OpenAI массово закупает Mac mini и Mac Studio для обучения AI-агентов.

По данным The Information, компания уже приобрела десятки тысяч компьютеров Apple и пытается купить ещё.

Их используют для reinforcement learning моделей, которые учатся работать с компьютером: управлять интерфейсом, приложениями и выполнять действия как обычный пользователь.

Похоже, этот спрос уже заметен и в отчётности Apple.

Выручка Mac в июньском квартале достигла $10,3 млрд - рост на 29% год к году. Это быстрее, чем у любой другой категории Apple, по которой компания раскрыла динамику.

Mac всё заметнее превращается из обычного пользовательского компьютера в инфраструктуру для AI-разработки.

https://www.theinformation.com/articles/apple-stumbled-ai-hardware-success-mac

🔥 Deep Agents from Scratch 0 курс по созданию продвинутых AI-агентов с нуля

LangChain собрала 5 ноутбуков на LangGraph, где агент постепенно усложняется: от обычного ReAct-цикла до полноценного research-agent.

Что разбирают:

- базовый ReAct: reasoning + action
- планирование через TODO и статусы задач
- вынос контекста в виртуальную файловую систему
- чтение, запись и редактирование файлов
- делегирование задач sub-agents
- параллельная работа специализированных агентов

Хороший вариант для тех, кто хочет понять не только как вызвать готового агента, а как он реально устроен внутри.

MIT License.

https://github.com/langchain-ai/deep-agents-from-scratch

От идеи до продакшна < 3 месяцев, менять государственные и бизнес процессы — ты готов ? 🚀

Прямо сейчас Сбер ищет NLP-специалиста в команду, которая внедряет передовые harness в масштабные процессы, создаёт мультиагентные сценарии, RAG для миллионов документов, OSINT/deep‑research.

Ты будешь работать с передовым LLM‑стеком: LangChain и LangGraph, vLLM и PEFT/LoRA, полным RAG‑стеком, Vector DB (Qdrant, Weaviate) и инфраструктурой на FastAPI, Pydantic и asyncio.

Попасть в команду можно за 1 день — если пройдёшь все этапы отбора на One Day Offer, который состоится уже 5 сентября.

Регистрируйся по ссылке — количество слотов стремительно уменьшается! 💚

Дообучить 8B-модель теперь можно локально даже на ноутбучной GPU с 4 ГБ VRAM.

Soup держит замороженные веса модели в оперативной памяти и по очереди загружает на GPU только один слой декодера.

За счёт этого пиковое потребление видеопамяти остаётся ниже 4 ГБ.

Заявленные результаты на RTX 3050:

- 3,32 ГБ VRAM в пике
- до 119,6 токена/с
- результат побитово совпадает с обычным запуском
- вся настройка через один YAML-файл

Идея простая: вместо попытки целиком уместить 8B-модель в видеопамять слои последовательно передаются между RAM и GPU.

https://github.com/MakazhanAlpamys/Soup

Ant Group открыла финансовую модель Ling-3.0-flash-Fin и новый бенчмарк FinFIRST

Ling-3.0-flash-Fin - это специализированная модель для реальных финансовых задач, а FinFIRST - бенчмарк, который проверяет не только финальный ответ, но и весь процесс исследования.

Что умеет модель:

- искать и проверять источники;
- анализировать отчётность;
- строить оценки и valuation-модели;
- обновлять сложные таблицы;
- готовить редактируемые финансовые отчёты;
- работать в приватных развёртываниях.

По архитектуре это 124B MoE, но на каждый токен активируется только 5.1B параметров. Контекст - около 256K.

После финансового дообучения её результат в AA Intelligence Index вырос с 38 до 41.

На FinFIRST модель набрала 82.45% по проверке источников, что выделяет её среди протестированных открытых моделей.

Сам FinFIRST включает 123 задачи, написанные экспертами, и оценивает их по 701 атомарному критерию: проверяются источники, определения, ход анализа и корректность вывода, а не только конечный ответ.

Модель:
https://modelscope.ai/models/inclusionAI/Ling-3.0-flash-Fin

Бенчмарк:
https://modelscope.ai/datasets/inclusionAI/FinFIRST

LFM2.5-2.6B - компактная reasoning-модель всего на 2,6 млрд параметров, которую можно запускать даже на телефоне.

При этом её специально обучали под агентные задачи:

- планирование
- вызов инструментов
- многошаговые сценарии
- работа внутри агентных фреймворков

На этапе дообучения использовали agentic reinforcement learning прямо внутри реальных агентных окружений, включая OpenClaw и Hermes Agent.

Если уже пользуешься OpenRouter, попробовать модель можно буквально заменой имени:

liquid/lfm-2.5-2.6b:free

То есть полноценную небольшую agentic-модель можно протестировать бесплатно и без тяжёлого локального железа.

https://openrouter.ai/liquid/lfm-2.5-2.6b:free