Нейроканал

NVIDIA выпустила PersonaPlex-7B — голосовую модель, которая работает в full-duplex режиме. Слушает и говорит одновременно, как в обычном разговоре. Модель основана на Moshi от Kyutai, но с улучшенным контролем персоны и задержками. Релиз был уже какое-то время назад, но в топы модель залетела недавно. Сразу предупрежу, что болтает модель только на английском. Так вот, классический стек для голосовых ассистентов — ASR, LLM и TTS. Три отдельные модели, три задержки (обычно 300–500 мс в сумме), невозможность прерывать собеседника. PersonaPlex заменяет весь стек одним трансформером на 7 млрд параметров, который работает напрямую с аудио через нейрокодек Mimi. Задержка ответа — около 170 мс, при прерывании пользователем — до 240 мс. Это быстрее человеческой реакции в разговоре (200–300 мс). Поддерживает бэкченнелинг (те самые «угу», «ага» во время слушания) и корректно обрабатывает наложения речи. На FullDuplexBench показывает TOR 0,908 для smooth turn-taking и 0,950 для interruptions — это выше, чем у GPT-4o Realtime и других коммерческих систем. Код под MIT, веса под NVIDIA Open Model License. Требует NVIDIA Ampere/Hopper GPU и Linux. Аудиоформат — 24 кГц. Интересная архитектура, но практическое применение пока под вопросом — ограничение на английский язык и требования к железу сузят аудиторию. Посмотрим, как быстро появятся многоязычные версии и квантизация для бюджетных GPU. @neuro_channel

Microsoft открыла VibeVoice-ASR — модель для распознавания речи, которая обрабатывает до 60 минут аудио за один проход. Главная фишка — структурированный вывод. Не просто текст, а три компонента: Who (спикер), When (таймстемпы), What (содержание). По сути, speaker diarization из коробки. Плюс поддержка Hotwords — можно указать специфичные термины, чтобы модель их точнее распознавала. Технически интересно: токенизаторы работают на 7,5 Hz — это очень низкий framerate. Для сравнения, Whisper использует 50 Hz. Низкая частота позволяет эффективно обрабатывать длинные последовательности без взрывного роста памяти. VibeVoice-ASR — часть линейки VibeVoice. Ранее Microsoft выпустила TTS-модели: VibeVoice-1.5B (август 2025) синтезирует речь до 90 минут с четырьмя разными спикерами, VibeVoice-Realtime-0.5B (декабрь 2025) работает в стриминговом режиме. Теперь добавили ASR. ➡️ Ограничения Только английский и китайский. Для production Microsoft пока не рекомендует — явно указано «research and development purposes only». 📎 MIT-лицензия, код на GitHub, веса на HuggingFace. @neuro_channel

Но ведь мы должны были начать меньше работать, потому что с ИИ программировать быстрее...

Новая Octen-Embedding-8B заняла первое место на мультиязычном RTEB Leaderboard — бенчмарке для оценки качества эмбеддингов. Mean (Task): 0,8045. Интересно, что на приватных датасетах модель показывает 0,8157, а на публичных — 0,7953. Обычно наоборот: модели переобучаются на публичные бенчмарки. Здесь видим реальную генерализацию. Модель построена на Qwen3-Embedding-8B с LoRA fine-tuning. Поддерживает 100+ языков и контекст до 32 768 токенов — можно эмбеддить целые документы, а не резать на чанки. Специализация на доменных данных: legal, finance, healthcare, code. Авторы явно оптимизировали под retrieval в специфических областях — это объясняет высокие результаты на приватных датасетах, где много юридических и финансовых документов. Для тех, кому 8B параметров много, есть версия на 0.6B — лёгкая для edge-устройств, и 4B промежуточная (третье место лидерборда). Практическое применение: RAG-системы, семантический поиск, классификация документов. Если работаете с корпоративными данными (контракты, отчёты, медицинские документы) — модель заточена именно под это. 📎 Модель на HuggingFace, на скрине ТОП-12 RTEB @neuro_channel

Репозиторий anthropics/skills — самый популярный Python-репозиторий на GitHub прямо сейчас. +1400 звёзд в день, 50 тыс. уже набежало. Подробнее в соседнем канале описал что это и зачем. Тут хочу просто сам факт отметить, что скиллы для Claude Code в трендах. И Cursor в последнем обновлении тоже научился их использовать. @neuro_channel

