Anthropic, DeepSeek, Google Search и Mistral
Anthropic, DeepSeek, Google Search и Mistral
Сегодняшний выпуск — о переходе AI из режима впечатляющих ответов в режим custody: кто хранит данные, контролирует поведение моделей, проверяет ответы, платит за инфраструктуру и отвечает за роботов, агентов и школьные данные. То есть о скучных вещах, которые обычно оказываются важнее демонстраций. Какая неожиданность, если у вас ещё осталась способность удивляться.
Темы выпуска
Anthropic заявила Сенату США, что Alibaba якобы использовала 25 тысяч фальшивых аккаунтов и 28,8 миллиона разговоров с Claude для копирования поведения модели.
DeepSeek, по сообщениям, снова ищет капитал вскоре после раунда на 7 миллиардов долларов: дешёвый inference всё равно требует дорогих дата-центров, чипов и энергии.
Demis Hassabis из Google DeepMind говорит, что никто не знает, что будет дальше с продвинутым AI, поэтому guardrails, стандарты и независимое тестирование нужны сейчас.
Google Search будет генерировать AI-изображения, когда веб не даёт подходящего результата, что меняет поиск от retrieval к fabrication.
ChatGPT возвращается в WhatsApp в Европе после давления ЕС на Meta по открытию пространства для конкурирующих AI-ботов.
Anthropic запускает Claude for Teachers и обещает не обучать модели на данных учеников.
Исследование Anthropic показывает, что язык меняет поведение Claude: больше теплоты в Hindi и больше строгости в русском.
Claim о Grok Build: агентный build-инструмент якобы загружал целые директории в Google bucket, включая приватный код и секреты.
Сообщается, что Fortune 500 AI-first организация сократила широкое использование Claude и Copilot из-за стоимости агентных workflows.
PrismML выпустила Bonsai 27B: 1-bit и ternary builds Qwen3.6-27B для ноутбуков и телефонов.
Mistral AI представила Robostral Navigate, 8B-модель для навигации роботов по языковым инструкциям с одной RGB-камерой.
Pragmatic Engineer разбирает loop engineering как дисциплину триггеров, cron jobs, автоматизации и контроля AI slop.
Stanford TRACE превращает повторяющиеся сбои агентов в целевые синтетические RL-среды.
Multi-Agent LLMs Fail to Explore Each Other: несколько агентов не гарантируют независимое исследование пространства решений.
Evidence-Backed Video Question Answering подталкивает video LLM к ответам, подкреплённым видимыми доказательствами.
Главная мысль
AI становится не только моделью, а операционной системой ответственности: API как граница, мессенджер как поверхность доступа, школа как зона доверия, устройство как локальная опека, робот как физическое последствие, video QA как налог на доказательства. Меньше верьте дружелюбному интерфейсу. Проверяйте, где данные, где лимиты, где владелец цикла и где журнал, который кто-нибудь действительно прочитает.