[AINews] New AI Infra unicorns: Exa, Modal, TurboPuffer
Выпуск AINews посвящён крупным раундам в AI-инфраструктуре: Turbopuffer достиг $100M ARR и прибыльности (подняв менее $1M), Exa закрыла Series C на $250M при оценке $2.2B, а Modal — Series C на $355M при оценке $4.7B. В Twitter-обзоре обсуждаются исследовательские новинки: RAEv2 даёт >10x ускорение сходимости, NVIDIA Gated DeltaNet-2 превосходит Mamba-3 на 1.3B параметрах, а Tatsu Hashimoto показывает, что при достаточном компьюте лучший фильтр данных — отсутствие фильтра (порог около 1e30 FLOPs). В агентах OpenAI выпустила Codex с удалённым доступом к Mac с телефона и Appshots, Gemini 3.5 Flash возглавил APEX-Agents-AA, а LangChain представил sandbox Auth Proxy и типизированный стриминговый протокол. По компьюту приводится таксономия: американские лидеры в классе мульти-гигаватт, китайские игроки на отечественных стеках, европейская Mistral целится в 1 GW к 2029. Также отмечены Runway Aleph 2.0 с Edit Studio, биомодели Carbon, OlmoEarth v1.1 (в 3 раза быстрее) и открытый гуманоид LeRobot за ~$2.5k.
[AINews] New AI Infra unicorns: Exa, Modal, TurboPuffer
[AINews] Новые единороги AI-инфраструктуры: Exa, Modal, TurboPuffer
a quiet day lets us feature fundraises!
тихий день позволяет нам подсветить раунды финансирования!
Take the 2026 AI Engineering Survey and get >$2k in credits and AIE WF tickets!
Пройдите 2026 AI Engineering Survey и получите кредитов на >$2k и билеты на AIE WF!
Congrats to all our past guests who reached huge milestones this week:
Поздравляем всех наших прошлых гостей, достигших крупных вех на этой неделе:
Turbopuffer: $100M ARR and profitable (our podcast)
Exa: $250M@$2.2B Series C (our podcast)
Modal: $355M@$4.7B Series C (our podcast)
Turbopuffer: $100M ARR и прибыльность (наш подкаст)Exa: $250M при оценке $2.2B, Series C (наш подкаст)Modal: $355M при оценке $4.7B, Series C (наш подкаст)
We really need to be raising that Latent Space fund soon… but meanwhile.. help us out by taking the 2026 AI Engineering Survey and get >$2k in Notion and Vercel credits and AIE WF tickets!
Нам действительно скоро нужно поднимать фонд Latent Space… но пока что — помогите нам, пройдя 2026 AI Engineering Survey и получив кредитов Notion и Vercel на >$2k и билеты на AIE WF!
AI News for 5/20/2026-5/21/2026. We checked 12 subreddits, 544 Twitters and no further Discords. AINews’ website lets you search all past issues. As a reminder, AINews is now a section of Latent Space. You can opt in/out of email frequencies!
AI News за 20.05.2026—21.05.2026. Мы проверили 12 сабреддитов, 544 Twitter-аккаунта и никаких других Discord'ов. Сайт AINews позволяет искать по всем прошлым выпускам. Напоминаем: AINews теперь раздел Latent Space. Вы можете подписаться/отписаться от разных частот рассылки!
AI Twitter Recap
AI Twitter Recap
Model, Benchmark, and Research Updates: RAEv2, Gated DeltaNet-2, Data Filtering, and Open Math
Обновления моделей, бенчмарков и исследований: RAEv2, Gated DeltaNet-2, фильтрация данных и открытая математика
RAEv2 and representation-first tokenization: Several researchers highlighted RAEv2 as a meaningful follow-on to Representation Autoencoders for unified vision understanding and generation. @1jaskiratsingh says the update yields >10x faster convergence, better reconstruction, and better generation, with tests extending to text-to-image and world models. A Chinese summary from @recatm usefully extracts the three main findings: summing the last K encoder layers instead of only the final layer improves both reconstruction and generation without added inference cost; RAE and REPA are complementary across semantics vs. spatial structure; and REPA can be reformulated as an internal self-guidance mechanism, avoiding extra weak-model guidance passes. @sainingxi`e also points to new evaluation views beyond FID, arguing there is still underexplored headroom in representation-powered pixel decoders.