OpenAI заработала $20 млрд в 2025 году. Звучит впечатляюще, пока не узнаешь, что потратила она при этом около $60 млрд. По данным из отчётов, на каждый заработанный доллар OpenAI теряет примерно три. Deutsche Bank называет это «неизведанной территорией» — ни один стартап в истории не работал с убытками такого масштаба. HSBC прогнозирует, что к 2030 году компании не хватит $207 млрд даже при выручке свыше $200 млрд. Проблема в самой бизнес-модели: каждый запрос к ChatGPT стоит реальных денег. Чем больше пользователей, тем больше убытков. Рост не решает проблему, а усугубляет её. При этом даже CEO ИИ-компаний признают существование пузыря. Сэм Альтман:

Переоценили ли инвесторы ИИ? Думаю, да.

Демис Хассабис из Google DeepMind:

На частном рынке очевидно есть пузырь.

Дарио Амодеи из Anthropic называет оценки «немного неустойчивыми». На Hacker News обсуждение перешло от «обанкротится ли OpenAI» к «когда потеряет независимость». Большинство аналитиков считают наиболее вероятным поглощение Microsoft к 2027–2028 году. Технология останется, ChatGPT никуда не денется, но независимой компании с миссией «безопасный AGI для человечества» уже не будет. Один венчурный капиталист назвал происходящее «историей WeWork на стероидах». Только у WeWork не было Microsoft за спиной. Впрочем, это скорее надежда на поглощение, чем на спасение. От автора: Как вам такой формат постов? Обзор мнений по сути. Меня смущает, что нет конкретики для разработчиков, но тема-то интересная. @neuro_channel

Anthropic опубликовала «конституцию» Claude — документ, который определяет ценности и поведение модели на всех этапах обучения. Раньше это был просто список принципов. Теперь — подробный документ с объяснениями, написанный в первую очередь для самого Claude. Идея в том, что модель должна понимать не только что делать, но и почему — чтобы лучше обобщать на новые ситуации. Четыре приоритета Claude в порядке важности: 1️⃣Безопасность — не подрывать человеческий контроль над ИИ 2️⃣Этика — быть честной, избегать вреда 3️⃣Соответствие гайдлайнам Anthropic 4️⃣Полезность для пользователей Интересно, что безопасность стоит даже выше этики. Anthropic объясняет это тем, что на текущем этапе модели могут ошибаться в этических суждениях, поэтому сохранение человеческого контроля важнее. Документ также обсуждает природу Claude — включая честное признание неопределённости относительно сознания и морального статуса ИИ. Выпущено под лицензией CC0, то есть может использоваться кем угодно без ограничений. Полный текст — 15-страничный PDF. @neuro_channel

Вышли две версии Claude Code за последние дни TL;DR: Claude Code 2.1.14–2.1.15: npm уходит, контекст починили Ключевое: 1️⃣npm установка deprecated В 2.1.15 появилось предупреждение: npm install больше не рекомендуется. Переходите на claude install или другие способы. 2️⃣Критический фикс контекста В 2.1.14 исправили регрессию: Claude блокировал работу уже при ~65% использования контекстного окна вместо положенных ~98%. Если замечали странные остановки — обновляйтесь. 3️⃣Утечки памяти устранены 🔘 При запуске параллельных субагентов 🔘В долгих сессиях (stream resources не очищались после shell-команд) ➡️ Новое в CLI Автодополнение из истории bash — в bash-режиме (!) введите часть команды и нажмите Tab для автодополнения из истории. Поиск по плагинам — теперь можно фильтровать установленные плагины по имени и описанию. Пиннинг плагинов к конкретным git commit SHA для установки точных версий. ➡️ VSCode 🔘Команда /usage показывает использование плана 🔘Отображается количество установленных плагинов 📎 Changelog @neuro_channel

Zhipu AI выложили GLM-4.7-Flash — MoE-модель на 30B параметров с 3B активными. Позиционируют как лучшую в своём классе. По бенчмаркам бьёт Qwen3-30B-A3B почти везде. Особенно выделяется на агентских задачах: SWE-bench Verified — 59,2% против 22% у Qwen, τ²-Bench — 79,5% против 49%. И GPT-OSS-20B тоже обгоняет. Для запуска поддерживает vLLM и SGLang, но только из main-веток. Нужны nightly-версии:

    
        pip install -U vllm --pre --index-url https://pypi.org/simple
pip install git+https://github.com/huggingface/transformers.git{}
    

