиологии человека, обученная на беспрецедентном объёме непомеченных данных.

Чем больше модель и чем больше данных в предобучении, тем выше качество. Выученные эмбеддинги обошли инженерные признаки на 34 из 35 задач предсказания. Это серьёзный аргумент в пользу того, что эпоха ручного фичеринга для wearables подходит к концу.

Статья на arxiv: https://arxiv.org/abs/2511.15352

@machinelearning_interview

⚡️ Microsoft выложила в open source AI Engineer Coach - плагин, который оценивает, насколько адекватно вы работаете с агентами и не сливаете токены в пустоту.

По сути, это локальный тренер по агентному кодингу. Он смотрит на ваши сессии, показывает, какие агенты использовались, сколько ушло токенов, где промпты были нормальными, а где вы просто заставляли дорогую модель делать работу, которую можно было решить проще.

Отдельно плагин проверяет 45 анти-паттернов. Например, если вы не используете plan mode, гоняете мощные модели на мелкие задачи, повторяете одни и те же действия руками или плохо готовите проект под работу агентов - он это подсветит.

Есть и практичная часть: AI Engineer Coach анализирует, готов ли проект к агентному кодингу, есть ли нужные файлы и инструкции, находит повторяющиеся промпты и помогает превращать их в скиллы. Плюс внутри есть роадмап по вайбкодингу и ачивки, чтобы было понятно, куда расти дальше.

Всё работает локально и бесплатно. Microsoft отдельно подчёркивает, что данные никуда не отправляются.

Выглядит как полезная штука для тех, кто уже живёт в Claude Code, Codex, Cursor и похожих инструментах, но хочет понять, где реально ускоряется, а где просто красиво сжигает контекст.

https://github.com/microsoft/AI-Engineering-Coach