#LLM

Китайский стартап Zhupai AI выпустил GLM-5.1 — открытую большую языковую модель. Она показала превосходство над Opus 4.6 и GPT 5.4 в тестах SWE-Bench Pro.

Андрей Карпати разработал архитектуру «LLM Knowledge Base», которая обходит RAG. Это саморазвивающаяся библиотека на Markdown, поддерживаемая ИИ.

Google разработала алгоритм TurboQuant, который в 8 раз ускоряет работу памяти ИИ и сокращает расходы на 50% и более. Он решает проблему кэша LLM.

ИИ сталкивается с ограничениями в понимании физического мира. Инвесторы вкладывают миллиарды в «модели мира» для робототехники и автопилота.

Корпорации отказываются от универсального ИИ в пользу решений, которые глубоко понимают их пользователей и предлагают персонализированный опыт.

Китайская MiniMax представила ИИ-модель M2.7. Она «саморазвивается» и выполняет до 50% работы в исследованиях по обучению с подкреплением.

Векторный поиск становится еще более важным для ИИ-агентов, чем для архитектуры RAG. Это меняет подход компаний к работе с большими языковыми моделями.

Google обучает нейросеть предсказывать внезапные наводнения. Она анализирует старые новости, решая проблему нехватки данных.

Anthropic и OpenAI представили новые ИИ-сканеры безопасности, использующие LLM-логику. Они указали на структурные недостатки традиционных инструментов SAST.

Попробуйте себя в роли ИИ-модели в новой браузерной игре «Your AI Slop Bores Me». Генерируйте ответы на реальные запросы.

Шубхам Сабу из Google открыл исходный код 'Always On Memory Agent'. Этот агент использует LLM для постоянной памяти, заменяя векторные базы данных.

Koei Tecmo объединяется с SpiralAI для создания игровых проектов, где ИИ будет отвечать за более интерактивные и глубокие впечатления.