📸 Krea 3: правка изображений за 8 секунд в нативном 2K

Krea выпустила Krea 3 - новую модель редактирования изображений, которая ориентирована на скорость и стоимость. Большинство правок возвращаются менее чем за 8 секунд end-to-end при нативном разрешении 2K. Цена - $0.06 за изображение в 2K и $0.03 в 1K.

Для сравнения Krea приводит собственные замеры: Nano Banana Pro - около 33 секунд и $0.135 за картинку, GPT Image 2 - 90 секунд и $0.22. На объёме в 100 000 правок разница в цене составляет $6 000 против $13 500 и $22 000 соответственно.

Ключевая особенность - точность: модель меняет только то, о чём попросили, сохраняя лейблы, логотипы, лица и персонажей. Поддерживается до 6 референсных изображений на одну правку, что позволяет переносить товар в новую сцену, менять материалы и свет или держать одну и ту же модель в серии кадров.

Krea 3 уже доступна на krea.ai, а также через fal, Hedra, Together AI, Nous Research, OpenRouter и Replicate. Основные сценарии - e-commerce, реклама и кино: из студийного пакшота делают лайфстайл-кадр, локализуют постер или примеряют материалы до начала стройки.

🎨 qvabo.studio/tg · картинки и видео

#AI #Krea3 #Media #ImageGen #EditingAI

🧠 «Мы недостаточно амбициозны»: инженер Anthropic объясняет, как это исправить

Феликс Ризеберг, работающий над Claude, написал разбор того, что обычно остаётся лозунгом. Он замечает, что возможности моделей растут неравномерно: по словам Теренса Тао, они «поразительны в одних направлениях и неадекватны в других». Кто-то научился пилотировать именно поразительную часть и буквально летает, а большинство всё ещё машет новыми крыльями, не понимая, зачем они нужны кроме «сделай письмо менее злым». Отсюда постоянный клич «мы недостаточно амбициозны» - который легко провозгласить и трудно исполнить.

Он делит амбицию на четыре типа. Скорость это та же работа за меньшее время, экономическая основа ИИ, но творчества она не требует, и автор её пропускает. Высота означает подъём на уровень абстракции: вместо задачи вы формулируете исход. Глубина это выполнение задачи так, как сделал бы ведущий эксперт поля, с заходом на уровень сырых данных и инструментов. Широта это привлечение нескольких дисциплин сразу, которые раньше было бы нерентабельно задействовать.

Самый наглядный пример у него про высоту и как раз про скучную офисную работу. В начале прошлого года он просил Claude чинить отдельные краши. Со временем просьба стала другой: просто держи наши приложения без крашей. Но у такого перехода есть цена, о которой обычно молчат. Чтобы это заработало, пришлось перестроить сам процесс: дать модели возможность забирать краш-репорты, сопоставлять версию приложения с коммитом и получить доступ к машинам на Windows, macOS и Linux, чтобы она могла самостоятельно воспроизводить и проверять исправления. Сам автор честно отмечает границу: «Claude, иди заработай денег» в 2026 году для большинства бизнесов всё ещё не работает.

Высота. Признак, что пора подниматься в абстракции - если по поводу работы у вас запланированы совещания. Для творческих задач работает хуже. На примере квартального обзора: не обновлять цифры в шаблоне, а дать максимум данных и спросить, что изменилось, почему и что делать. Выше - выделить три срочных решения с аргументами за и против. На верхнем уровне - спроектировать способ ловить проблемы раньше, чем квартальная презентация, доказать на истории компании, что он сработал бы, и прогнать параллельно с текущим.

Глубина. Модели на просьбу «веди себя как профессионал» часто меняют словарь, но не метод. Требуйте реальных инструментов: тянется к markdown-таблицам — настаивайте на базах данных и статистике. Ставьте неразумные цели: нужна загрузка за 5 секунд вместо 10, просите 200 миллисекунд. Проверяйте то, что считаете известным: «мы думаем, что отток это проблема онбординга, воспроизведи из сырых данных». И не давайте модели судить саму себя, нужен внешний судья.

