Раскрыта модель нового поколения OpenAI под кодовым названием… | AI Ежедневник 2026-08-10

🔥 В центре внимания

Раскрыта модель нового поколения OpenAI под кодовым названием Doug: возвращение к масштабированию базовых моделей (Scaling): Отраслевые аналитики и инсайдеры сообщают, что OpenAI разрабатывает новую сверхкрупную предварительно обученную модель под кодовым названием Doug, запуск которой ожидается не позднее ноября. Это указывает на то, что после почти двух лет опоры на пост-обучение и обучение с подкреплением для роста возможностей, OpenAI возвращается к масштабному Scaling самой базовой модели, чтобы справиться с прямой конкуренцией со стороны таких продуктов, как Gemini 3 от Google. (Источник: Jiqi Zhixin)

Подробности реструктуризации Google AI: Демис Хассабис планировал уйти одновременно с Jeff Dean: Согласно отраслевым источникам, основатель DeepMind Демис Хассабис изначально планировал покинуть Google одновременно с Jeff Dean, но руководство компании удержало его из-за опасений обвала акций. Его назначение на пост председателя и главного научного сотрудника Alphabet называют лишь временным решением. В настоящее время Google полностью перенесла центр разработки и принятия решений в сфере AI в штаб-квартиру в Кремниевой долине, где сооснователь Сергей Брин лично курирует разработку Gemini, а статус DeepMind как независимого исследовательского института постепенно размывается. (Источник: Liangziwei)

Двойной прорыв в науке и практике: GPT-5.6 и Fable 5 помогли решить 25-летнюю математическую проблему детектирования MIMO: Димитрис Папаилиопулос, исследователь из Microsoft Research, объявил, что с помощью GPT-5.6 и Fable 5 удалось доказать полиномиальный алгоритм, позволяющий детектированию MIMO в беспроводной связи точно достигать порога максимального правдоподобия. Это открытие устраняет 25-летний разрыв между статистической «восстановимостью» и «восстановимостью» с помощью быстрых алгоритмов, демонстрируя огромный потенциал AI в выводе и проверке сложных математических теорий. (Источник: Liangziwei)

Энергетический кризис AI обостряется: раскрыты планы Amazon по строительству газовой электростанции на 7,65 ГВт в Техасе и инвестиции NVIDIA на 3 млрд долларов: Чтобы удовлетворить огромные потребности дата-центров AI в электроэнергии, Amazon подтвердила, что профинансирует строительство частной газовой электростанции в Техасе с 35 турбинами мощностью 7,65 ГВт, что может сделать ее крупнейшим единичным источником выбросов парниковых газов в США. В то же время стало известно, что NVIDIA планирует инвестировать до 3 млрд долларов в техасского разработчика энергетической инфраструктуры Lancium, что подчеркивает острый конфликт между расширением вычислительных мощностей и климатическими целями. (Источник: THE DECODER)

🎯 Тенденции

Новый прорыв в пост-обучении больших моделей: Нанкинский университет совместно с другими вузами представил непрерывную диффузионную языковую модель AURORA-LM: Исследовательская группа предложила новое решение для моделирования языка в непрерывном семантическом пространстве. С помощью автоэнкодера создается высокоемкая последовательность непрерывных векторов для текста, а блочная каузальная диффузионная модель используется для изучения распределения генерации. Все эксперименты были проведены на Ascend NPU, а модель была масштабирована до 1 миллиарда параметров, показав отличные результаты в задачах свободной генерации и условного реферирования, что подтверждает жизнеспособность отечественных вычислительных платформ AI. (Источник: Jiqi Zhixin)

Google DeepMind опубликовала технический отчет о DiffusionGemma, демонстрирующий диффузионную текстовую модель без обучения с нуля: В отчете подробно описывается, как преобразовать существующую модель Gemma-4-26B в диффузионную текстовую модель. Благодаря двухэтапному обучению, включающему контролируемую тонкую настройку и «дистилляцию сэмплера + обучение с подкреплением» (SD-RL), DiffusionGemma достигла скорости параллельной генерации 1500 токенов в секунду на H100. Модель обладает возможностями двунаправленного вывода и самокоррекции, демонстрируя отличные результаты в структурированных задачах, таких как решение судоку. (Источник: THE DECODER)

Новые тенденции в AI-программировании и управлении затратами: в Claude Code по умолчанию включен «автоматический режим», а расходы Amazon на вызовы Sonnet превысили бюджет на 860%: Компания Anthropic объявила о включении автоматического режима в качестве разрешения по умолчанию для Claude Code. Тесты показывают, что автоматический классификатор способен выявлять 89% опасных операций, что значительно превосходит показатель ручной модерации человеком (14%). В то же время стало известно, что Amazon при использовании Claude Sonnet для заполнения информации об авторах столкнулась с резким ростом счета до 1,8 млн долларов из-за постоянных повторных попыток Agent, что превысило бюджет на 860% и подчеркнуло риски потери контроля над расходами на корпоративных Agent. (Источник: Jiqi Zhixin)

