Nyoka AI и Нейросети- Новости про Искуственный Интеллект, LLM, Чат Боты

У Яндекса всё громче заявляют о себе в генеративном ИИ — и это уже не эксперименты, а настоящая экосистема.🔹 «Шедеврум» превратился в соцсеть нового типа: здесь можно не только создавать картинки и тексты, но и собирать сообщество вокруг своих идей. Недавно сервис получил интеграцию с внешними моделями — в том числе DeepSeek, что значительно расширяет возможности для визуального креатива.🔹 YandexGPT развивается в трёх версиях — Lite, Pro и Instruct. Ассистент уже встроен в Алису, а для бизнеса открыт API: можно подключить модель к продуктам и автоматизировать процессы — от поддержки до анализа документов.Фактически Яндекс строит свой «генеративный комбайн»: пользователи получают площадку для креатива, а компании — инструмент для реальных задач.

Mistral выпустила обновлённую модель Medium 3.1 — и это реально хорошая новость для тех, кто работает с ИИ в продакшене.Что изменилось:— Контекст до 128k токенов. Теперь можно работать с большими документами или длинными сценариями без нарезки на куски.— Качество генерации заметно улучшилось: модель лучше держит стиль, меньше уходит в шаблоны.— Снижена стоимость API. То, что раньше было «дорого, но качественно», теперь стало доступнее для масштабных задач.Что это даёт бизнесу:— Создание контента и креатива без перерасхода бюджета.— Быстрая обработка отчётов, юридических и технических текстов.— Гибкость для мультимодальных сценариев, где нужен не просто текст, а полноценный ассистент.Mistral Medium 3.1 — это шаг к более практичному ИИ: меньше костылей, ниже цена, больше пользы в реальных проектах.Статья про Mistral Medium 3.1

На фоне новостей о падении акций Nvidia и разговоров о возможном «AI-пузыре» мы хотим подчеркнуть: индустрия ИИ переживает этап перегретых ожиданий. Многие инвесторы ждут быстрых чудес, но в итоге разочаровываются, когда технологии не дают мгновенного роста прибыли.Для нас как разработчиков ИИ это ещё одно подтверждение: ценность не в хайпе, а в реальных проектах. Мы строим решения, которые приносят измеримую эффективность — снижают затраты, ускоряют процессы и открывают новые источники дохода.ИИ уже сегодня должен работать на бизнес, а не только впечатлять демо-роликами. Поэтому наш фокус — практические кейсы, где результат можно посчитать.

World models: шаг к агентам и роботам. Что показал Genie 3 от Google DeepMindWorld model — это класс моделей, которые учатся внутреннему представлению среды (пространство, динамика, причинно-следственные связи) и прогнозируют, что произойдёт при тех или иных действиях. |Концепция не нова: ещё в 2018 Ha & Schmidhuber показали, как обучать политику «внутри снов» модели и переносить её в реальную среду, тем самым ускоряя обучение агентов.5 августа Google DeepMind представила Genie 3 — general-purpose world model, генерирующую интерактивные миры из текста. Ключевые параметры: 720p, 24 fps, минуты непрерывного взаимодействия, возможность добавлять объекты или менять условия среды на лету. Это шаг вперёд по сравнению с ранними версиями, державшими сцены 10–20 секунд.Где это применимо уже сейчас (B2B/индустриальный контекст) — Склады и логистика: безопасное тестирование сценариев движения, расписаний, коллизий, нагрузочных пиков. Модель позволяет быстро собирать цифровые полигоны, не останавливая реальную инфраструктуру. — Автономные платформы и тележки: быстрые симуляции для отладки навигации и взаимодействия с людьми и техникой до выезда на площадку. — Продуктовое тестирование стратегий: песочницы для многовариантных экспериментов по стоимости, SLA, throughput с минимизацией риска для продакшена.Связь с KPI — Меньше аварий и простоев благодаря тестам «что-если» в симулированном мире. — Сокращение цикла обучения агентов и роботов: меньше часов на реальном оборудовании — ниже операционные затраты и износ техники. — Быстрые итерации продуктовых гипотез в цифровом двойнике перед внедрением.Ограничения — Память мира пока ограничена минутами: для сложных процессов требуются сегментация, чекпойнты, внешние состояния. — Стоимость и задержка инференса значимы; это исследовательский режим, а не готовый инструмент для производства. — Без инженерной доработки и проверки физики симуляции остаются приблизительными и должны использоваться для ускорения разработки, а не замены реальных