Широта. Замените существительные глаголами: квартальный обзор это не презентация, а «заставить занятых людей поверить в историю про причину и следствие и принять решение за 30 минут». Так видно, какие поля дадут угол. Дальше собирайте команду как в фильме про ограбление: аналитик, журналист, редактор, плюс красная команда из шорт-селлера и судебного бухгалтера. Но не ролевая игра: просите не писать как шорт-селлер, а делать то, что он делает.

Промпт для глубины. Попросить более глубокую версию задачи, а не более объёмную, ответив сначала на четыре вопроса: что сделал бы топовый профессионал, о чём вы не просили; с какого сырого материала начал бы; какие методы применил бы; что подтвердит правильность результата. Затем переписать запрос под это.
Условие. Всё это требует, чтобы у модели был компьютер с возможностью ставить софт и доступ к данным.

🎨 qvabo.studio/tg · картинки и видео

#AI #Productivity #Anthropic #Claude #Workflow

💻 NVIDIA расширила семейство Nemotron: открытая модель Super VL на 120 млрд параметров и edge-модели Bolt

NVIDIA выпустила Nemotron 3.5 Super VL - открытую мультимодальную модель на 120 млрд параметров (A12B) для специализированных всегда включённых агентов. По данным Artificial Analysis, она обеспечивает до 5x более высокую пропускную способность, чем ближайшие аналоги в своём классе, при точности, сопоставимой с крупнейшей reasoning-моделью NVIDIA при примерно в пять раз меньшем числе параметров.

Модель работает с изображениями, веб-страницами и PDF: OCR, таблицы, графики, извлечение структурированных данных - всё в одном контуре, без маршрутизации задач между отдельными системами. Веса, датасеты и рецепты обучения открыты; дообучение идёт через NVIDIA NeMo. Компании уже адаптируют Super VL под свои данные: Scale AI, AI21, Perplexity, Atlassian, CrowdStrike, Salesforce, Synopsys, ModelScope.

Для локального запуска представлены две edge-модели: Bolt 74B-A9B (24 ГБ, нативная 2-битная квантизация) для агентных задач на RTX и DGX Spark, и Bolt E4B (4 ГБ) для голосовых ассистентов и встраиваемых интерфейсов на GeForce RTX и Jetson. Поддержаны llama.cpp, Ollama, LM Studio, Unsloth и vLLM. Super VL и Bolt 74B доступны сейчас на Hugging Face и через NVIDIA NIM, Bolt E4B - с 23 октября.

🎨 qvabo.studio/tg · картинки и видео

#AI #NVIDIA #Nemotron #Tech #OpenSource #LLM

👩‍💻 Anthropic выложила плагин, который переписывает легаси и отдельно доказывает, что ничего не сломалось

Главная идея code-modernization не в самом переписывании, а в том, что вердикт о сохранении поведения выносит скрипт, а не модель. Шаг modernize-verify прогоняет тесты заново с нуля, берёт счётчики из файлов раннера, а не из текста отчёта, запускает старую и новую версии на одних входах и сравнивает вывод побайтово. Дальше идут самопроверки: плагин сам сочиняет минимум десять новых наборов данных (границы, пустое, огромное, повреждённые записи), намеренно ломает одну строку, чтобы увидеть красные тесты, и портит один байт вывода, чтобы проверить сравнивалку. Вердикт выдаётся по каждому модулю отдельно: PROVEN, PARTLY PROVEN или NOT PROVEN. Если старую систему негде поднять, честный потолок это PARTLY PROVEN, и отчёт пишет об этом прямо.

Перед сборкой идёт разведка. modernize-preflight задаёт пять вопросов, на которые может ответить только живой инженер, и убеждается, что код вообще собирается. Затем modernize-assess считает инвентарь, сложность, долг и безопасность, modernize-map рисует зависимости и потоки данных, а modernize-extract-rules вытаскивает бизнес-логику в карточки Given/When/Then со ссылками вида файл:строка, причём каждую карточку перепроверяет второй агент. Человек подтверждает или правит спорные правила, после чего modernize-brief собирает фазовый план. До одобрения плана код не трогают. Сборок три на выбор: uplift для новой версии той же технологии, transform для переезда на другой стек по модулю, reimagine для пересборки на новой архитектуре.