Alternatives to standard attention and tokenizer assumptions: NVIDIA’s Gated DeltaNet-2 decouples erase and write operations in linear attention with channel-wise gates, outperforming KDA and Mamba-3 at 1.3B parameters on language modeling and commonsense reasoning, with notable long-context retrieval gains on RULER; @rasbt called it one of the more interesting hybrid-attention directions. On tokenization, @NousResearch released a controlled study of why subword tokenization helps, simulating seven hypothesized benefits inside a 1.7B byte-level pipeline; only three of seven interventions moved validation loss at that scale. Separately, @tatsu_hashimoto reported a surprising scaling result on DCLM: with enough compute, the best data filter may be no filter, with projections suggesting the crossover for internet-scale pools lands around 1e30 FLOPs; downstream evals appear noisy but directionally consistent (follow-up).
Mechanistic interpretability and geometry: @GoodfireAI argues the dominant “models think in curved manifolds, SAEs use straight-line features” critique is only partly right. Their proposed fix is to cluster SAE features by joint firing patterns, recovering geometry through feature groups rather than isolated atoms (thread continuation, post). This is a useful update to the current SAE discourse: not a rejection of sparse features, but a warning that interpretation should move from single features to structured ensembles.
Math as an AI research domain: The biggest scientific discussion centered on OpenAI’s reported result on an Erdős unit-distance problem. @markchen90 framed it as evidence that mathematics is currently the domain most amenable to AI-assisted research breakthroughs, while @wtgowers noted that if the reported low human interaction level holds, the result is genuinely interesting. The discourse was immediately shaped by skepticism and benchmark/gameability concerns, with @memecrashes joking that the result was “outdated not even 3 hours later by a human,” and @cloneofsimo pointing out the predictable “goalpost moving” around what counts as legitimate AI mathematics. The interesting technical meta-point is that math continues to function as a relatively legible frontier for AI co-research because outputs can be checked, debated, and extended.
RAEv2 и токенизация, ориентированная на представления: Несколько исследователей выделили RAEv2 как значимое продолжение Representation Autoencoders для унифицированного понимания и генерации изображений. @1jaskiratsingh утверждает, что обновление даёт >10x более быструю сходимость, лучшую реконструкцию и генерацию, причём тесты распространяются на text-to-image и world models. Китайское резюме от @recatm удобно извлекает три главных вывода: суммирование последних K слоёв энкодера вместо только финального улучшает как реконструкцию, так и генерацию без дополнительных затрат на инференс; RAE и REPA дополняют друг друга в семантике против пространственной структуры; и REPA можно переформулировать как внутренний механизм self-guidance, избегая дополнительных проходов слабой модели. @sainingxi`e также указывает на новые подходы к оценке за пределами FID, утверждая, что в декодерах пикселей на базе представлений ещё остаётся неисследованный потенциал.Альтернативы стандартному вниманию и предположениям о токенизаторах: Gated DeltaNet-2 от NVIDIA разделяет операции стирания и записи в линейном внимании с поканальными гейтами, обгоняя KDA и Mamba-3 на 1.3B параметрах в языковом моделировании и здравом смысле, с заметным приростом long-context retrieval на RULER; @rasbt назвал это одним из более интересных направлений гибридного внимания. По токенизации @NousResearch выпустила контролируемое исследование того, почему помогает subword-токенизация, симулируя семь предполагаемых преимуществ внутри 1.7B byte-level пайплайна; только три из семи вмешательств сдвинули validation loss на этом масштабе. Отдельно @tatsu_hashimoto сообщил о неожиданном масштабном результате на DCLM: при достаточном компьюте лучшим фильтром данных может быть отсутствие фильтра, причём прогнозы для интернет-масштабных пулов указывают точку пересечения около 1e30 FLOPs; downstream-оценки выглядят шумными, но направленно согласованными (продолжение).