🔍 Claude Sonnet 4: миллион токенов в одном контекстеAnthropic запустила публичную бету Claude Sonnet 4 с контекстным окном до 1 000 000 токенов.Для масштаба: это десятки исследовательских статей, вся кодовая база среднего проекта или годовая переписка — и всё это модель способна анализировать за один запрос, сохраняя контекст целиком.Что это может дать бизнесу:— Ревью обширных кодовых баз без необходимости делить их на части.— Due diligence при сделках: анализ тысяч страниц юридических и финансовых документов.— Комплексная аналитика по множеству источников данных одновременно.Важные нюансы:— Высокая стоимость обработки такого объема.— Более длительное время отклика.— По-прежнему актуальны подходы к оптимизации: векторный поиск, автоматическое резюмирование, индексация данных.Технологии с таким объёмом контекста открывают путь к новому классу ИИ-приложений — от полноценной аналитики сложных систем до автономной работы с крупными массивами информации без участия человека.

💡 Госзаказы и ИИ: Anthropic предлагает Claude за $1 — сигнал для рынкаAnthropic объявила, что все три ветви власти США получат доступ к Claude Pro всего за 1 доллар в год. На первый взгляд — жест доброй воли. На деле — выверенная стратегия выхода в госсектор и закрепления в роли технологического стандарта для автоматизации документооборота, аналитики и сервисов поддержки.Почему это важно для B2B и интеграторов🔵Спрос на безопасные и комплаенс-ориентированные ИИ-решения будет только расти.🔵Окно возможностей для интеграторов в проектах с госучастием и корпоративных тендерах.🔵Фокус на безопасности данных — критичный барьер для входа, который нужно учитывать при проектировании решений.Примеры, которые можно внедрять уже сегодня✅ ИИ-ассистенты для анализа законодательных инициатив и нормативных актов.✅ Автоматическая классификация и маршрутизация обращений граждан или клиентов.✅ Генерация сводок инцидентов для служб внутреннего контроля и управления рисками.В Nyoka мы внедряем Claude и другие LLM-модели в формате turnkey-решений: от проектирования архитектуры до интеграции в защищенную инфраструктуру заказчика.Какой из этих сценариев может быть актуален для вашего бизнеса или ведомства?

OpenAI снова открывает свои модели!Впервые с 2019 года компания выложила две нейросети с открытыми весами — gpt‑oss‑120b и gpt‑oss‑20b.Главное: • Большая модель почти такая же мощная, как их закрытая o4‑mini, но её можно запускать на своём компьютере с хорошей видеокартой. • Меньшую модель можно поставить даже на обычный ПК или мощный смартфон. • Модели умеют рассуждать, писать код и решать задачи без подключения к облакам.Теперь их можно свободно скачивать, дорабатывать и использовать даже в бизнесе.Для разработчиков и стартапов это огромная новость: делать свои ИИ‑сервисы стало проще и дешевле.

Модель Gemini 2.5 Deep Think стала доступна пользователям Это та самая модель, которая выиграла золотую медаль на IMO. По метрикам: – Почти 35% на Humanity’s Last Exam против 21.6 у Gemini 2.5 Pro и 20.3 у o3– 87.6% на LiveCodeBench против 72 у o3 – 99.2% (почти абсолют!) на AIME 2025 против 89 у o3 Короче, достойно. По выделяемому компьюту ризонинга это конечно не те мощности, с которыми модель выиграла золото (конкретно эту версию выдали пока только небольшой группе математиков), но даже в этой конфигурации она нарешивает IMO на бронзу. Тоже неплохо. Работает Deep Think благодаря «параллельному мышлению». То есть запускается несколько потоков ризонинга, в которых пробуются разные гипотезы, а затем лучшие результаты комбинируются в конечный ответ. Google пишут, что чтобы научить модель такой параллельности, они разработали «новые методы обучения с подкреплением». Единственный нюанс: чтобы получить доступ к модельке, заплатить придется 250 долларов. Ее, к сожалению, завезли только в подписку Google AI Ultra. Карта модели | Блогпост