Легаси-исходники не редактируются вообще: плагин делает симлинк на вашу папку и пишет только в analysis/ и modernized/, запрет продублирован deny-правилом в настройках. Чужой код считается недоверенным вводом, поэтому агенты трактуют содержимое файлов как данные, выписывают найденные в комментариях инструкции-ловушки в отчёт вместо исполнения и маскируют найденные ключи. Ставится командой /plugin install code-modernization@claude-plugins-official, лицензия Apache 2.0, промпты и шаги лежат в репозитории и форкаются под свой стек.

Цифры прогонов и расход Anthropic гоняла плагин headless на публичных репозиториях и приводит данные из файлов этих прогонов. AWS CardDemo на COBOL: 35 правил, начисление процентов переехало на Java 21, 213 тестов и пять независимых проверок подряд, каждая находила новый дефект, итог NOT PROVEN. Eclipse Jetty с Java 8 на 17: пилот на jetty-util, 946 тестов дают одинаковый результат на обеих версиях, сверху 50 дописанных тестов. osCommerce с PHP на Python и FastAPI: 17 957 тестов и 17 727 сравнений с живым PHP сошлись, итог PROVEN. JPetStore в REST API: 6 из 24 новых сравнений разошлись, NOT PROVEN. На заминированном репозитории с инструкциями в комментариях, README и CLAUDE.md ничего подброшенного не выполнилось. Расход заметный: extract-rules поднимает 50-200 агентов, сборка модуля занимает 15-30 минут, на крупной базе советуют начинать с одного модуля.

🎨 qvabo.studio/tg · картинки и видео

#AI #Anthropic #ClaudeCode #DevTools #Legacy #Tech

🤖 ChatGPT получил доступ к открытым вкладкам Chrome

После закрытия браузера ChatGPT Atlas компания OpenAI усилила своё расширение для Google Chrome: теперь ассистент умеет читать открытые вкладки, если упомянуть @chrome в запросе в веб- или десктоп-приложении ChatGPT.

В демо OpenAI пользователь просит сравнить три вкладки с диванами, которые рассматривает к покупке. Среди других примеров - перенос данных о поставщиках из вкладок в сравнительную таблицу с ценами, ссылками и ключевыми характеристиками, сравнение услуг подрядчиков по ремонту с черновиком письма выбранному исполнителю и заполнение форм (например, регистрация на мероприятие или запись к врачу) с остановкой перед отправкой.

Также обновлён сайдбар ChatGPT: в нём доступна «полная мощь» ассистента и вся история переписки из Chat или Work без ухода со страницы. Режим ChatGPT Work может управлять вкладками Chrome - отправлять сообщения, заполнять формы, скачивать файлы и группировать открытые вкладки. Функциональность похожа на «auto browse» от Google на базе Gemini.

🎨 qvabo.studio/tg · картинки и видео

#Tech #OpenAI #ChatGPT #Chrome #AI #Browsers

🟰 GPT-6-Astra решила 49 из 50 задач по теоретической физике - по $2,40 за штуку

Новый бенчмарк TheoPhysEval проверил коммерческие AI-агенты на задачах из теоретической физики - без подсказок от людей. Лидером стал GPT-6-Astra в среде Codex от OpenAI: 49 из 50 верных ответов (98%), в среднем менее $3 за задачу и около $116 за весь прогон.

Задачи охватывают 11 подобластей - от гидродинамики до физики частиц и космологии. Это не открытые проблемы, а «рутинная» работа: применить известный метод к слегка изменённому вопросу. Пример с чёрными дырами требует найти старую статью, перенести уравнения из пятимерного пространства-времени в четырёхмерное и посчитать результат собственной программой - у координатора исследования это заняло около дня.

Второе место у Opus 5.5 в Claude Code - 92%. Далее Gemini 3.8 Flash (68%), DeepSeek-V4.1-Flash (54%) и GLM 5.3 (42%). Слабые модели копировали формулы без адаптации под нужную размерность. Доступ в интернет почти не помог: без веб-поиска Astra и Opus набрали те же 92%. Одна задача не поддалась никому.

Часть «ошибок» модели оказалась ошибками в эталонных ответах - после правок ответы Astra были верны. Отмечается и структурный риск: пока прогон стоит около $116, но для сложных задач расходы вырастут, а значит, бюджет группы начнёт влиять на результаты даже в теоретической физике.

