Midjourney и другие нейросети - страница 1244
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Xiaomi представила MiMo-V2.6 — мощная открытая модель с 1 млн токенов и упором на агентов
//текст и обложка ChatGPT. https://mimo.xiaomi.com/mimo-v2-6
Xiaomi выпустила новое поколение семейства MiMo — MiMo-V2.6-Pro и MiMo-V2.6-Flash. Обе модели получили нативную поддержку текста, изображений, видео и аудио, контекст до 1 млн токенов и ориентированы прежде всего на программирование, использование инструментов и сложные многошаговые задачи. Веса моделей опубликованы под лицензией MIT.
Главное новшество MiMo-V2.6 — не столько увеличение размера, сколько масштабирование reinforcement learning (RL). Xiaomi обучала модели на смешанном наборе задач для кодинга, агентов, визуальных сценариев и кибербезопасности. За менее чем шесть дней каждая модель прошла 30 этапов RL примерно на 750 тысячах траекторий. Заявленная стоимость обучения составила около $2,62 млн для Pro и $850 тыс. для Flash. Вместе с моделями Xiaomi открыла технический отчёт, RL-код и более 7000 окружений для обучения агентов.
Что внутри
MiMo-V2.6-Pro — разреженная MoE-модель на 1,02 трлн параметров, из которых при генерации активны около 42 млрд. У Flash — 309 млрд параметров, из которых активны около 15 млрд. Обе модели используют пять слоёв MTP для speculative decoding.
По заявленным возможностям модели способны не только писать код, но и работать с Blender, создавать 3D-сцены, управлять компьютерными интерфейсами и использовать инструменты. Xiaomi также демонстрирует сценарии научной работы — от анализа публикаций и моделирования материалов до формализации математических доказательств в Lean 4.
Бенчмарки
В опубликованной Xiaomi таблице MiMo-V2.6-Pro показывает следующие результаты:
Это именно опубликованные производителем результаты, поэтому их стоит отделять от независимых измерений.
Одним из наиболее заметных независимых результатов стал Artificial Analysis Intelligence Index v4.3. MiMo-V2.6-Pro получил 46,32 балла и на момент релиза занял первое место среди open-weight моделей в этом индексе. Artificial Analysis также измерила около 125 токенов/с на API Xiaomi и отметила относительно высокую скорость при стоимости $0,435 за миллион входных токенов и $0,87 за миллион выходных.
На Code Arena WebDev модель получила 1628 баллов в предварительном AutoEval, заметно поднявшись относительно MiMo-V2.5-Pro. При этом Arena отдельно предупреждает, что это пока автоматическая оценка, а не окончательный результат живого голосования пользователей.
Что говорят первые пользователи
Отзывы в первые часы после релиза получились неоднозначными. Одни разработчики хвалят Flash за скорость, небольшое число токенов и хорошую работу в coding-agent сценариях. Другие сообщают о зависаниях и циклическом выполнении команд в терминале; в одном из тестов MiMo-V2.6 потребовалось около 30 минут без заметного продвижения задачи.
Поэтому делать окончательные выводы о качестве модели пока рано: релизу всего несколько часов, а особенно мало независимых тестов именно для Flash.
Сколько это стоит
API Xiaomi сохранила примерно на уровне предыдущего поколения. Flash стоит $0,14 за миллион входных и $0,28 за миллион выходных токенов, Pro — $0,435 и $0,87 соответственно. Для обеих моделей заявлен контекст в 1 млн токенов. Отдельный режим Pro-UltraSpeed обещает до 20-кратного увеличения скорости, но это заявление Xiaomi пока не подтверждено независимыми измерениями.
MiMo-V2.6 выглядит прежде всего как ставка Xiaomi на agentic AI: не просто модель для ответов в чате, а система, которая должна самостоятельно писать код, пользоваться инструментами, проверять результат и проходить длинные цепочки действий. Особенно интересно то, что Xiaomi открыла не только веса, но и значительную часть инфраструктуры RL. Теперь сообщество сможет проверить, насколько хорошо эта методика масштабируется за пределами демонстрационных задач.