Механистическая интерпретируемость и геометрия: @GoodfireAI утверждает, что доминирующая критика «модели думают в искривлённых многообразиях, SAE используют прямолинейные признаки» верна лишь частично. Предложенное ими исправление — кластеризовать SAE-признаки по совместным паттернам срабатывания, восстанавливая геометрию через группы признаков, а не изолированные атомы (продолжение треда, пост). Это полезное обновление текущей дискуссии вокруг SAE: не отказ от разрежённых признаков, а предупреждение, что интерпретация должна перейти от одиночных признаков к структурированным ансамблям.Математика как область AI-исследований: Главная научная дискуссия развернулась вокруг сообщённого результата OpenAI по задаче Эрдёша о единичных расстояниях. @markchen90 представил это как свидетельство того, что математика — на данный момент область, наиболее восприимчивая к AI-ассистированным научным прорывам, а @wtgowers отметил, что если заявленный низкий уровень человеческого вмешательства верен, результат действительно интересен. Дискурс сразу же был сформирован скептицизмом и опасениями по поводу бенчмарков/возможности их обыгрывания: @memecrashes пошутил, что результат «устарел уже через 3 часа благодаря человеку», а @cloneofsimo указал на предсказуемое «сдвигание ворот» в вопросе, что считать легитимной AI-математикой. Интересный технический мета-вывод в том, что математика продолжает функционировать как относительно прозрачный фронтир для AI-соисследований, поскольку результаты можно проверять, оспаривать и расширять.
Agents, Harnesses, and Developer Tooling: Codex, Gemini, Devin, and Agent Infrastructure
Агенты, харнесы и инструменты разработчика: Codex, Gemini, Devin и инфраструктура агентов
Harnesses are still a major source of capability gains: @lvwerra released physics-intern, a science-problem harness that boosts models like Gemini 3.1 Pro from 17.7 to 31.4, surpassing GPT 5.5 Pro in that setup. The notable nuance is that GPT 5.5 Pro itself did not benefit from the harness, suggesting model-specific absorption of scaffolding tricks. In the same spirit, @KLieret made mini-swe-agent runnable on ProgramBench, explicitly aiming to improve harness innovation around software engineering agents.
Agent design patterns are maturing from “single agent first” to explicit subagent orchestration: @cwolferesearch gives a practical synthesis: start with single-agent systems, and only move to manager/sub-agent or decentralized multi-agent topologies when tool sprawl or prompt bloat becomes unmanageable. That advice lines up with more operational observations from users of subagents: @andrew_locke describes Cognition’s sub-Devin workflow as a step change, compressing what previously looked like 2+ engineer-weeks into a couple of hours.
Codex shipped a substantial product layer on top of the model: OpenAI’s “Codex Thursday” updates matter less as standalone features than as signs of where coding agents are going. @OpenAIDevs launched Appshots, which capture both screenshot and text from Mac app windows for richer working context; they also added team plugin sharing (link) and more detailed org analytics (link). The more important systems shift is remote computer use: @OpenAIDevs says Codex can now securely use apps on your Mac from your phone even when the Mac is locked. This is a strong signal that the agent product surface is moving from chat IDEs to persistent cross-device operator workflows.
Gemini’s agent/tool story is broadening quickly: @OfficialLoganK highlighted that Gemini 3.5 Flash ranks #1 on APEX-Agents-AA, outperforming larger models. On the applied side, @_philschmid shows a GitHub issue triage agent built with a single Gemini API call and no orchestration framework, while @skalskip92 demonstrates Gemini 3.5 Flash replacing a custom vision pipeline for lane/car reasoning with one multimodal API call. Google also expanded action surfaces: Daily Brief (announcement) and connected-app actions with OpenTable, Canva, and Instacart (announcement) are essentially consumer-facing agent workflows.