🎨 qvabo.studio/tg · картинки и видео

#AI #Physics #Benchmarks #OpenAI #Research

⚙️ GovTech Singapore и Google DeepMind представили скам-детектор на базе Gemma

Сингапурское агентство GovTech совместно с Google DeepMind раскрыло детали антифрод-системы, которая работает прямо на устройстве пользователя. В основе - небольшая модель семейства Gemma, анализирующая входящие сообщения локально.

Главная особенность - инференс на смартфоне без отправки переписки на внешние серверы. Это снижает риски утечек персональных данных и позволяет выявлять мошеннические SMS и сообщения в мессенджерах в реальном времени, в том числе при слабом соединении или офлайн. Решение рассчитано на госсервисы и массовых пользователей, которым важна приватность.

Кейс показывает, что открытые компактные модели уровня Gemma пригодны для прикладных задач edge-инференса: классификации текста, детекции фишинга и антифрод-сценариев - без облачной инфраструктуры и с минимальной задержкой.

🎨 qvabo.studio/tg · картинки и видео

#AI #Gemma #GoogleDeepMind #Edge #CyberSecurity

💵Cal AI: армия инфлюенсеров принесла приложению $30 млн за два года

Основатель Cal AI Зак Ядегари, которому всего 19 лет, на TechCrunch Disrupt раскрыл, как AI-приложение для подсчёта калорий вышло в вирусную популярность. Запущенный в 2024 году сервис заработал более $30 млн за два года и в марте был куплен MyFitnessPal за неназванную сумму.

Ключевой канал роста - платное продвижение через инфлюенсеров. Ядегари начал масштабировать схему после того, как один пост блогера привёл около тысячи новых пользователей за два дня. Компания заключала с авторами сделки «оплата за охват»: фиксированная сумма в обмен на гарантированный объём просмотров и продолжение публикаций до достижения цели. Основатель назвал формулу почти линейной - каждый пост давал предсказуемую конверсию, - но крайне быстрой. Главным критерием отбора блогеров он назвал «узкие, плотные сообщества», а не общую аудиторию.

Параллельно Ядегари запустил стартап Persona - персонального AI-агента, который уже привлёк $10 млн. Ассистент должен работать везде, где есть интернет: в iMessage, приложении, email и телефонных звонках, а вокруг него планируется построить собственную аппаратную экосистему. Для разработчиков это ещё один сигнал: дистрибуция через инфлюенсеров становится рабочим каналом для потребительских AI-продуктов.

🎨 qvabo.studio/tg · картинки и видео

#Business #CalAI #MyFitnessPal #Persona #Agents #Startups

👩‍💻 Claude Code v2.1.302: выбор модели для auto mode и десятки исправлений

Вышел релиз Claude Code v2.1.302 - крупный пакет исправлений и настроек для разработчиков. Главное: появилась переменная окружения CLAUDE_CODE_AUTO_MODE_MODEL, задающая модель для клиентского классификатора auto mode (серверный auto mode она не меняет). В /config добавлена строка Idle compaction - авто-сжатие простаивающего контекста теперь можно отключить и снова включить.

Из исправлений: Read tool больше не грузит в память изображения любого размера - источники свыше 128 МБ отклоняются. Ушла ошибка «diagnostics: Extra inputs are not permitted» при переключении на Vertex или Bedrock в середине сессии. MCP-серверы с протоколом 2026-07-28, не отдающие resultType, ttlMs или cacheScope, больше не ломают вызовы инструментов. PowerShell находит команды в bin/ плагина, plugin marketplace не переклонируются при каждом обновлении, а git-плагины получают версию при reftable-формате.

Fork-субагенты (subagent_type: "fork") включены по умолчанию в claude -p, Agent SDK, desktop и VS Code; отключаются через CLAUDE_CODE_FORK_SUBAGENT=0. Ускорен старт при многих плагинах, в Claude Tag улучшена админка: поиск по 100 GitHub-аккаунтам и вкладки Bundles, Connectors, Skills and plugins, Channels.

