Synaptic Garden

Liquid AI совместно с аналитической платформой Artificial Analysis представила Pipette — открытую систему для бенчмаркинга LLM непосредственно на пользовательских и периферийных устройствах. Главная идея проекта заключается в том, что реальная производительность локального ИИ определяется не моделью самой по себе, а всей системой в сборе, включая конкретное железо, среду выполнения, тип квантования и доступную память.

​В рамках релиза представлена публичная база данных, содержащая результаты тестирования более тысячи конфигураций. Датасет охватывает свыше тридцати популярных моделей в разных форматах квантования, сборки llama.cpp под macOS, Windows, iOS и Android, а также длины контекста от 256 до 8192 токенов на актуальных потребительских чипах. Вся инфраструктура платформы, включая клиенты для мобильных и настольных систем, модули управления и оценки качества, опубликована с открытым исходным кодом под лицензией Apache 2.0.

NVIDIA AVO прошёл публичный ARC-AGI-3 на 100% — и показал, насколько важен агентный харнесс

NVIDIA протестировала свой агентный фреймворк AVO на ARC-AGI-3 и получила максимальный результат на публичном наборе: агент прошёл все 183 уровня в 25 игровых средах и набрал 100,00 по метрике RHAE. Она учитывает не только успешность прохождения, но и эффективность действий относительно человека, впервые столкнувшегося с задачей. Всего AVO потребовалось 6 624 действия — примерно на 12% меньше, чем системе VISTA с той же Claude Opus 5, которой понадобилось 7 542.

ARC-AGI-3 заметно отличается от предыдущих версий бенчмарка. Вместо статических головоломок агент попадает в неизвестные интерактивные среды без описания правил и даже без явно сформулированной цели. Ему приходится экспериментировать, по результатам действий восстанавливать устройство мира, понимать, чего вообще требуется добиться, а затем планировать прохождение на десятки и сотни шагов вперёд. Именно поэтому ARC Prize позиционирует его как тест прежде всего для автономных агентов, а не изолированных языковых моделей.

AVO — Agentic Variation Operators — изначально создавался NVIDIA совсем для другой задачи: автономной оптимизации GPU-ядер. В отличие от обычного подхода, где LLM лишь генерирует очередной вариант решения внутри заранее заданного алгоритма поиска, в AVO модель сама решает, что исследовать, что изменить, какой эксперимент провести и как интерпретировать его результат. Состояние сохраняется между длинными циклами работы, а отдельный агент-наблюдатель отслеживает застой и может направить поиск в другую сторону. По сути, модель здесь выступает не отдельным генератором кода, а ядром длительного цикла «гипотеза → действие → проверка → корректировка».

На ARC-AGI-3 NVIDIA практически не меняла эту архитектуру, заменив лишь интерфейс к среде. Claude Opus 5 получала состояние игры не картинкой, а точной текстовой сеткой 64×64 и список доступных действий без объяснения их смысла. При этом команда сознательно не добавляла специализированную для ARC программную модель мира: задача состояла как раз в том, чтобы проверить переносимость универсального агентного цикла.

Именно переносимость NVIDIA считает главным результатом. Ранее AVO непрерывно работал семь дней над оптимизацией attention-ядер, исследовал более 500 направлений и сохранил 40 версий реализации. На DGX B200 лучшие варианты оказались до 3,5% быстрее cuDNN и до 10,5% быстрее FlashAttention-4, после чего агент примерно за полчаса самостоятельно адаптировал найденные решения под grouped-query attention. Теперь практически та же система смогла работать уже с совершенно другой задачей — неизвестными интерактивными мирами.

В NVIDIA отдельно подчёркивают, что результат нельзя трактовать как «AVO повысил Claude Opus 5 с 30% до 100%». ARC Prize действительно показывает для Claude Opus 5 около 30% в другой конфигурации, но отличаются режим рассуждений, харнесс и процедура оценки, поэтому это не контролируемое сравнение. Скорее эксперимент показывает более общий тезис: способности автономного агента определяются не только базовой моделью, но и системой вокруг неё — памятью, инструментами, управлением контекстом, обратной связью и механизмами выхода из тупиков.

Есть и важная оговорка: речь идёт именно о публичном наборе ARC-AGI-3, а не о скрытом наборе конкурсной оценки. NVIDIA прямо это отмечает. Более того, 100% на публичной версии уже получала система Tycho в июле, поэтому результат AVO — не первое «решение ARC-AGI-3» вообще. ARC Prize также предупреждает, что результаты для публичного ARC-AGI-3 в Community Leaderboard обычно заявляются самими авторами и не проходят независимую проверку фонда.

Если свести работу к одной мысли, то AVO хорошо иллюстрирует нынешний сдвиг в агентных системах: длинный горизонт работы всё меньше выглядит свойством одной LLM и всё больше — свойством архитектуры, которая умеет накапливать опыт и превращать последовательные вызовы модели в единый непрерывный процесс решения задачи.

DeepSeek добавила зрение в V4-Flash: экспериментальная мультимодальная модель уже в API

DeepSeek открыла доступ к новой мультимодальной модели понимания изображений DeepSeek-V4-Flash-Vision-Exp на своей API-платформе — модель помечена как экспериментальная и вызывается указанием model='deepseek-v4-flash-vision-exp'. Суффикс Exp здесь работает ровно так же, как в своё время у V3.2-Exp: это выкатка на публику того, что компания пока не считает финальным продуктом.

Событие само по себе заметное, потому что до этого дня вся линейка V4 была строго текстовой. И V4-Pro, и V4-Flash в официальной документации описывались через набор чисто языковых возможностей — режимы размышления, JSON-вывод, вызов инструментов, FIM-дополнение, — а разработчикам, которым нужны были скриншоты или сканы документов, приходилось строить обходные пайплайны: прогонять картинку через стороннюю vision-модель и передавать в DeepSeek уже текстовое описание. Теперь этот костыль убирается.

Компания SenseTime представила SenseNova U1.5 Lite — компактную мультимодальную модель с открытым исходным кодом, которая объединяет в единой архитектуре визуальное понимание, генерацию и точечное редактирование изображений. В отличие от классических связок из нескольких раздельных нейросетей, модель использует нативный унифицированный подход, что минимизирует задержки при обработке запросов и упрощает интеграцию в прикладные системы.

Главный акцент в релизе сделан на оптимизации ресурсов, повышенной управляемости и четкости результатов. Архитектурные доработки позволяют модели точно следовать сложным инструкциям по локальному изменению объектов, сохраняя исходную композицию и мелкие текстуры без типичных артефактов склейки. Параллельно с генерацией модель способна детально анализировать визуальные сцены, распознавать текст и решать задачи визуального рассуждения.

Сниженные требования к вычислительным мощностям в сочетании с открытым исходным кодом делают SenseNova U1.5 Lite практичным инструментом для локального развертывания и экономичной интеграции в коммерческие продукты, позволяя закрывать полный цикл работы с визуальным контентом на доступном оборудовании.