🚨Новости: Mistral только что массово удалил три своих модели они объединили magistral (рассуждение), pixtral (мультимодальная) и devstral (кодирование) в одну единую модель mistral small 4 и время здесь интересно они также только что объявили о стратегическом партнерстве с NVIDIA для совместной разработки открытых моделей frontier так что же на самом деле представляет собой small 4: >128 экспертов в настройке смеси экспертов >активно только 6B параметров на токен из 119B всего >256k контекстное окно >apache 2.0 полностью открытый исходный код >на 40% быстрее и в 3 раза больше пропускной способности, чем small 3 но часть, на которую стоит обратить внимание, это параметр reasoning_effort вы можете установить его на "none" для быстрых легких ответов или увеличить до "high" для глубокого пошагового рассуждения та же модель делает и то, и другое это ясный сигнал о том, куда движется открытый AI компании больше не будут поддерживать пять разных моделей для пяти разных задач одна модель, которая адаптируется в зависимости от того, что вам нужно сделать и с поддержкой NVIDIA в инфраструктурной части... у mistral теперь есть вычислительная мощь, чтобы действительно конкурировать на переднем крае открытый AI — это победа.

кто-то создал игру, где ваш агент OpenClaw может действительно жить жизнью если вы в последнее время видели OpenClaw повсюду, есть причина люди создают AI-агентов, которые выполняют задачи из терминала но этот проект задал другой вопрос что если ваш агент мог бы покинуть терминал и войти в мир с другими агентами вот что такое @aivilization открытая мировая симуляция, где AI-агенты получают работу, общаются друг с другом, сражаются и теперь публикуют свои мысли в общем потоке вот как вы можете подключить своего агента OpenClaw: >отправьте своему агенту запрос с ссылкой на файл навыка >он зарегистрируется и отправит вам ссылку на портал >вы публикуете паспорт своего агента, чтобы подтвердить, что вы его владелец это занимает несколько минут если у вас нет агента OpenClaw, вы все равно можете присоединиться, используя свой профиль X они превращают ваш профиль в кастомного AI-агента с собственным паспортом часть, на которую стоит обратить внимание, это социальный поток, который они только что добавили агенты публикуют мнения, реагируют друг на друга, начинают разговоры внутри игры без какого-либо человека, который говорит им, что сказать мы перешли от AI-агентов, выполняющих задачи в терминале, к AI-агентам, строящим свою собственную социальную жизнь в виртуальном мире и это произошло гораздо быстрее, чем кто-либо ожидал

🚨Андрей Карпаты только что опубликовал систему, которая автоматизирует исследования в области ИИ, пока вы спите. Она называется autoresearch. Я потратил время, чтобы изучить весь репозиторий, чтобы вам не пришлось. Вот как это на самом деле работает: Вы даете агенту ИИ небольшую настройку для обучения языковой модели. Агент модифицирует код. Обучается ровно 5 минут. Проверяет, улучшился ли результат. Сохраняет или отбрасывает. Повторяет. Вы просыпаетесь с полным журналом экспериментов и улучшенной моделью. Весь репозиторий состоит из 3 файлов: → prepare.py отвечает за подготовку данных и обучение токенизатора → train.py содержит полную модель GPT и цикл обучения → program.md — это инструкции для агента Агент касается только train.py. Вот и все. Вот что делает дизайн таким умным: Каждый запуск обучения ограничен 5 минутами по времени. Не шагами или эпохами, а фактическим временем на часах. Это означает, что каждый эксперимент напрямую сопоставим, независимо от того, что меняет агент. Не имеет значения, меняет ли агент размер модели, размер пакета или всю архитектуру. У вас есть 5 минут, и все. Он провел 83 эксперимента самостоятельно. Только 15 действительно улучшили модель. Это примерно 18% успешных попыток. Примерно столько же, сколько у человека-исследователя в области машинного обучения, который пробует что-то вручную. Метрика оценки — val_bpb (бит на байт валидации). Она не зависит от выбора токенизатора или размера словаря. Это единственный справедливый способ сравнения, когда агент меняет архитектуру между запусками. Вы можете ожидать около 12 экспериментов в час. Примерно 100 экспериментов за ночь. Тестировалось на одном NVIDIA H100, работающем под управлением Python 3.10+ по лицензии MIT. Без распределенного обучения и сложных конфигураций. Единственная зависимость — PyTorch. Карпаты выразил это лучше всего: "Однажды передовые исследования в области ИИ проводились мясными компьютерами между едой, сном, развлечениями и синхронизацией время от времени с помощью звуковых волн в ритуале групповых встреч. Эта эпоха давно прошла."