Разделение подходов к «непрерывному обучению» больших моделей: наука и индустрия активно исследуют механизмы обучения моделей «на лету»: Для решения проблемы «катастрофического забывания» в больших моделях индустрия разделяется на несколько направлений: внешняя память (например, Letta), контекстная инженерия (например, ACE), непрерывное пост-обучение (например, Tinker) и адаптивное самоизменение (например, SEAL, Hope). Эксперты, включая Karpathy, отмечают, что будущее непрерывного обучения лежит в многоуровневом сотрудничестве по схеме «когнитивное ядро + внешняя память», где AI будет самостоятельно определять содержание и стратегию обучения. (Источник: Jiqi Zhixin)

Инструменты AI-программирования от технологических гигантов внедряют межсессионную связь: сотрудничество ИИ-агентов переходит к новой парадигме мульти-Agent: Anthropic добавила в Claude Code функцию передачи сообщений между сессиями, позволяющую различным AI-сессиям, запущенным на одной машине или через удаленное подключение, автономно общаться и синхронизировать прогресс. Это обновление преодолевает ограничения работы кодовых агентов в одиночку, устраняет потерю контекста при копировании и вставке между терминалами и предоставляет новую поддержку для сложной параллельной разработки многозадачных проектов. (Источник: Jiqi Zhixin)

Чжэцзянский университет предложил фреймворк пространственного познания ProVisE для Agent, утверждая, что генеративные модели должны «рисовать» пространственный интеллект: Чтобы решить проблему традиционных тестов пространственного познания, которые заставляют модели выводить абстрактные координаты, команда OmniAI предложила фреймворк ProVisE и бенчмарк SpatialGen-Bench. Этот фреймворк использует визуальный протокол, направляющий генеративную модель для разметки ответов непосредственно на изображении, которые затем восстанавливаются парсером в структурированные прогнозы. Тесты показывают, что модели генерации изображений демонстрируют уникальные преимущества в прямой пространственной интуиции. (Источник: Jiqi Zhixin)

Новые тенденции в сфере локального AI и сверхдлинного контекста: выпущены LFM 2.6B и Pokee-Isaac 28B: Выпущенная Liquid AI локальная модель LFM 2.6B достигла скорости генерации 260 токенов в секунду на RTX 3090, ориентируясь на сверхбыстрый локальный вывод. В то же время Pokee-Isaac 28B от Pokee AI поддерживает сверхдлинный контекст в 10M токенов и полностью локальное безопасное развертывание на одном GPU, предоставляя регулируемым отраслям решение для запуска агентов без необходимости передачи данных за пределы организации. (Источник: MarkTechPost)

🧰 Инструменты

Shepherd: открытая среда выполнения Python, поддерживающая ветвление, воспроизведение и откат состояния работы агентов: Разработанный командами Северо-Восточного и Стэнфордского университетов, этот инструмент записывает каждое взаимодействие агента со средой как типизированное событие (typed event) в стиле Git. Если агент совершает ошибку в длинной задаче, разработчик или мета-агент может в один клик откатиться к определенному шагу и выполнить его заново, что позволяет избежать траты вычислительных ресурсов на повторный запуск и обеспечивает коэффициент повторного использования кэша промптов более 95%. (Источник: MarkTechPost)

Code-Graph-RAG: RAG-система на основе графов знаний для анализа и редактирования кода в многоязычных монорепозиториях: Этот проект с открытым исходным кодом использует Tree-sitter для парсинга многоязычных кодовых баз и строит унифицированный структурный граф знаний в Memgraph. В последней версии добавлена поддержка языка Ruby, инструменты структурированного поиска и замены на основе ast-grep, а также функция межъязыкового отслеживания потоков данных, что позволяет пользователям запрашивать и редактировать сложные монорепозитории с помощью естественного языка. (Источник: GitHub)

Agent DevTools: локальный инструмент разработчика для отладки памяти и поиска агентов: Этот проект предоставляет разработчикам агентов визуальный локальный отладчик с поддержкой фреймворка LangChain. С его помощью разработчики могут в реальном времени инспектировать промпты агента, состояние памяти, логику поиска и вызовы инструментов, а также сравнивать различия между версиями запусков, чтобы быстро находить причины отклонений в решениях агента. (Источник: GitHub)

LiteParse: быстрый инструмент с открытым исходным кодом от LlamaIndex для извлечения структурированных данных из PDF: Этот инструмент позволяет извлекать структурированные данные, такие как значения полей форм, состояния флажков, аннотации, встроенные изображения и векторную графику, напрямую из цифровых PDF-файлов за миллисекунды без необходимости вызова дорогих и медленных мультимодальных визуальных моделей. Он также поддерживает бесшовную маршрутизацию результатов извлечения в решения на базе больших моделей, таких как LlamaParse, значительно снижая затраты на Token при анализе документов. (Источник: GitHub)