Источники: официальный релиз Xiaomi · модельные карты Hugging Face · независимый анализ Artificial Analysis
Пример разработки игры (добавить танк, управления и тд)
Claude Opus 5.5: Anthropic сделала ставку не только на интеллект, но и на эффективность
//текст и обложка ChatGPT
Anthropic 22 сентября 2026 года представила Claude Opus 5.5 — первую модель нового семейства Claude 5.5. Компания заявляет о заметном росте возможностей по сравнению с Opus 5, одновременно снизив стоимость работы модели примерно на 40% на типичных задачах.
Главное изменение здесь даже не очередной рекорд в одном бенчмарке. Opus 5.5 прежде всего выглядит как попытка сделать мощную модель удобным инструментом для долгих агентных задач — программирования, исследований и работы с компьютером.
Сильный рост в программировании
По опубликованным Anthropic результатам Opus 5.5 заметно прибавил в задачах, где ИИ должен не просто написать фрагмент кода, а самостоятельно работать с проектом и инструментами.
В Terminal-Bench 4.0 модель получила 66,4%, против 52,3% у Opus 5 и 55,8% у Claude Fable 5.1. В FrontierCode v1.1 результат составляет 54,4%, а в CursorBench 4.0 — 57,8%.
Особенно интересен GDPval-AA — тест профессиональной работы по десяткам специальностей. Здесь Opus 5.5 получил 1846 Elo против 1735 у Fable 5.1 и 1708 у Opus 5.
При этом есть важная оговорка: сама Anthropic предупреждает, что на нынешнем уровне моделей небольшие разрывы между бенчмарками уже не всегда хорошо отражают различия в реальной работе. Более того, часть результатов Opus 5.5 получена на максимальном уровне reasoning, а в некоторых тестах встроенные защитные механизмы могли передавать отдельные задачи менее мощным моделям.
Самое интересное — стоимость
Именно эффективность может оказаться главным практическим преимуществом Opus 5.5.
Цена API снизилась с $5 до $4 за миллион входных токенов, а стоимость вывода — с $25 до $20. Цена чтения кэша упала с $0,50 до $0,20 за миллион токенов. Anthropic заявляет, что в совокупности на типичных нагрузках это дает около 40% снижения стоимости, поскольку модель одновременно дешевле и тратит меньше токенов на решение задачи. Генерация ответа также стала более чем на 30% быстрее.
Для агентного программирования это особенно существенно: там стоимость определяется не только длиной ответа, но и количеством промежуточных действий, обращений к инструментам и повторных попыток.
Anthropic приводит несколько показательных примеров. В одном случае Opus 5.5 проверил и исправил кодовую базу на 200 тысяч строк менее чем за три часа, тогда как Opus 5 затратил более 20 часов и в 2,5 раза больше токенов. В другом тесте перенос HAProxy с C на Rust занял у Opus 5.5 около 9,5 часа против 12 часов у Fable 5.1, при этом стоимость оказалась ниже на 51%. Это внутренние тесты Anthropic, а не независимое исследование.
Первые отзывы
Первые реакции пользователей появились буквально в первые часы после релиза, поэтому делать окончательные выводы пока рано. Тем не менее в сообществах Claude Code и ClaudeAI довольно часто отмечают скорость, меньший расход токенов и более комфортную работу по сравнению с Opus 5. Некоторые пользователи пишут, что новая модель ощущается заметно «легче» в повседневной работе и реже съедает лимиты.
Есть и обратная сторона: часть пользователей относится к стартовым результатам осторожно и напоминает, что максимальные значения в бенчмарках не обязательно соответствуют тому, что они получат на обычных настройках. В обсуждениях отдельно сравнивают разные уровни effort и расход лимитов.
Интересно, что Anthropic отдельно заявляет об изменении самого стиля общения: Opus 5.5 должен писать более естественно, быстрее переходить к сути и меньше перегружать ответы. Это как раз тот параметр, который бенчмарками измерить трудно.
Что в итоге
Claude Opus 5.5 — это не просто еще одна более умная модель. Судя по опубликованным данным, Anthropic одновременно улучшила способность работать с длинными многошаговыми задачами, снизила расход токенов и заметно уменьшила стоимость использования.
При этом большинство независимых отзывов пока являются именно первыми впечатлениями: модель вышла только 22 сентября. Поэтому реальные различия между Opus 5.5, Fable 5.1 и конкурентами станут понятнее после более продолжительного использования и независимых тестов.