📣🤖Новое регулирование ИИ в Евросоюзе 🇪🇺❤️‍🩹Согласно статьям 25–27 Регламента об искусственном интеллекте (AI Act), компании, предлагающие высокорисковые ИИ-системы на рынке ЕС, но не зарегистрированные в Евросоюзе (включая российские), обязаны назначить уполномоченного представителя в ЕС. Это требование должно быть выполнено до вывода продукта на европейский рынок. Цель введения этого правила ❤️‍🩹Европейский Союз стремится обеспечить безопасность, прозрачность и защиту прав при использовании ИИ. Поскольку иностранные поставщики не подпадают под прямое регулирование ЕС, уполномоченный представитель выступает связующим звеном между компанией и европейскими регуляторами. Ключевые обязанности представителя ❤️‍🩹Проверка соответствия ИИ-системы требованиям ЕС (включая оценку рисков). ❤️‍🩹Хранение технической документации и декларации соответствия для проверок. ❤️‍🩹Взаимодействие с надзорными органами и предоставление запрашиваемых данных. ❤️‍🩹Принятие мер при нарушениях (например, отзыв продукта или ограничение его использования). Аналогичные механизмы уже применяются в других сферах, таких как медицинские устройства (MDR) и общая безопасность продукции (GPSR). Риски неисполнения требований ❤️‍🩹Запрет на продажи в ЕС ❤️‍🩹Крупные штрафы и судебные иски Если ваша компания разрабатывает высокорисковые ИИ-решения (например, для образования, HR, правоохранительных органов или биометрии), необходимо заранее выбрать представителя в ЕС. Регламент вступает в силу 2 августа 2024 года. NB: Использование ИИ для манипуляции сотрудниками (например, нечестный контроль производительности) будет приравнено к эксплуатации детского труда и может привести к запрету экспорта в ЕС.#интернет_право #международное_правоПодписаться | Наш сайт | VKПодписывайся и не будь пешкой ♟ в большой игре!

Малые языковые модели — новый стандарт в AI-решенияхКомпании по всему миру всё чаще говорят: зачем нам гигантский ИИ, если можно взять умного, компактного и под задачу?SLM (Small Language Models) — маленькие языковые модели — ворвались в корпоративный мир и начали вытеснять своих старших собратьев LLM. Почему?✅ Меньше — значит быстрее.Зачем тянуть за собой 70 миллиардов параметров, если можно обойтись сотней миллионов и получить результат за секунды?✅ Делают ровно то, что нужно.Вместо генерализированных болталок — чёткие ответы, обученные на ваших данных. Не фантазируют, а работают.✅ Бюджет скажет спасибо.SLM не требуют серверных мощностей уровня NASA. Запускаются на обычных ноутбуках, а иногда и на мобильных.✅ Приватность и контроль.Данные остаются у вас, модель не уносит их в облако. Отлично для банков, медицины и всего, где важна конфиденциальность.💡Вывод: гиганты вроде GPT-4 по-прежнему мощные, но будущее за гибридными решениями — где у каждой модели своя роль. Один отвечает за общее понимание, другой — за конкретику и точность.Читать подробнее: https://www.techradar.com/pro/small-models-big-wins-four-reasons-enterprises-are-choosing-slms-over-llms