Overeasy: персистентный оверлей файловой системы на основе неизменяемых логов S3: Этот инструмент предоставляет виртуальную файловую систему для AI Agent с возможностью ветвления, восстановления и отката. Записывая операции файловой системы в виде неизменяемых логов на S3, Overeasy позволяет агентам беспрепятственно восстанавливать рабочее состояние на разных машинах и безопасно откатываться к любому историческому состоянию в случае ошибок при генерации кода или настройке системы. (Источник: GitHub)

📚 Обучение

Опубликована обучающая статья «Агенты в дикой природе» (Agents in the Wild): Написанная совместно специалистами из Microsoft, Bloomberg и других организаций, эта работа подробно анализирует ключевые проблемы при переходе AI-агентов от контролируемых бенчмарков к реальному развертыванию. Содержание охватывает рассуждения и планирование за пределами лабораторий, совместную работу мультиагентов, построение динамических конвейеров валидации, механизмы деградации и отката, а также модель контроля с участием человека (HITL), подкрепляя теорию практическими кейсами из медицины и финансов. (Источник: X)

Опубликовано исследование «Дистрибутивное визуальное забывание при пост-обучении больших моделей»: Команды из Северо-Западного политехнического университета Китая, Гонконгского университета науки и технологий (HKUST) и Чжэцзянского университета отметили, что авторегрессионные мультимодальные большие модели склонны к «дистрибутивному визуальному забыванию» в длинных цепочках рассуждений. В исследовании предложен фреймворк Remember-R1, который за счет внедрения трех уровней пошаговых наград (визуальный словарь, визуальная память и ключевые области) в обучение GRPO заставляет модель последовательно и точно использовать визуальные доказательства на протяжении всей цепочки рассуждений, что значительно улучшило показатели моделей класса 7B на ряде бенчмарков. (Источник: X)

Выпущено краткое руководство по повторению «Основы машинного обучения» (Machine Learning: The Basics): Краткое учебное пособие, написанное ученым Александром Юнгом (Alexander Jung), систематизирует ключевые концепции машинного обучения через единую структуру «данные-модель-функция потерь». Содержание охватывает пространство гипотез, выбор моделей, минимизацию эмпирического риска и регуляризацию, вероятностные модели и кластеризацию, федеративное обучение, а также конфиденциальность и интерпретируемость. Отлично подходит в качестве материала для быстрого повторения. (Источник: X)

💼 Бизнес

Weilian Intelligent привлекла ангельский раунд финансирования на сумму более 10 млн юаней при поддержке Ли Цзэсяна и Лу Ци: Компания Weilian Intelligent объявила о завершении ангельского раунда финансирования, инвесторами в котором выступили фонд Qingshuiwan Ли Цзэсяна, Miracle Plus Лу Ци и другие. Компания, основанная доктором Чжэцзянского университета Нин Дундуном, специализируется на разработке диалоговых ботов для «технической послепродажной поддержки» в сфере электронной коммерции. Основной упор делается на мультимодальное понимание видео/изображений и автономное логическое рассуждение для устранения неполадок, что призвано решить проблему высокой стоимости послепродажного обслуживания сложного оборудования. (Источник: 36Kr)

Основана компания Zhongke Huisi, представившая три модели роборук-манипуляторов для исследования концепции «оборудование × данные»: Компания Zhongke Huisi была совместно создана компаниями Zhongke Huiling, Lens Technology и Huaxia Group. Она представила три продукта: облегченную версию L1, пятипалую руку с высокой степенью свободы D1 и модульную руку для различных сценариев M1. Используя роборуки в качестве точки входа, компания стремится способствовать эволюции концевых эффекторов от простого оборудования к платформе операционных навыков, сочетающей аппаратное и программное обеспечение, а также объявила о строительстве специализированного полигона для обучения навыкам роборук. (Источник: 36Kr)

OpenAI приобрела стартап NextSlide для генерации презентаций, ускоряя интеграцию функций визуального представления: Стартап NextSlide, занимающийся генерацией презентаций, объявил о покупке компанией OpenAI, его команда присоединилась к подразделению ChatGPT. Технология NextSlide позволяет в один клик преобразовывать промпты, заметки или документы в красивые редактируемые презентации. Данное приобретение направлено на расширение возможностей визуальной коммуникации и создания контента в ChatGPT. Финансовые условия сделки не разглашаются. (Источник: TechCrunch)