Уже сейчас, однако, заметен важный сдвиг: гонка ИИ постепенно идет не только за максимальным баллом бенчмарка, но и за тем, сколько полезной работы модель способна выполнить за один доллар и за один сеанс.
Источник: официальный анонс Anthropic.
GPT-6 Sol и Luna: OpenAI резко снижает цену на ИИ
//текст и обложка ChatGPT. https://openai.com/index/introducing-gpt-6-sol-and-luna/
OpenAI представила сразу две новые модели семейства GPT-6 — GPT-6 Sol и GPT-6 Luna. Они дополняют вышедшую ранее флагманскую GPT-6 Astra и занимают более доступные позиции в линейке. Главная новость здесь даже не в самом названии GPT-6, а в резком снижении стоимости использования моделей.
В два раза дешевле
GPT-6 Sol стоит $2 за 1 млн входных токенов и $10 за 1 млн выходных, тогда как GPT-5.6 Sol стоила $4 и $20 соответственно. У Luna цены снизились с $0,20/$1,20 до $0,10 за входные и $0,50 за выходные токены. Таким образом, OpenAI в обоих случаях заявляет снижение цены на 50%.
Одновременно компания улучшила prompt caching: для кэшированных входных токенов действует скидка 90%, а изменение уровня рассуждений или доступных инструментов теперь не обязательно уничтожает уже накопленный кэш. Для долгих агентных задач это может быть практически важнее небольшой прибавки к качеству ответов.
Что изменилось по возможностям
OpenAI позиционирует Sol как модель для сложной повседневной работы: программирования, отладки, анализа данных и длительных агентных сценариев. Luna предназначена прежде всего для массовых и хорошо определённых задач, где важны скорость и минимальная стоимость.
На DeepSWE v1.1 GPT-6 Sol показывает 68,8%, практически приближаясь к лучшему результату Claude Fable 5 — 69,9%. При этом OpenAI указывает примерно 80% меньшую стоимость задачи. Luna получает 66,6%, то есть всего на 2,2 процентного пункта меньше Sol, но обходится значительно дешевле.
На OSWorld 2.0, где модели должны самостоятельно работать с компьютерным интерфейсом, Sol показывает 60,5% против 60,3% у Claude Opus 5 на сопоставимом уровне усилий. При этом Astra остаётся более мощной моделью OpenAI для компьютерного управления.
В AutomationBench Sol получил 33,2%, опередив Claude Opus 5 с 26,9%, причём стоимость одной задачи OpenAI оценивает всего в $0,27. Здесь, правда, сравниваются разные уровни reasoning, поэтому воспринимать цифры как прямой универсальный рейтинг моделей не стоит.
Но это не GPT-6, который во всём обходит старые модели
Именно здесь начинаются наиболее интересные результаты независимого тестирования. По данным Artificial Analysis, GPT-6 Sol получил 48 баллов в Intelligence Index против 47 у GPT-5.6 Sol. Luna — 37 баллов против 38 у предыдущей версии. При этом стоимость типичной задачи снизилась примерно вдвое.
Более того, на некоторых тестах наблюдаются регрессии. Artificial Analysis сообщает о снижении результатов Sol примерно на 100 Elo в GDPval-AA — тесте на профессиональную работу. Анализ результатов показал, что проблема была не столько в рассуждениях, сколько в качестве оформления и неполноте готовых результатов.
Получается довольно необычная ситуация: GPT-6 Sol в среднем не выглядит радикально умнее GPT-5.6 Sol, зато его намного дешевле и выгоднее использовать в длинных рабочих цепочках.
Первые отзывы
В сообществах разработчиков реакция пока в основном сосредоточена именно на цене. Пользователи обсуждают возможность значительно чаще запускать Sol и Luna в Codex и агентных системах, не расходуя бюджет так быстро. Некоторые уже описывают Luna как модель, которой можно передавать большой объём рутинной работы. Одновременно встречается мнение, что субъективный скачок качества относительно GPT-5.6 оказался гораздо менее заметным, чем скачок цены.
И это хорошо совпадает с независимыми тестами: OpenAI фактически двигает не только границу интеллекта, но и границу стоимости интеллекта.