Рукописный текст — всё ещё в ходу. А мы умеем его распознавать.Письмо от руки — не ушло. Оно просто изменилось.Мы регулярно сталкиваемся с компаниями, у которых до сих пор в работе:– Анкеты, заполненные вручную– Медкарты и заключения от руки– Документы из архивов– Ручные примечания сотрудников– Записи клиентов на бланкахИ главный вопрос — как всё это оцифровать?Ручной ввод — долго и дорого. OCR (распознавание печатного текста) — не помогает.Решение — handwriting recognition на базе ИИ.Мы внедряем такие системы:– Распознают текст от руки (в том числе неразборчивый)– Поддерживают много языков– Извлекают данные по структуре– Можно интегрировать в CRM, базы и внутренние процессы📌 Что особенно важно: мы обучаем модели на ваших документах. Это значит, что система «учится» читать именно тот почерк и тот формат, с которым работаете вы.Что даёт бизнесу:– Быстрая обработка анкет, заявок, архивов– Снижение нагрузки на сотрудников– Доступ к старым данным, которые раньше были только на бумаге– Меньше ошибок, больше прозрачностиИИ здесь — это не ради моды. Это чтобы сэкономить сотни часов.Если у вас в работе всё ещё «бумага и ручка» — напишите нам.Покажем, как превратить рукописный текст в данные, с которыми удобно работать.

ИИ у всех — но доверяют ему не все. Почему так, и что с этим делать?Мы каждый день говорим с бизнесами, которые хотят внедрить ИИ. Причина почти всегда одна:«У конкурентов уже есть — нам тоже нужно. Иначе отстанем».С одной стороны, это хороший сигнал — компании начинают видеть потенциал.С другой — мотивация чаще реактивная, чем стратегическая.И тут проявляется парадокс: внедрить хотят, но доверия — мало.— «А точно ли он всё правильно распознает?»— «Кто будет контролировать результат?»— «А если ошибётся — кто отвечает?»— «Он не заменит людей?..»Это нормально. ИИ пока ещё воспринимается как чёрный ящик.Но на практике — это просто инструмент. Эффективный, гибкий, но требующий внятной постановки задачи и здравого подхода.Что помогает компаниям перейти от моды к реальной пользе:Начинать с узких кейсов. Чёткая задача → быстрый результат → уверенность в технологии.Прозрачность решений. Мы всегда объясняем, как работает модель, что она умеет, и где её границы.Совместная работа. ИИ — это не замена людей. Это усиление команд.Контроль на всех этапах. Ни один процесс не идёт в прод без валидации и тестов.ИИ не должен пугать. Он должен помогать. И когда подход осознанный — доверие появляется само собой.Если вы тоже думаете о внедрении, но есть вопросы или сомнения — напишите. Расскажем, с чего лучше начать, и подскажем реальные кейсы из вашей отрасли.

Кажется, в AI всё чаще побеждает не сила, а коллектив.Sakana AI представили новую технику — AB-MCTS. На первый взгляд, звучит как очередной алгоритм с тремя буквами и дефисом, но суть реально интересная.Идея в том, чтобы не делать одну огромную модель, которая «знает всё», а заставить несколько моделей работать вместе — как команда. Одна генерирует гипотезы, другая уточняет, третья оценивает. Каждый делает свою часть, а на выходе — результат лучше, чем у любой из них поодиночке.Метод называется Adaptive Branching Monte Carlo Tree Search. Это по сути интеллектуальный перебор: система не просто пробует разные варианты, а учится понимать, какие из них перспективнее, и тратит ресурсы именно туда.Что особенно круто — модели могут быть разными. Например, одна суперточная, но медленная. Другая — быстрая, но шумная. Вместе они компенсируют слабости друг друга. И даже слабая модель в коллективе может усилить результат.По сути, это shift в сторону кооперации между нейросетями. Не просто "чем больше параметров — тем лучше", а "чем умнее взаимодействие — тем дальше можно зайти".AB-MCTS не сделает революцию прямо завтра. Но это ещё один сигнал: будущее AI — не в одной идеальной модели, а в системах, где интеллект складывается из разных, пусть даже несовершенных, но работающих вместе элементов.Блог | GitHub | СтатьяКажется, в AI всё чаще побеждает не сила, а коллектив.Sakana AI представили новую технику — AB-MCTS. На первый взгляд, звучит как очередной алгоритм с тремя буквами и дефисом, но суть реально интересная.Идея в том, чтобы не делать одну огромную модель, которая «знает всё», а заставить несколько моделей работать вместе — как команда. Одна генерирует гипотезы, другая уточняет, третья оценивает. Каждый делает свою часть, а на выходе — результат лучше, чем у любой из них поодиночке.Метод называется Adaptive Branching Monte Carlo Tree Search. Это по сути интеллектуальный перебор: система не просто пробует разные варианты, а учится понимать, какие из них перспективнее, и тра