Developer infra is converging around retrieval, streaming, sandboxes, and security boundaries: Weaviate shipped a built-in MCP server inside the database so coding agents can ingest a repo and use hybrid BM25 + vector retrieval without extra processes (announcement). LangChain introduced both a sandbox Auth Proxy for controlling agent-world boundaries (announcement) and a new typed streaming protocol for rendering tools, subagents, media, and interrupts as first-class projections rather than token streams (overview). vLLM’s Elastic Expert Parallelism is also notable systems work: @vllm_project describes live resizing of MoE DP/EP topology without full restarts, using direct GPU-to-GPU transfers over NVLink/RDMA—important not just for scaling but for future fault-tolerant serving.
Харнесы по-прежнему — крупный источник прироста возможностей: @lvwerra выпустил physics-intern, харнес для научных задач, который поднимает модели вроде Gemini 3.1 Pro с 17.7 до 31.4, обходя GPT 5.5 Pro в этой конфигурации. Примечательный нюанс — сам GPT 5.5 Pro не получил выгоды от харнеса, что предполагает модельно-специфичное усвоение приёмов скаффолдинга. В том же духе @KLieret сделал mini-swe-agent запускаемым на ProgramBench, явно нацелившись на ускорение инноваций в харнесах для агентов программной инженерии.Паттерны проектирования агентов взрослеют — от «сначала один агент» к явной оркестрации субагентов: @cwolferesearch даёт практический синтез: начинайте с систем с одним агентом и переходите к топологиям manager/sub-agent или децентрализованным мультиагентам только тогда, когда разрастание инструментов или раздувание промптов становится неуправляемым. Этот совет соответствует более операционным наблюдениям пользователей субагентов: @andrew_locke описывает sub-Devin workflow от Cognition как качественный скачок, сжимающий то, что раньше выглядело как 2+ инженеро-недели, в пару часов.Codex выпустил существенный продуктовый слой поверх модели: обновления «Codex Thursday» от OpenAI важны не как отдельные фичи, а как индикаторы того, куда движутся coding-агенты. @OpenAIDevs запустили Appshots, захватывающие как скриншот, так и текст из окон приложений Mac для более богатого рабочего контекста; также добавили командный шаринг плагинов (ссылка) и более детальную аналитику для организаций (ссылка). Более важный системный сдвиг — удалённое использование компьютера: @OpenAIDevs сообщают, что Codex теперь может безопасно использовать приложения на вашем Mac с телефона, даже когда Mac заблокирован. Это сильный сигнал, что продуктовая поверхность агентов смещается от чат-IDE к постоянным кросс-девайсным operator-воркфлоу.История Gemini с агентами/инструментами стремительно расширяется: @OfficialLoganK подчеркнул, что Gemini 3.5 Flash занимает #1 на APEX-Agents-AA, обгоняя более крупные модели. На прикладной стороне @_philschmid показывает агента триажа GitHub-issue, построенного на одном вызове Gemini API без оркестровых фреймворков, а @skalskip92 демонстрирует Gemini 3.5 Flash, заменяющий кастомный vision-пайплайн для рассуждений о полосах/машинах одним мультимодальным API-вызовом. Google также расширила поверхности действий: Daily Brief (анонс) и действия через подключённые приложения с OpenTable, Canva и Instacart (анонс) — это по сути потребительские агентские воркфлоу.Инфраструктура разработчиков сходится вокруг retrieval, стриминга, песочниц и границ безопасности: Weaviate выпустила встроенный MCP server внутри базы, чтобы coding-агенты могли индексировать репозиторий и использовать гибридный BM25 + векторный retrieval без дополнительных процессов (анонс). LangChain представил как sandbox Auth Proxy для контроля границ агент—мир (анонс), так и новый типизированный стриминговый протокол для рендеринга инструментов, субагентов, медиа и прерываний как полноправных проекций, а не потоков токенов (обзор). Elastic Expert Parallelism от vLLM — тоже заметная системная работа: @vllm_project описывает live-ресайз DP/EP-топологии MoE без полных рестартов, используя прямые GPU-to-GPU передачи через NVLink/RDMA — важно не только для масштабирования, но и для будущего отказоустойчивого сервинга.