Что в итоге
GPT-6 Astra остаётся самой мощной моделью OpenAI для наиболее сложных задач. Sol выглядит как более массовая рабочая лошадка, а Luna — как попытка сделать достаточно умный ИИ настолько дешёвым, чтобы его можно было использовать практически повсюду.
Поэтому главный эффект GPT-6 Sol и Luna может проявиться не в чатах, а в агентах, Codex, автоматизации и больших потоках запросов. Когда одна и та же задача запускается тысячи раз, снижение стоимости в два раза уже само по себе способно изменить экономику продукта.
Похоже, OpenAI сейчас конкурирует не только за самый высокий результат в бенчмарке, но и за то, сколько полезной работы можно получить за один доллар.
Источники: официальный релиз OpenAI · независимый анализ Artificial Analysis
Пока OpenAI выпускают версии менее мощные, чем Astra, Anthropic выпустил более мощную и снова на первом месте в Арене по коду.
ИИ уже ускоряет биологию: прогноз на 50 лет жизни и первое открытие Claude
//текст DeepSeek 4.1, рецензент, редактор и обложка - ChatGPT.
Иммунолог Дерья Унутмаз из Jackson Laboratory считает, что если человечество успешно пройдёт ближайшие 10–15 лет, это может открыть путь к радикальному увеличению продолжительности жизни — вплоть до нескольких десятков дополнительных лет. Его аргумент строится не на фантастике, а на ускорении биологических исследований с помощью ИИ.
И у этой идеи уже появляется первое практическое подтверждение. В сентябре 2026 года Anthropic показала эксперимент, в котором сотни ИИ-агентов Claude самостоятельно искали необычные биологические закономерности в огромном массиве данных. В результате система обнаружила ранее не описанную биологическую систему, которую затем проверили экспериментально.
Что предсказывает Унутмаз
Унутмаз — действующий иммунолог, работающий на стыке иммунологии, старения и вычислительной биологии. Его ключевой тезис заключается в том, что современная биология столкнулась не столько с дефицитом данных, сколько с проблемой их интерпретации.
Современные эксперименты генерируют огромные массивы информации — от секвенирования РНК до профилей отдельных клеток. Часть закономерностей можно найти обычными алгоритмами, но всё чаще проблема заключается в том, чтобы понять, какие связи вообще стоит искать и какой эксперимент имеет смысл провести следующим.
Именно здесь, по мнению Унутмаза, ИИ может стать мощным ускорителем. Модели способны анализировать массивы литературы и биологических данных, формулировать гипотезы, искать необычные закономерности и помогать выбирать следующие эксперименты.
Отсюда появляется и понятие longevity escape velocity — гипотетической точки, в которой медицина начинает продлевать оставшуюся человеку жизнь быстрее, чем проходит само время. Унутмаз рассматривает такую возможность как долгосрочную перспективу и считает, что ближайшие 10–20 лет могут принести в биологии гораздо более быстрый прогресс, чем предыдущие десятилетия.
Это, разумеется, прогноз отдельного учёного, а не установленный научный результат.
Первый показательный результат: около 950 агентов Claude нашли ART
Осенью 2026 года Anthropic решила проверить, насколько далеко можно продвинуть ИИ-агентов в самостоятельном биологическом поиске.
Исследователям было интересно найти необычные обратные транскриптазы — ферменты, способные синтезировать ДНК на матрице РНК. Для поиска использовали огромный набор примерно из 1,9 млрд белковых кластеров.
Дальше в работу включился Claude. Около 950 агентов работали примерно 21 час, потратив порядка 210 млн токенов. Они проанализировали более 200 000 обратных транскриптаз, выделили около 3 500 кандидатов, а затем сузили поиск до примерно 20 наиболее интересных систем.
Именно на этом этапе один из агентов заметил необычную деталь. Рядом с уже известной обратной транскриптазой находился характерный массив повторяющихся участков ДНК и дополнительный ген.
Сам фермент не был новым — подобные обратные транскриптазы встречались в предыдущих исследованиях. Новым оказалось необычное сочетание элементов вокруг него.
Систему назвали ART — array-associated reverse transcriptases.
Она включает обратную транскриптазу, соседний ген-партнёр и длинный массив повторяющихся последовательностей. Последующий лабораторный анализ показал, что этот массив действительно транскрибируется и образует отдельные короткие РНК.
