Tech Meridian ← К СУЩНОСТЯМ
EN

КОМПАНИЯ · ENTITY #39

GitHub

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

26

MODELS · 4 ИСТОЧН. · Anthropic · TechCrunch AI · The Verge AI · The Decoder

Anthropic выпускает Claude Opus 5 — недорогая модель с близкой к фронтирной мощностью

Anthropic объявила Claude Opus 5 — новую модель, позиционируемую как более экономичный преемник Opus 4.8 и новый стандарт по умолчанию в Claude Max (а также сильнейшую в Claude Pro). По данным Anthropic, Opus 5 достигла или превзошла предыдущие модели на ряде бенчмарков для программирования, задач знания и науки (Frontier‑Bench, GDPval‑AA, CursorBench, ARC‑AGI, Zapier AutomationBench, OSWorld) при меньшей стоимости выполнения, но отстаёт от Mythos 5 в задачах по кибербезопасности и биологии; компания также указывает на улучшенную выравненность и безопасность и публикует System Card.

8.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

Подкаст GitHub: MCP, skills, агенты и RAG в рабочих процессах разработчиков

В последнем эпизоде подкаста GitHub ведущие отмечают, что разработчики по-прежнему несут ответственность за сгенерированный код и должны применять разную степень проверки в зависимости от риска. Они называют Model Context Protocol (MCP) стандартом для доступа к инструментам и данным, описывают «skills» как читаемую упакованную экспертизу и утверждают, что RAG (retrieval-augmented generation) остается полезным вместе с агентами и skills, а не устарел.

4.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

little m: ИИ-агент для формулирования моделей оптимизации промышленных процессов

Опубликована работа о 'little m' — ИИ-агенте, который сочетает специализированное хранилище знаний и взаимодействие на базе LLM для перевода разнородных промышленных спецификаций (текст и диаграммы процессов) в математические модели оптимизации. Авторы также представили IPC-Bench — набор из 50 мультимодальных сценариев для управления промышленными процессами; автоматические структурные проверки и слепая человеческая оценка показывают, что little m генерирует значительно более семантически корректные формулировки по сравнению с современными LLM, при этом работа не включает оценку применимости к решателям, физической корректности или замкнутой производственной производительности.

6.0

RESEARCH · 1 ИСТОЧН. · Apple Machine Learning Research

Dynamically Scaled Activation Steering (DSAS) адаптивно регулирует steering в генеративных моделях

DSAS — это независимая от метода платформа, которая разъединяет решение о том, когда выполнять steering, и способ его выполнения, вычисляя контекст-зависимые множители для регулирования силы преобразований активаций по слоям и входам. Авторы сообщают, что DSAS улучшает баланс между снижением токсичности и сохранением полезности, требует минимальных вычислений, повышает интерпретируемость, может оптимизироваться совместно с функциями steering; работа принята на воркшоп UniReps на NeurIPS 2025, а код будет опубликован на GitHub.

6.0

MODELS · 1 ИСТОЧН. · TechCrunch AI

PrismML выпустила Bonsai 2 27B — Qwen3.8 27B сжат в 9–10× (5,9 ГБ)

PrismML выпустила Bonsai 2 27B — сжатую версию открытой модели Qwen3.8 27B от Alibaba, уменьшенную примерно до 5,9 ГБ (снижение памяти в 9–10×) и показывающую около 98% от агрегированных бенчмарков Qwen. Стартап, основанный с участием исследователей Caltech, использует технику «тернарных» весов для сжатия, заявляет о минимальной потере качества по сравнению с оригиналом, ранее зафиксировал миллионы загрузок ранних релизов и планирует применить подход к гораздо большим моделям; компания привлекла сид-раунд на $22,25M при участии Khosla Ventures и Cerberus Capital.

7.0

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

AWS опубликовала бессерверное решение для метрик Git с визуализацией в Amazon QuickSight

AWS представила бессерверный, событийно-управляемый конвейер, который автоматически собирает метрики Git из GitHub и GitLab, сохраняет данные в Amazon S3 и визуализирует их в Amazon QuickSight. Решение использует EventBridge Scheduler, Step Functions, Lambda и параметры CloudFormation, включает детектор изменений, адаптивное разбиение и полные/инкрементальные загрузки для обеспечения почти в реальном времени аналитики разработки и поддержки наблюдаемости в рамках AI-DLC.

3.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

GitHub переписала рантайм агента Copilot на Rust с помощью Copilot

GitHub перевела рантайм агента Copilot с реализации на TypeScript/Node.js/V8 на более чем 800 000 строк производственного кода на Rust. Большую часть кода на Rust написали AI‑агенты через приложение и CLI Copilot в 128 pull‑request’ах; миграция внедрялась поэтапно, по словам автора, повысив производительность на порядки и снизив задержки запуска и потребление памяти для множества продуктов Microsoft/GitHub, использующих рантайм через Copilot SDK.