Infrastructure, Compute, and AI Business Signals: Modal, Turbopuffer, Hark, and the Compute Race
Инфраструктура, компьют и бизнес-сигналы AI: Modal, Turbopuffer, Hark и гонка за компьютом
The infra layer had one of its clearest “this is where the money is” days: @Sirupsen said turbopuffer crossed $100M run-rate in March, just 19 months after $1M, while being profitable and raising < $1M. The company’s positioning is straightforward and timely: frontier teams know “the magic happens with AI when it draws in just the right context,” which turns a lot of product differentiation into a search/retrieval problem (follow-up). That aligns with broader sentiment from @swyx that “boring” AI infrastructure, not only glamorous frontier research, is where wealth creation is accruing.
Modal raised big and continues to look like a core AI cloud winner: @bernhardsson announced a $355M Series C at a $4.65B valuation. Investors and users emphasized the same thesis: rebuilding the cloud stack for AI workloads from the ground up, with strong performance and developer experience (Redpoint, user endorsement). This sits alongside other signals that agent-native compute is emerging as its own category; @latentspacepod summarized Daytona’s pitch around 60ms sandboxes, 50K startups in 75 seconds, and RL/evals workloads now representing roughly half of usage.
Compute remains the strategic bottleneck, and the market appears tiered: @AymericRoucher sketched a useful compute taxonomy: US leaders (OpenAI, Anthropic, Google, with Meta/xAI joining) in the multi-gigawatt class; Chinese giants scaling from hundreds of MW toward multi-GW, increasingly on domestic stacks; and European contenders such as Mistral at around 90 MW today aiming for 1 GW by 2029. The exact numbers are debatable, but the framing is consistent with @EpochAIResearch, which notes that even if OpenAI kicked off the recent compute buildout, frontier labs still use well under all global compute capacity, leaving open the question of how much further the buildout can accelerate. Component economics also continue to shift toward memory: @EpochAIResearch reports HBM grew from 52% to 63% of total AI chip component spending from Q1 2024 to Q4 2025.
Capital is flowing to interface/hardware bets as well as infra: @adcock_brett announced Hark raised $700M at a $6B valuation, aimed at GPU infrastructure, future model development, hardware, and multimodal/personal intelligence products. The details are sparse beyond hiring areas—foundation models, infra, speech, computer-use agents, hardware—but the size of the raise shows investor appetite for vertically integrated AI-device bets. Hark also reported a 200-hour uninterrupted autonomous run for F.03 (announcement), though without enough technical detail yet to evaluate the underlying robotics stack.
