ИИ за неделю — Claude Fable 5.2, Gemini и новые бенчмарки: 9–15 ноября
За эту неделю вышло сразу несколько интересных обновлений. Anthropic показала модель, которая координирует тысячи агентов и берётся за научные задачи. Google продолжает переносить Gemini из чатов в физический мир. Meta* выпустила компактную модель для агентных сценариев, а разработчики бенчмарков пытаются наконец‑то оценивать реальную работу ИИ.Собрали главное за 9–15 ноября: релизы, исследования, инструменты и немного индустриальной кухни. Claude Fable 5.2 и Mythos 5.29 ноября Anthropic представила Claude Fable 5.2 и Mythos 5.2
Справка llama.cpp: основные команды и параметры
Последняя дата валидации: 15.11.2026.Последняя используемая версия llama.cpp:llama version version: 0.8.0-dev (build 12014, commit aa588a346) built with GNU 11.4.0 for Linux x86_64Вводная часть и список частей справки тут:https://habr.com/ru/articles/1107998/В этой части описываются Common Params (Общие параметры).Параметры этой категории в основном полностью пересекаются между всеми утилитами: llama-cli, llama-completion, llama-server. Там где есть отличия, будут соответствующие комментарии.
Холст, масло, ИИ
Это я попросил Квен представить скандал на недавней Гонкуровской премии
Геопространственный риск: что городские признаки добавляют к истории инцидентов
Можно ли улучшить прогноз криминальных инцидентов, дополнив их историю характеристиками городской среды? На открытых данных Лимы строим ежедневные оценки риска для 2 120 ячеек H3. В подходе, вдохновлённом Risk Terrain Modeling (RTM), кодируем POI, застройку и уличную сеть как потенциальные пространственные факторы риска. Сравниваем градиентный бустинг с историческими бейзлайнами по доле инцидентов следующего дня, попавших в 5% ячеек с наибольшим прогнозируемым риском.Исследование полностью основано на открытых данных
Погружение в большие языковые модели (часть 1)
Сбор данныхДопустим, мы хотим обучить какую-нибудь модельку. Как в целом будет выглядеть процесс обучения?
Аудит MIT-p50c для Qwen3.5-0.8B и редактирование весов с сохранением норм (SGNE-CC) при лимите 32 768 токенов
Qwen3.5-0.8B — модель с 752 млн параметров, 18 рекуррентными слоями GatedDeltaNet и 6 слоями внимания. В проверенных прогонах с весами BF16 она часто не завершает размышление до лимита в 32 768 новых токенов. В работе MIT CSAIL Sparks of Weight-Space Programming (Takehi et al., 2026) правка весов без дообучения MIT-p50c повышает точность на MATH-500 с 7.9% до 48.1% — в среднем по четырём прогонам vLLM с настройками из карточки модели: температурой 0.6 и штрафом 1.5 за уже использованные токены. Базовая модель в этом эталоне достигает предела длины в 93.0% генераций.
Эпизод 2. Подсмотрено у мозга: предсказание, азбука, план
Продолжаем решать интересную RL-задачу: агент должен сам научиться играть в Atari Frostbite по сырым видеокадрам, чтобы набрать 136k+ очков и одолеть SOTA модель MEME-200 . Меня зовут Михаил Кочеров. Я занимаюсь этой задачей, потому что по ходу её решения можно лучше понять, как работает наш мозг. Как будто сама природа подкидывает проблемы и намекает на пути их решения, шепча “Загляни в себя, там все ответы”. Разобраться в работе нашего мозга — мой идефикс.Во Frostbite
Как ускорить локальную LLM на 50% без покупки новой видеокарты
На GTC Berlin 2026 участники воркшопа NVIDIA смогли ускорить генерацию Qwen3-32B с 16,4 до 24,5 токена в секунду, не меняя оборудование. Для этого использовали FP8 вместо BF16. Общая пропускная способность тоже выросла, хотя и заметно меньше: с 639 до 719 токенов в секунду.Эксперимент проводили на Kubernetes-кластере с четырьмя NVIDIA A100 по 80 ГБ. У каждого участника был собственный кластер, на котором можно было разворачивать модели, менять конфигурацию и измерять производительность. Помимо квантизации, на занятии разбирали NVIDIA Dynamo, маршрутизацию запросов с учётом KV-кеша, автоматическое масштабирование и разделение prefill/decode между GPU.