Что удалось подтвердить экспериментально
Открытие не осталось исключительно вычислительной гипотезой. Исследователи проверили найденную систему в лаборатории.
При экспрессии одного из вариантов ART в E. coli наблюдалось образование коротких РНК, соответствующих повторяющемуся массиву. Кроме того, при анализе ранее опубликованных данных RNA-seq для стафилококкового фага исследователи обнаружили большое количество таких транскриптов: в одном из экспериментов они составляли до 8% всей фаговой РНК через 15 минут после заражения.
Это уже интересный результат. ИИ не просто нашёл очередной белок в базе данных — он помог связать уже известный фермент с другой генетической структурой и сформулировал гипотезу о существовании новой биологической системы.
При этом слово «CRISPR-like», которое использует Anthropic для описания отдельных особенностей ART, нужно понимать осторожно. Речь идёт о сходстве архитектуры системы, а не о доказательстве того, что ART работает как CRISPR или умеет редактировать геном.
Но у открытия есть важное ограничение
Самое интересное в этой истории — пожалуй, даже не результат, а его воспроизводимость.
Когда исследователи повторили вычислительную кампанию, ни в одном из десяти последующих запусков агенты не обнаружили тот же характерный массив перед геном обратной транскриптазы.
То есть Claude действительно смог найти закономерность, которую люди раньше не связали воедино, но пока нельзя сказать, что такой поиск стабильно воспроизводится при каждом новом запуске.
Это важное ограничение. Эксперимент показывает не «автономного учёного, способного регулярно делать открытия», а скорее новый тип исследовательского инструмента, который иногда способен заметить очень слабый сигнал в огромном пространстве данных.
И именно поэтому человеческая проверка остаётся критически важной. ИИ выдвигает гипотезу, а учёные должны установить, действительно ли она соответствует реальной биологии.
Почему это всё равно важно
До лекарств от старения здесь ещё очень далеко. ART не является средством омоложения, не доказан как инструмент редактирования генома, а его биологическая функция пока остаётся неизвестной.
Не установлено даже, зачем именно эта система нужна фагу или бактерии, каким образом взаимодействуют её компоненты и какую роль играют обнаруженные РНК.
Но эксперимент важен по другой причине.
Он показывает, что ИИ-агент может работать не только как «умный поиск» или помощник для написания кода. Он способен самостоятельно пройти значительную часть исследовательского цикла:
огромный массив данных → поиск закономерности → формирование гипотезы → отбор кандидатов → предложение того, что стоит проверить экспериментально.
В данном случае люди затем подтвердили существование соответствующей системы лабораторно.
Это ещё не искусственный учёный и не автоматизация всей биологии. Но это уже заметный сдвиг от обычного анализа данных к генерации новых биологических гипотез.
Что это значит для прогноза на десятилетия жизни
Унутмаз говорит прежде всего об ускорении самого научного процесса. Если ИИ действительно сможет многократно сокращать время между вопросом, анализом, гипотезой и экспериментом, эффект может накапливаться.
Одно открытие приводит к следующему вопросу. Новый ответ открывает новые мишени, механизмы и эксперименты. Чем быстрее проходит один такой цикл, тем больше циклов можно выполнить за то же время.
История с ART пока не подтверждает ни longevity escape velocity, ни возможность добавить человеку 50 лет жизни. До этого необходимо пройти длинную цепочку — от фундаментальных открытий до лекарств, клинических испытаний и доказанного увеличения продолжительности здоровой жизни.
Но появляется важная вещь, которой ещё несколько лет назад было гораздо меньше: реальные примеры того, как ИИ способен находить в биологии закономерности, которые не были очевидны человеку.
ART — пока лишь один небольшой пример. Более важный вопрос теперь звучит иначе: насколько быстро такие системы смогут превратить единичные успехи в воспроизводимый конвейер научных открытий.
И если этот конвейер действительно заработает, именно он, а не отдельное «волшебное» открытие, может оказаться главным фактором ускорения биологии в ближайшие десятилетия.
Источники
Anthropic. Claude discovers a novel enzyme system with CRISPR-like repeats. 23 сентября 2026 г.
https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
FoundMyFitness. Why AI Could Add Decades to Your Lifespan | Dr. Derya Unutmaz. 22 июля 2026 г.
https://www.foundmyfitness.com/episodes/derya-unutmaz