🎨 qvabo.studio/tg · картинки и видео

#ClaudeCode #AI #Skills #GitHub #Development #MCP

☁️ AWS представила девятиэтапный фреймворк оценки AI-агентов на базе Amazon Bedrock AgentCore

Команда AWS SMGS Operations рассказала, как построила непрерывный контроль качества для мультиагентной системы, обслуживающей отдел продаж AWS по всему миру. Отдельные субагенты отвечают за выручку по территориям, 360-градусный профиль клиента и text-to-SQL запросы к аналитическим данным.

Проблема в том, что агенты ломаются тихо: latency и error rate остаются в норме, а ответы незаметно становятся неверными. До запуска Customer Insights Agent выдал трёхмесячную выручку клиента в $410,08 как «$410 Million», сослался на несуществующий в данных ARR и подал собственные расчёты как факты из источника. Мониторинг при этом оставался зелёным.

Фреймворк охватывает девять стадий жизненного цикла - от первого коммита до продакшена: определение эталона, сравнение версий, CI-регрессии, CD-гейт, канареечный скоринг, adversarial-тесты, детекцию дрейфа, пульс-мониторинг и автоматическую петлю обратной связи. Оценка ведётся на трёх уровнях: инструменты, отдельные агенты и оркестрация между ними. По словам AWS, рассогласование версий данных, промптов и кода в одном тесте уронило pass rate с 78% до 38%.

Стек: AgentCore Evaluations, Amazon Bedrock Guardrails, CloudWatch, S3, Redshift, AWS Lambda и Amazon Quick.

🎨 qvabo.studio/tg · картинки и видео

#Tech #AWS #AI #Agents #AmazonBedrock #MLOps #Development

💊 Общие LLM обошли медицинские AI-сервисы на клинических тестах

Исследование в Nature Medicine сравнило специализированные клинические AI-инструменты OpenEvidence и UpToDate Expert AI с универсальными моделями GPT-5.2, Gemini 3.1 Pro и Claude Opus 4.6. Оценка шла в три этапа: 500 вопросов MedQA, 500 заданий HealthBench и 100 реальных клинических запросов врачей из рабочей среды NYU Langone, которые слепо разметили 12 американских клиницистов.

Универсальные модели выиграли во всех трёх тестах. На MedQA лучший результат у Gemini - 97,4%, у GPT 94,2%, у Claude 90,2%, тогда как OpenEvidence набрал 89,6%, а UpToDate 88,4%. На HealthBench GPT получил 88,0 против 62,6 и 61,3 у клинических сервисов. В реальных запросах Gemini, GPT и Claude заняли верхний уровень (3,52-3,62 из 4), а OpenEvidence (3,24), UpToDate (3,17) и Google AI Overview (3,27) - нижний.

Авторы отмечают: UpToDate отказывался отвечать на 19% запросов, а OpenEvidence слабее всех по ясности ответа. По вредному контенту и галлюцинациям значимых различий между моделями не нашли. Вывод: клинические AI-инструменты не превосходят универсальные модели, и им нужна независимая проверка на реальных задачах до внедрения в медицину.

🎨 qvabo.studio/tg · картинки и видео

#Ai #NatureMedicine #Research #LLM #Healthcare

❌ Replit прекратил сотрудничество с Anthropic - CEO назвал причину

Replit больше не работает с Anthropic. Об этом сообщил CEO компании Амджад Масад, не раскрыв полного списка причин, но отметив, что среди них - стоимость.

В августе Replit объявил о партнёрстве с OpenAI, однако прямых указаний на то, что сотрудничество с Anthropic прекращено, до сих пор не было. Теперь смена поставщика моделей подтверждена официально.

Для пользователей платформы это означает, что генерация кода и агентные сценарии Replit всё больше будут опираться на модели OpenAI. Смена бэкенда может отразиться на поведении и качестве вывода - разработчикам, завязанным на конкретные модели Anthropic, стоит проверить свои пайплайны.

🎨 qvabo.studio/tg · картинки и видео

#AI #Replit #Anthropic #OpenAI #Tools #Development

📸 FLUX.3 Image Klein от Black Forest Labs вышел в Diffusers в день релиза

Black Forest Labs выпустила FLUX.3 Image Klein - одну модель, которая совмещает text-to-image, image-to-image с несколькими референсами и новую функцию layout control. Управление композицией задаётся через bounding box прямо в промпте: координаты в шкале 0-1000 указывают, где рисовать каждый элемент или куда переместить часть референсного изображения при редактировании.