7.0

CODING · 1 ИСТОЧН. · xAI

SpaceXAI опубликовала исходники Grok Build — агент для кода и TUI

SpaceXAI опубликовала в открытом доступе исходный код Grok Build — своего агента для программирования и терминального интерфейса; исходники размещены на GitHub. Репозиторий показывает цикл работы агента (сбор контекста, разбор ответов, диспетчеризация вызовов инструментов), инструменты для работы с кодом и командной строкой, TUI и систему расширений (skills, плагины, hooks, MCP-серверы, субагенты), и может быть собран для полностью локальной работы с локальной инференс-системой через config.toml.

6.0

MODELS · 1 ИСТОЧН. · xAI

Grok 4.5 стал доступен в GitHub Copilot

Grok 4.5, последняя модель для программирования от SpaceXAI, теперь доступна как выбираемая модель в GitHub Copilot в VSCode и других продуктах Copilot (включая облачных агентов и Copilot CLI). Для некоторых компаний модель нужно включить в настройках Copilot; Grok 4.5 также доступна напрямую в консоли SpaceXAI по цене $2 за миллион входных токенов и $6 за миллион выходных токенов.

7.0

CODING · 1 ИСТОЧН. · xAI

Grok Build стал доступен всем на вебе, iOS и Android

Grok Build теперь доступен на всех тарифах и на вебе, iOS и Android: он превращает описания на естественном языке в работающие приложения прямо в чатах Grok и поддерживает публикацию на grok.me с кастомными доменами, форками, экспортом в GitHub, хранением секретов и коннекторами. Релиз (ранее в июле был Early Beta, ограниченный SuperGrok Heavy) добавляет более быструю сборку, интеграцию с X и богатые предпросмотры, сгенерированные обложки и доступ к моделям Grok через SpaceXAI APIs.

6.0

CODING · 1 ИСТОЧН. · Cohere

Cohere опубликовала megakernel-сервер для North Mini Code с ускорением декодирования на H100

Cohere описывает сервер на основе megakernel для модели North Mini Code (30B), работающий в BF16 на одной NVIDIA H100 и демонстрирующий ускорение 1.25×–1.41× в энд‑ту‑энд сравнении с vLLM; при batch=1 заявлены 292 ток/с (62% от теоретического предела), что примерно в 1.58× быстрее vLLM. Система поддерживает необходимые для продакшна функции (непрерывное батчирование, постраничное внимание, неравные длины), совместима с OpenAI API, реализована в одном CUDA‑файле, код опубликован на GitHub.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

CADWorld: бенчмарк для длительных рабочих процессов механического CAD в FreeCAD

CADWorld — новый бенчмарк (arXiv:2609.16251v1) для длительных задач проектирования в FreeCAD, содержащий 200 заданий в 11 категориях рабочего процесса (эскизирование, моделирование деталей, сборки, CAM, FEM, измерения, обработка сетки, технические чертежи и др.). Агенты работают через скриншоты и GUI‑действия и оцениваются исполняемыми проверками сохранённых артефактов FreeCAD; среди семи протестированных агентов лучший показывает 17,5% успеха против 87,0% у эксперта, что указывает на существенный разрыв в надёжности выполнения инженерных рабочих процессов.

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Исследование: разреженная интерполяция внутри анатомии превосходит перенос LightGBM между анатомиями для суррогатов аортального FSI

Авторы оценили геометрический LightGBM-прайор, выбранный по схеме leave-one-anatomy-out на трёх моделях и протестированный нулевым выносом на четвёртой, затем применили восстановление поля с 5% якорей; нулевой перенос показал плохие результаты, тогда как интерполяция внутри анатомии (обратное взвешивание по расстоянию и радиальные базисные функции) дала существенно более высокие R2 для OSI и стрессовых метрик. Код и данные опубликованы на GitHub, исследование основано на четырёх обезличенных аортальных моделях (arXiv:2609.16322v1).

5.0

COMPANIES · 1 ИСТОЧН. · AWS Machine Learning

Amazon Bedrock AgentCore Identity добавляет портал согласия для управления OAuth конечных пользователей

В AgentCore Identity от Amazon Bedrock появился управляемый портал согласия и конечная точка привязки сессий для AgentCore Gateway. В статье показано, как развернуть портал, настроить цели авторизации по коду для GitHub и Slack, пройти поток согласия конечного пользователя и просмотреть активность через AWS CloudTrail.

6.0

MODELS · 1 ИСТОЧН. · InfoQ AI, ML & Data Engineering

Project HydraFusion в GitHub Copilot обещает передовую производительность через маршрутизацию нескольких моделей

Project HydraFusion — это исследовательский превью для GitHub Copilot, реализующее рантайм‑оркестрацию моделей от разных поставщиков, динамически собирающее планы выполнения и использующее три шаблона исполнения в зависимости от сложности задачи. В предварительных оценках, приведённых в превью, отмечают высокое качество решений при заметном снижении эксплуатационных затрат.

7.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

Приложение GitHub Copilot для начинающих: использование diff, терминала и браузера

В статье в блоге GitHub дано руководство для начинающих по приложению GitHub Copilot: показано, как просматривать diffs, выполнять команды в терминале и предварительно просматривать веб‑приложения рядом друг с другом, чтобы не переключать вкладки при проверке кода, сгенерированного агентом.

