Нейросети | Вайбкодинг | GenAI

OpenAI показала 10 математических открытий, сделанных новой моделью Astra

Внутренняя версия следующей крупной модели OpenAI решила (https://openai.com/index/ten-advances-in-mathematics/) или существенно продвинула сразу 10 сложных задач, над которыми математики работали годами.

Среди результатов есть доказательство существования не-софических групп, опровержение гипотезы Конна, новые границы для упаковки сфер и кодов, а также решение трёх задач Эрдёша.

Модель также получила новые результаты в квантовой теории сложности, криптографии на решётках, геометрии и теории графов.

Самое интересное в стоимости. По оценке OpenAI, все вычисления для поиска десяти решений обошлись бы примерно в 2000 долларов по тарифам Sol API.

После генерации люди подготовили результаты к публикации вместе с моделью. Затем Astra формализовала каждое доказательство в Lean, чтобы его можно было проверить программно.

OpenAI отдельно подчёркивает, что математические идеи сгенерировала именно система. Люди занимались подготовкой рукописей, формализацией и проверкой корректности.

‍Вежливость к ChatGPT тоже потребляет электричество

ООН посчитала, сколько энергии уходит на наши «пожалуйста» и «спасибо» в запросах к ИИ. Оказалось, цифровой этикет тоже не бесплатный — особенно когда им пользуются миллионы людей.

По оценке исследователей, если убрать из промптов лишние вежливые слова, энергозатраты можно сократить примерно на 25%. Потенциальная экономия — до 98 ГВт⋅ч в год. Этого хватило бы на бытовые нужды примерно 760 тысяч человек.

Причина довольно прозаичная: модели обрабатывают текст токенами, а каждый дополнительный токен — это вычисления. Даже если токен выглядит как безобидное «спасибо».

Есть и более тяжёлые сценарии:
— генерация одного изображения требует примерно в 60 раз больше энергии, чем текстовый запрос
— сложное ИИ-видео может быть тяжелее уже примерно в 8000 раз

Учёные не предлагают срочно хамить нейросетям и писать «сделай, железка». Смысл скорее в осознанном использовании: меньше пустых диалогов, меньше лишних перегенераций и меньше запросов «просто посмотреть, что будет».

Claude Cowork теперь работает в вебе и на смартфонах

Можно начать сессию на компьютере и продолжить на смартфоне.

Доступ начнут раскатывать с подписчиков Max.

https://claude.com/blog/cowork-web-mobile

Цукерберг включается в игру: MetaAI выпустила Muse Image

Muse Image это первая модель генерации картинок от собственной лаборатории MSL. Модель работает как агент, а не просто рисует по описанию.

Перед генерацией она разбирает запрос, ищет в интернете нужный контекст и строит план того, что должно получиться. За счёт этого пользователь чаще получает именно то, что имел в виду, с первой попытки.

Внутри модель правит свой же результат прямо внутри рассуждения и это поведение появилось само во время обучения через RL, разработчики его не закладывали.

Композиция по нескольким референсам, когда много исходных картинок сливаются в одну цельную генерацию. И многошаговое редактирование, когда можно дорабатывать изображение итерациями без потери стиля и без старта с нуля.

Muse Image сделали персональной. Можно подгружать свои фото, отмечать друзей через собачку, вытягивать образы из того, что сейчас в трендах. Готовый результат отправляется в сторис, ленту или групповой чат в пару тапов.

Ещё показали превью Muse Video. Модель конкурентоспособна по точности следования промпту, визуальному качеству и стабильности между кадрами. Скоро появится в Meta AI.

‍Tencent открыла Hunyuan 3 — флагманскую MoE-модель под агентов и код

Tencent выложила в open source Hunyuan 3 — новую версию своей флагманской языковой модели. Веса уже лежат на Hugging Face, код для инференса — на GitHub, лицензия Apache-2.0, то есть модель можно свободно скачивать и использовать.

Hy3 построена как MoE-модель с быстрым и медленным режимами мышления: всего 295 млрд параметров, активных — 21 млрд, контекст — 256K токенов. Апрельская версия была превью, теперь это официальный релиз с акцентом на кодинг, поиск и агентные задачи.

Главная ставка — эффективность. Tencent утверждает, что при 295B параметров Hy3 конкурирует с открытыми флагманами, которые крупнее в 2–5 раз.
Сильнее всего модель выглядит в агентных и поисковых сценариях:
— ClawEval: 68.5 — выше GPT-5.5 и Qwen-3.7 Max
— BrowseComp: 84.2 — почти на уровне GPT-5.5

В классических кодинг-бенчмарках Hy3 пока не лидер. По замерам Tencent, впереди остаются Claude Opus 4.8 и среди open-source — GLM-5.2:
— SWE-bench Verified: Hy3 — 78.0, GLM-5.2 — 84.2, Claude Opus 4.8 — 88.6
— SWE-bench Pro: Hy3 — 57.9, GLM-5.2 — 62.1, Claude Opus 4.8 — 69.2
— SWE-bench Multilingual: Hy3 — 75.8, GLM-5.2 — 83.0, Claude Opus 4.8 — 84.4
— Terminal-Bench 2.1: Hy3 — 71.7, GLM-5.2 — 81.0, Claude Opus 4.8 — 85.0

Модель уже работает внутри продуктов Tencent, а API доступно через Tencent Cloud TokenHub. Линейку ведёт Яо Шуньюй — бывший ведущий исследователь агентов в OpenAI.

Hugging Face (https://huggingface.co/tencent/Hy3)
GitHub (https://github.com/Tencent-Hunyuan/Hy3)