Оба открытых чекпоинта доступны в коллекции на Hugging Face. Дистиллированный вариант генерирует кадр 1024×1024 примерно за 2 секунды на H100 - 16 шагов, без CFG. Базовая модель работает в 50 шагов с CFG. Квантованные веса NVFP4 и FP8 загружаются через from_single_file, что позволяет запускать модель на небольших GPU. В комплекте - скрипты обучения LoRA как для генерации, так и для редактирования изображений.

Pipeline собран в формате Modular Diffusers: блоки можно вынимать или заменять своими, а текстовый энкодер берётся от Qwen3-VL. Для работы нужны свежие версии diffusers и transformers - запустить генерацию можно в публичном Space, не поднимая окружение локально.

🎨 qvabo.studio/tg · картинки и видео

#AI #FLUX #Diffusers #BlackForestLabs #ImageGen #OpenSource

⚙️ Anthropic запустила dynamic workflows для оркестрации агентов Claude

На конференции AI Engineer NYC 2026 инженеры Anthropic CJ Avilla и Harrison Stall представили dynamic workflows («flows») - новый тип мультиагентной оркестрации в Claude Managed Agents. Функция была анонсирована в пятницу и доступна в Claude Console.

Ключевое отличие: раньше разработчик сам настраивал координатора и набор субагентов, теперь Claude самостоятельно проектирует топологию - составляет план, пишет оркестрационную программу, запускает агентов, собирает результаты и управляет потоками данных. При необходимости можно передать предварительно настроенных специализированных субагентов через конфиг.

Из Q&A: количество агентов регулируется через evals и «низкие дефолты»; модель не знает своего бюджета во время работы (лимит задаётся на сессию) - иначе агенты, по словам Stall, становятся «немного тревожными». Субагенты общаются через общую файловую систему, все переходы графа видны в Console. Для удешевления повторных прогонов предлагают функцию «dreaming» - реорганизацию памяти по прошлым сессиям. Flows дороже одиночного агента, но заметно точнее в деталях.

🎨 qvabo.studio/tg · картинки и видео

#AI #Anthropic #Claude #Agents #Development

❓ Почему ИИ пока не готов расшифровать запутанный геном человека

Учёные и AI-модели пока не располагают достаточными данными, чтобы корректно интерпретировать ДНК. Геном внутри клеток - не просто набор инструкций, а динамическая система, которая меняется и работает в сложном контексте.

Как отмечает Wired, современным AI-инструментам не хватает репрезентативных данных и понимания биологических механизмов. Из-за этого модели могут находить закономерности, но пока не способны надёжно объяснять, как эти закономерности связаны с реальной работой генома.

Это ограничивает применение ИИ в геномике: от поиска причин заболеваний до персонализированной медицины. Для прорыва нужны не только более мощные модели, но и качественные наборы данных, учитывающие динамику и контекст ДНК.

🎨 qvabo.studio/tg · картинки и видео

#AI #Genomics #Biotech #Research #Wired

🧠 Стартап Elorian выпустил первую ИИ-модель Glimpse для рассуждений с изображениями

Компания Elorian представила свою дебютную модель Glimpse - мультимодальную систему, которая, по задумке разработчиков, умеет не просто описывать картинки, а рассуждать непосредственно в визуальной среде, а не только «о» ней.

По собственным оценкам Elorian, Glimpse обходит даже GPT-6 Astra в задачах анализа научных графиков и составления подписей к коротким видео. На остальных задачах визуального рассуждения модель показывает сопоставимые результаты с конкурентами.

Ключевая идея - сместить акцент с текстового посредника на работу с изображением как с источником рассуждений: диаграммы, схемы и видеоряд становятся не приложением к промпту, а полноценным объектом анализа. Это особенно актуально для научной визуализации, инженерных дашбордов и инструментов автоматического описания видео.

Стоит отметить: сравнения с GPT-6 Astra основаны на внутренних бенчмарках самой Elorian, независимой проверки пока нет. Для разработчиков это ещё один сигнал, что конкуренция в мультимодальных моделях смещается в сторону специализированных задач визуального reasoning.

🎨 qvabo.studio/tg · картинки и видео

#AI #MultiModal #Glimpse #Elorian #Development