Sakhanda Wire
NVDA $152.86 -2.10% MSFT $505.56 -2.40% GOOGL $280.34 -1.19% META $618.69 -1.23% AMZN $256.63 -0.43%

MarkTechPost

396 новин · усі джерела

MarkTechPost

FlashMap прискорює декодування Qwen3 блоками з 16 токенів

Дослідники з Polymathic AI, Princeton University, USC ISI, NYU та Flatiron Institute представили FlashMap — модуль для спекулятивного декодування великих мовних моделей. Він використовує безперервну flow map, щоб за один прохід запропонувати блок із 16 токенів замість послідовної генерації. Цільова модель паралельно перевіряє весь блок і залишає найдовший збіжний префікс, тому кінцевий результат точно відповідає результату цільової моделі.

MarkTechPost

Google DeepMind випустила Genie 4 із нативним звуком у реальному часі

Google DeepMind випустила Genie 4 як дослідницьку версію для довірених тестувальників. Модель у реальному часі створює досліджувані середовища за текстовими та графічними запитами, одночасно генеруючи зображення, фонові звуки, музику й діалоги персонажів. Користувачі пересуваються за допомогою клавіатури, а текстовими командами можуть змінювати погоду, положення камери, людей або предмети.

MarkTechPost

LEANN зменшує індекс на 60 мільйонів фрагментів до 6 ГБ

Дослідники з Sky Computing Lab Каліфорнійського університету в Берклі створили LEANN — векторний індекс із відкритим кодом для семантичного пошуку та retrieval-augmented generation. Система не зберігає на диску всі ембеддинги: натомість вона тримає проріджений граф і повторно обчислює потрібні ембеддинги під час запиту. У тесті репозиторію індекс Wikipedia на 60 мільйонів фрагментів зменшився з 201 ГБ до 6 ГБ. У науковій роботі для іншої конфігурації наведено 4 ГБ проти 188 ГБ у HNSW.

MarkTechPost

Liquid AI випустила шість моделей LFM3 з відкритими вагами

Liquid AI випустила LFM3 — сімейство з шести моделей із відкритими вагами, створених на спільній базовій основі. Моделі класу 2B охоплюють роботу з текстом, зображеннями, аудіо, мультимодальними завданнями та ухваленням рішень. До серії входять LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B, d1-2B і d1-Omni-2B. Кожну модель можна донавчати на одному графічному процесорі та розгортати на пристроях, приватних серверах або в хмарі.

MarkTechPost

Mirendil випустила Fern 0.1 із контекстом до 10 мільйонів токенів

Mirendil випустила Fern 0.1 — свою першу модель штучного інтелекту, призначену для дослідницьких і інженерних завдань у сфері AI, а не для загального чату. Модель для роботи з кодом попередньо навчали з нуля; її створено на основі Mirendil-Base після короткого етапу донавчання. Контекстне вікно сягає 10M токенів. За оцінкою Mirendil, це близько 23 MB коду або приблизно 500 000 рядків. Наразі модель доступна лише через хостинговий сервіс у режимі раннього доступу; відкриті ваги та квантизовані збірки не оголошувалися.

MarkTechPost

vLLM Semantic Router випустила 27B-модель рішень d3-ultra

Команда vLLM Semantic Router випустила d3-ultra — мультимодальну модель ухвалення рішень із 26,09 млрд параметрів та відкритими вагами за ліцензією Apache-2.0. Модель не генерує текст. Вона одноразово обробляє текст, JSON, зображення або відео й повертає ймовірності відповідей на набір типізованих запитань: вибір варіанта, так/ні, оцінювання, пошук об’єкта та його відстеження.

MarkTechPost

Baidu випустила Unlimited OCR 2 для аналізу довгих документів

Baidu випустила Unlimited OCR 2 — зорово-мовну OCR-модель із 3,34 млрд параметрів для обробки книжок, звітів та інших документів на сотні сторінок одним запитом. Модель поширюється за ліцензією MIT і перетворює впорядковані зображення сторінок на структурований результат: текст, таблиці, формули, ілюстрації, заголовки та порядок читання. Максимальна довжина позицій становить 131 072 токени. У тестах вона працювала на одному CUDA-прискорювачі NVIDIA A800-80GB у BF16, а ваги займали близько 6,7 ГБ.

MarkTechPost

OpenAI випустила GPT-6.1 Terra для дешевшої автоматизації

OpenAI випустила GPT-6.1 Terra — модель для візуального міркування, роботи з комп’ютером і написання текстів. Вона приймає текст та зображення, а повертає текст; контекстне вікно становить 1,05 млн токенів, а максимальний обсяг відповіді — 128 000 токенів. Terra замінює GPT-5.6 Terra і доступна в API під назвою gpt-6.1-terra. Модель також працює в ChatGPT Work і Codex для користувачів Plus, Pro, Enterprise та Edu. Ваги моделі закриті, а запуск відбувається лише на інфраструктурі OpenAI.

MarkTechPost

Nace AI випустила Drex for Search для пошуку документів агентами

Nace AI випустила Drex for Search — рівень пошуку, що допомагає людям і AI-агентам знаходити підтвердження в документах. Компанія заявляє, що система може працювати з понад 1M файлів і підключатися до агентів для програмування, зокрема Claude Code, Codex, Cursor та OpenCode, через CLI, SDK, MCP або REST. Її можна розгорнути в керованій хмарі Nace, окремій хмарі, обліковому записі клієнта в AWS чи Azure, а також локально або в ізольованому середовищі.

MarkTechPost

Дослідники Цінхуа відкрили AKV для керування кешем LLM-агентів

Дослідники Університету Цінхуа та CUHK відкрили код AKV — серверної системи й бібліотеки політик для роботи з KV-кешем LLM-агентів. Проєкт має ліцензію Apache-2.0, побудований на SGLang і призначений для NVIDIA GPU. Ваги моделей до нього не входять. Систему випробували на GPT-OSS-120B, MiniMax-M2.7 і MiroThinker-1.7-Mini у чотирьох бенчмарках агентних завдань.

MarkTechPost

Nanbeige випустила відкриту модель для агентного програмування

Nanbeige LLM Lab опублікувала Nanbeige4.3-33B на Hugging Face за ліцензією Apache 2.0. Це щільна мовна модель із 33 млрд параметрів, вагами BF16 і контекстом на 524 288 токенів. Також доступна версія Nanbeige4.3-33B-Base для власного донавчання. Конфігурації запуску в SGLang і vLLM передбачають чотиристоронній тензорний паралелізм, а самі ваги потребують близько 66 ГБ пам’яті.

MarkTechPost

Hugging Face випустила відкриту ДНК-модель Carbon-X

Hugging Face випустила Carbon-X — відкриту мовну модель для роботи з ДНК із 14,8 млрд параметрів. Її розробили Hugging Face Bio спільно із Zhongguancun Academy та TIGEM / University of Naples Federico II. Декодерна модель приймає необроблені послідовності ДНК у чаті й відповідає англійською. Серед її завдань — оцінювання мутацій як доброякісних або патогенних, пошук регуляторних ділянок, класифікація організмів і прогнозування наступних основ.