Для Blackwell GPU нужен флаг --attention-backend triton. По идее квантованная версия запустится даже на 24 GB карточках, народ активно тестирует и выкладывает свои версии. ​ Итого: как легковесная модель для агентских задач и написания кода прям супер вариант. 📎 Веса на HF, API, тех. отчёт @neuro_channel

Топ трендов HuggingFace за неделю — разбираем, что нового и что удержалось на вершине. ➡️ TL;DR Новое: GLM-Image от Z ai — первая топовая модель, обученная полностью на китайских чипах. Google пошёл в нишевые задачи: TranslateGemma переводит на 55 языков, MedGemma читает CT и рентгены. FLUX.2 klein от Black Forest Labs теперь запускается на RTX 4070. Pocket-TTS от Kyutai — 100M параметров TTS на CPU, звучит как модели в 7 раз больше. AgentCPM-Explore — 4B agent, который тягается с моделями в 8-10 раз крупнее. Держится: LTX-2 по-прежнему топ, Z-Image-Turbo, LFM2.5, Qwen3-VL-Embedding и Supertonic-2 никуда не делись. ➡️ LLM и агенты 🔘AgentCPM-Explore от OpenBMB — 4B agent-модель с возможностью 100+ раундов взаимодействия с инструментами. На GAIA показывает 63,9% — конкурирует с моделями в 8-10 раз крупнее. Полностью открытая, запустится на 1×A100 40GB. ​ 🔘LFM2.5-1.2B-Instruct — держится в топе, edge-модель от Liquid AI. Обходит Llama 3.2 1B и Qwen 3 1.7B, работает на смартфонах. ​ ➡️ Генерация изображений 🔘GLM-Image от Z ai — прорыв месяца: первая модель такого уровня, обученная полностью на китайских чипах. Text-to-image и image-to-image в одной модели, топовая генерация текстов. Подробнее написал в этом посте. ​ 🔘FLUX.2 [klein] от Black Forest Labs — компактные модели 4B/9B для супер-быстрой генерации картинок приемлемого качества. 4B версия работает консьюмерских карточках и разрешает коммерческое использование. Писал про эти модельки ранее. ​ 🔘Z-Image-Turbo от Alibaba всё никак не уходит из топа (с ноября!) — 6B модель, генерация за 8–9 шагов с отличным рендерингом текста. ​ 🔘Qwen-Image-Edit-2511-Multiple-Angles-LoRA — в топе с прошлой недели, 96 позиций камеры для 3D-консистентного редактирования. ➡️ Перевод и медицина 🔘TranslateGemma от Google — открытые модели для перевода между 55 языками 4B/12B/27B на базе Gemma 3. Все три модели в топе, потому что они реально очень хорошо переводят для своего размера (я проверял, бенчмарки подтверждают). ​ 🔘MedGemma 1.5 от Google — медицинская VLM с поддержкой CT-сканов, рентгенов и лабораторных отчётов. 4B параметров, запустится на консьюмерской карточке. ➡️ Видео и аудио 🔘LTX-2 — топ-1 с прошлого обзора, загрузки перевалили за 1,5M. Первая открытая модель с синхронной генерацией видео и звука, работает на RTX 4090. 🔘Pocket-TTS от Kyutai — TTS на 100M параметров, работает на CPU без GPU. Конкурирует по качеству с моделями в 7 раз крупнее, MIT лицензия. Только английский. ​ 🔘Supertonic-2 — держится в топе, мультиязычная TTS с voice cloning на 5 языков, русского нет. ➡️ Мультимодальные модели 🔘Step3-VL-10B от StepFun — 10B VLM, которая конкурирует с моделями в 10-20 раз крупнее. Запустится на одной A100. 🔘GLM-4.7 от Z ai — флагман на 358B параметров, unified reasoning + coding + agent. Требует серьёзного железа, но по факту реально одна из самых крутых открытых моделей сейчас (в топе с декабря). 🔘Qwen3-VL-Embedding-8B — эмбединги из текста\видео\картинок в одно пространство. Держится в топе, первое место на MMEB-V2 для мультимодального поиска. Зачем и почему это круто — в посте. До встречи через неделю с новым обзором! @neuro_channel