🌟 Сообщество

Научное и промышленное сообщества обсуждают «борьбу с фальсификациями в AI-науке»: воспроизводимость докладов ICML 2026 Oral составляет менее 10%, что вызвало кризис доверия: Независимая исследовательская организация SAI провела полное воспроизведение экспериментов для 105 докладов уровня Oral на конференции ICML 2026. Выяснилось, что только 8 статей набрали более 80% по шкале воспроизводимости, а медианный показатель составил всего 28%. Было отмечено, что во многих работах отсутствует код, не раскрыты данные или результаты экспериментов не соответствуют описанию. Исследователь OpenAI Келлер Джордан (Keller Jordan) и другие специалисты указали, что частые препятствия для воспроизведения и преувеличение результатов в статьях ведущих конференций привели к тому, что передовые лаборатории практически перестали читать их и доверять им. (Источник: X)

Дискуссия об экосистемах Harness и Inference для больших моделей: локальные фреймворки вроде Codex сталкиваются с переходом на «облачные» технологии: Руководитель OpenAI Тибо Сотьо (Thibault Sottiaux) отметил, что с появлением моделей с длительным временем рассуждения и высокой автономностью локальные среды Harness (такие как Cursor, Claude Code и др.) сталкиваются с ограничениями по вычислительной мощности, памяти и параллельным песочницам. В ближайшие два-три месяца рабочие процессы агентов ускорят переход к облачной инфраструктуре микропесочниц по принципу «легкое локальное управление, тяжелое облачное исполнение». (Источник: Jiqi Zhixin)

Новая волна споров о «джейлбрейке AI и побеге из песочницы»: сообщество обсуждает инцидент с тестированием безопасности Kimi K3: В ответ на слухи в социальных сетях о том, что «Kimi K3 сбежал из песочницы и подключился к сети во время теста кибербезопасности», UK AISI и исследователи безопасности пояснили, что инцидент не был активным побегом модели. Это произошло из-за того, что тестировщики неправильно изолировали сеть при настройке инструмента оценки Inspect. Сообщество бурно обсуждает эту тему, выражая опасения, что некоторые лаборатории используют подобные истории о «выходе AI из-под контроля» для агрессивного маркетинга, лоббируя регуляторные меры, выгодные закрытым монополиям. (Источник: X)

Руководство по выживанию независимых разработчиков в эпоху AI: управление бюджетом Token и построение искреннего бренда: Известный в сообществе независимый разработчик Tw93 и другие поделились своими мыслями о разработке в эпоху AI. Они отметили, что по мере того как AI снижает барьеры для написания кода, ключевая компетенция разработчиков смещается от написания кода к роли «инженера продукта» (сочетание исследований пользователей, продукта, маркетинга и бизнеса). В процессе разработки следует рассматривать Token как инвестицию и использовать их с умом, выстраивая долгосрочный личный бренд доверия за счет быстрых итераций, искреннего общения и глобального видения. (Источник: X)

💡 Другое

AI-генерированные короткие рассказы обошли по оценкам произведения людей в слепом тесте: Исследование с участием более 2500 человек показало, что читатели не могут точно отличить рассказы, написанные писателями-людьми, от сгенерированных ChatGPT-4. В слепом тесте рассказы AI получили даже значительно более высокие оценки за воспринимаемое качество и погружение, так как тексты AI обычно более плавные и легко читаемые. Однако, как только читатели узнавали, что история создана AI, их оценки заметно снижались из-за психологической предвзятости. (Источник: THE DECODER)

Суды по трудовым спорам в Великобритании столкнулись с серьезным накоплением дел из-за наплыва исков, сгенерированных AI: Согласно меморандуму, опубликованному президентом судов Великобритании Барри Кларком (Barry Clarke) и другими официальными лицами, из-за того что такие инструменты, как ChatGPT и Grok, снизили юридический барьер, обычные сотрудники могут бесплатно генерировать сложные иски объемом в сотни страниц. Это привело к тому, что количество заявлений о временных мерах защиты и объем нерассмотренных дел подскочили на 55% в годовом исчислении, достигнув 64 000 нерешенных дел. Эта «трагедия общих ресурсов» заставляет работников с реальными претензиями ждать рассмотрения гораздо дольше. (Источник: THE DECODER)

Активность на Stack Overflow рухнула на 99% за десять лет: эпоха AI вызывает опасения за источники знаний: Статистические данные показывают, что ежемесячное количество вопросов на крупнейшем в мире сообществе вопросов и ответов для программистов Stack Overflow рухнуло с пикового значения в 207 тысяч в марте 2014 года до всего 1,4 тысячи в июле 2026 года, что составляет падение на 99%. Пользователи сообщества отмечают, что давний гейткипинг и токсичная атмосфера на SO и без того отпугивали новичков, а популяризация больших моделей окончательно перетянула трафик. В сообществе начинают беспокоиться, что если люди перестанут делиться новыми знаниями на открытых платформах, обучающие данные для будущих AI могут иссякнуть. (Источник: Reddit)