4.0

MODELS · 1 ИСТОЧН. · GitHub AI & ML

Проект HydraFusion — исследовательский превью с мульти-модельной оркестровкой в GitHub Copilot

GitHub выпустила исследовательский превью Project HydraFusion в GitHub Copilot. В контролируемых оффлайн-оценках селективные рабочие процессы кодирования HydraFusion соответствовали или превосходили оценивавшийся базовый Opus 5 и при этом снизили оценочную стоимость рабочих процессов, говорится в публикации на блоге GitHub.

6.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

Блог GitHub: как запускать несколько агентов в приложении Copilot

GitHub опубликовал в блоге инструкцию для начинающих о запуске параллельных агентов в приложении GitHub Copilot. Публикация призвана помочь пользователям перейти от сомнений к эффективному использованию нескольких агентов в приложении.

3.0

COMPANIES · 1 ИСТОЧН. · GitHub AI & ML

GitHub объясняет новую AI-терминологию — loops, harnesses, squads, hill climbing

Команда GitHub по AI & ML (через подкаст и блог GitHub) опубликовала разъяснение новых AI-терминов, которые используют разработчики — включая loop engineering, harnesses, squads, open weights и hill climbing. Пост призван прояснить, как эти концепции обсуждаются в сообществе разработчиков.

3.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

GitHub объясняет, как снизить затраты на AI‑кодирование без потери качества задач

Запись в блоге GitHub AI & ML объясняет, почему более короткие ответы моделей иногда приводят к росту затрат и описывает, как GitHub Copilot уменьшает напрасную работу в рамках всего процесса кодирования. Пост опубликован в The GitHub Blog; в кратком анонсе не приведены подробные технические изменения.

5.0

MODELS · 1 ИСТОЧН. · GitHub AI & ML

GitHub: Как оценивать большие языковые модели перед выводом в продакшн

Блог GitHub опубликовал материал «Как оценивать большие языковые модели перед выводом в продакшн», в котором изложены выводы команды при оценке моделей для реальной системы поиска секретов. Статья подается как практическое руководство по проверке поведения и пригодности моделей перед развертыванием.

6.0

CODING · 1 ИСТОЧН. · GitHub AI & ML

Как канвасы делают агентные рабочие процессы заметными, управляемыми и экономичными

Пост в блоге GitHub AI & ML рассказывает об использовании канвасов для отображения, управления и снижения стоимости агентных (многоэтапных AI-агентов) рабочих процессов, указывая, что канвас-виды позволяют избежать потери видимости и контроля, характерной для чатов. Автор описывает применение канвасов в собственных рабочих процессах и объясняет, почему другим командам это может быть полезно.

5.0

CODING · 1 ИСТОЧН. · Mistral AI

Mistral представляет Vibe — единый AI‑агент для работы и кодинга

Mistral объявила о Vibe — едином AI‑агенте для длительных многоэтапных задач (Work Mode) и рабочих процессов по разработке (Code Mode). Vibe заменяет Le Chat, работает на флагманских моделях Mistral, включает расширение для VS Code и CLI, интегрируется с корпоративными сервисами (Google Workspace, Outlook, SharePoint, Slack, GitHub и др.) и доступен в планах Free, Pro, Team и Enterprise.

7.0

MODELS · 1 ИСТОЧН. · Mistral AI

Mistral выпускает Medium 3.5 (128B) с открытыми весами в публичном превью и добавляет облачные удалённые агенты в Vibe и Le Chat

Mistral Medium 3.5 — 128B dense «объединённая» модель с контекстом 256k и открытыми весами по модифицированной MIT-лицензии — доступна в публичном превью и становится моделью по умолчанию в Le Chat и Vibe. Обновление включает облачные удалённые агенты в Mistral Vibe и новый режим Work в Le Chat для многозадачных сценариев; цена — $1.5 за млн входных токенов и $7.5 за млн выходных, модель демонстрирует сильные результаты в бенчмарках (напр., 77.6% SWE-Bench Verified).

8.0

COMPANIES · 1 ИСТОЧН. · Mistral AI

Mistral выпускает Connectors и API/SDK для кастомных MCP в Studio (публичный предпросмотр)

Mistral добавила Connectors в Studio (публичный предпросмотр): все встроенные коннекторы и кастомные MCP теперь доступны через API/SDK для вызовов моделей и агентов. Обновление вводит прямой вызов инструментов, потоки утверждения с участием человека и централизованную регистрацию коннекторов для повторного использования в приложениях Mistral (LeChat, AI Studio; Vibe скоро).

7.0

MODELS · 1 ИСТОЧН. · Google Research

Exphormer: масштабирование графовых трансформеров с помощью экспандер-графов

Exphormer — это фреймворк с разреженным вниманием для графовых трансформеров от Google Research (представлен на ICML 2023), который заменяет плотный граф взаимодействий полным вниманием на разрежённый d-регулярный экспандер (используется случайная конструкция Фридмана, близкая к раманджуану). Подход комбинирует ребра экспандера с входным графом и виртуальными узлами, даёт линейное число рёбер и показывает сильные эмпирические результаты на разных графовых датасетах; реализация доступна на GitHub.

7.0