Google представили Gemma 3n — компактную, но мощную мультимодальную модель.Это первая модель меньше 10 миллиардов параметров, которая набрала более 1300 баллов на LMArena. При этом она полностью on-device: её можно запускать локально, без подключения к облаку.Gemma 3n поддерживает текст, изображения, аудио и видео.Есть две версии: E2B и E4B. Хотя фактически в них 5B и 8B параметров, благодаря особенностям архитектуры их можно запускать с теми же затратами, как если бы это были модели на 2B и 4B параметров. Для E2B достаточно всего 2 ГБ памяти.В основе архитектура MatFormer — "матрёшечный трансформер". Одна большая модель содержит в себе меньшие версии. Пока переключение между ними на лету не реализовано, но уже сейчас можно извлекать подмодели, подходящие под конкретное устройство.Технически это очень интересный релиз для тех, кто работает с локальным AI и edge-решениями.Ссылка: developers.googleblog.com/en/introducing-gemma-3n-developer-guideGoogle представили Gemma 3n — компактную, но мощную мультимодальную модель.Это первая модель меньше 10 миллиардов параметров, которая набрала более 1300 баллов на LMArena. При этом она полностью on-device: её можно запускать локально, без подключения к облаку.Gemma 3n поддерживает текст, изображения, аудио и видео.Есть две версии: E2B и E4B. Хотя фактически в них 5B и 8B параметров, благодаря особенностям архитектуры их можно запускать с теми же затратами, как если бы это были модели на 2B и 4B параметров. Для E2B достаточно всего 2 ГБ памяти.В основе архитектура MatFormer — "матрёшечный трансформер". Одна большая модель содержит в себе меньшие версии. Пока переключение между ними на лету не реализовано, но уже сейчас можно извлекать подмодели, подходящие под конкретное устройство.Технически это очень интересный релиз для тех, кто работает с локальным AI и edge-решениями.Ссылка: developers.googleblog.com/en/introducing-gemma-3n-developer-guide

🧬 Google представила AlphaGenome — ИИ, который помогает "читать" ДНККоманда DeepMind разработала новую модель — AlphaGenome, которая способна предсказывать, как изменения в ДНК влияют на организм. Это огромный шаг вперёд для генетики и медицины.🔍 В чём сутьНаша ДНК — это как код, который определяет всё: от внешности до склонности к болезням. Но расшифровать, как именно мутации в генах на это влияют, до сих пор было почти невозможно. AlphaGenome учится находить эти связи.📏 Как это работаетМодель «читает» длинные фрагменты ДНК (до 1 миллиона токенов — очень много по меркам ИИ) и прогнозирует:– насколько активно работают гены– как они ведут себя в разных тканях– что будет, если в них произойдут мутацииПо сути, это инструмент для того, чтобы понять: что именно "сломалось" в ДНК — и к чему это может привести.📈 Почему это важно– Это может ускорить диагностику генетических заболеваний– Поможет в создании персонализированных лекарств– И даст больше понимания, как работает наш организм💡 Google утверждает, что точность модели уже на уровне лучших научных методов, и предлагает протестировать её через открытый API. Учёные всего мира могут подключиться, протестировать и улучшать модель вместе.🧬 Google представила AlphaGenome — ИИ, который помогает "читать" ДНККоманда DeepMind разработала новую модель — AlphaGenome, которая способна предсказывать, как изменения в ДНК влияют на организм. Это огромный шаг вперёд для генетики и медицины.🔍 В чём сутьНаша ДНК — это как код, который определяет всё: от внешности до склонности к болезням. Но расшифровать, как именно мутации в генах на это влияют, до сих пор было почти невозможно. AlphaGenome учится находить эти связи.📏 Как это работаетМодель «читает» длинные фрагменты ДНК (до 1 миллиона токенов — очень много по меркам ИИ) и прогнозирует:– насколько активно работают гены– как они ведут себя в разных тканях– что будет, если в них произойдут мутацииПо сути, это инструмент для того, чтобы понять: что именно "сломалось" в ДНК — и к че