Инфраструктурный слой пережил один из самых явных дней «вот где деньги»: @Sirupsen заявил, что turbopuffer в марте пересёк run-rate $100M, всего через 19 месяцев после $1M, оставаясь прибыльным и подняв < $1M. Позиционирование компании прямолинейно и своевременно: фронтирные команды знают, что «магия с AI случается, когда он подтягивает именно нужный контекст», что превращает значительную часть продуктовой дифференциации в задачу поиска/retrieval (продолжение). Это согласуется с более широким настроением @swyx: «скучная» AI-инфраструктура, а не только эффектные фронтирные исследования, — это то, где накапливается создание богатства.Modal поднял крупный раунд и продолжает выглядеть ключевым победителем AI-cloud: @bernhardsson объявил Series C на $355M при оценке $4.65B. Инвесторы и пользователи подчёркивали один и тот же тезис: пересборка cloud-стека под AI-нагрузки с нуля, с сильной производительностью и developer experience (Redpoint, отзыв пользователя). Это соседствует с другими сигналами, что agent-native компьют формируется как отдельная категория; @latentspacepod резюмировал питч Daytona про 60ms-песочницы, 50K стартапов за 75 секунд, и RL/evals-нагрузки, на которые сейчас приходится примерно половина использования.Компьют остаётся стратегическим бутылочным горлышком, и рынок выглядит ярусным: @AymericRoucher набросал полезную таксономию компьюта: лидеры из США (OpenAI, Anthropic, Google, к которым присоединяются Meta/xAI) в классе мульти-гигаватт; китайские гиганты, масштабирующиеся от сотен МВт к мульти-ГВт, всё больше на отечественных стеках; и европейские игроки, такие как Mistral на уровне примерно 90 МВт сегодня, целящиеся в 1 ГВт к 2029. Точные цифры спорны, но рамка согласуется с @EpochAIResearch: даже если OpenAI и запустила недавний всплеск строительства, фронтирные лаборатории всё ещё используют существенно меньше всей глобальной мощности компьюта, оставляя открытым вопрос, насколько далеко ещё может ускориться это строительство. Экономика компонентов также продолжает смещаться в сторону памяти: @EpochAIResearch сообщает, что HBM вырос с 52% до 63% от общих расходов на компоненты AI-чипов с Q1 2024 по Q4 2025.Капитал течёт и в интерфейсные/железные ставки, не только в инфраструктуру: @adcock_brett объявил, что Hark поднял $700M при оценке $6B, нацеливаясь на GPU-инфраструктуру, будущую разработку моделей, железо и мультимодальные/персональные intelligence-продукты. Деталей мало за пределами найма — foundation-модели, инфра, речь, computer-use агенты, железо, — но размер раунда показывает аппетит инвесторов к вертикально интегрированным ставкам на AI-устройства. Hark также сообщил о 200-часовом непрерывном автономном прогоне для F.03 (анонс), хотя пока без достаточных технических деталей, чтобы оценить лежащий в основе робототехнический стек.
Multimodal, Video, Biology, and Robotics: Runway, Carbon, Earth Models, and Open Humanoids
Мультимодальность, видео, биология и робототехника: Runway, Carbon, Earth-модели и открытые гуманоиды
Video editing and generation are getting more compositional: Runway launched Aleph 2.0 and the new Edit Studio, letting users edit a single frame and propagate that edit through the rest of the video (Runway, product lead). This is a practical productization of the “reference-guided edit propagation” problem that multimodal builders care about. Separately, Alibaba researchers’ MIGA was flagged by @HuggingPapers as a train-free method for infinite-frame video generation with a two-stage alignment mechanism for temporal consistency. On the open-source avatar side, Meituan released LongCat-Video-Avatar 1.5 with Whisper-Large replacing Wav2Vec2, 8-step inference, long-video identity consistency, and broader stylized-domain generalization (announcement).
Foundation models for biology and Earth observation continue to become more usable: Hugging Face Bio’s Carbon DNA model family got follow-on demos and infra validation. @LoubnaBenAllal1 highlighted applications in sequence design, variant effect prediction, and learned representations, while @Shekswess showed Carbon-500M, 3B, and 8B compiling and running on a single Trainium2 trn2.3xlarge with NxD Inference on day one. For geospatial modeling, @cgeorgiaw reported OlmoEarth v1.1 is 3x cheaper/faster by changing the tokenization of multi-resolution Sentinel-2 inputs into 3x fewer tokens, exploiting the quadratic compute savings.
Open robotics is getting more buildable: Hugging Face’s LeRobot Humanoid drew attention as a genuinely full-stack open release rather than a showcase demo. @robotsdigest and @lukas_m_ziegler both emphasize the same package: roughly $2.5k, 3D-printed, complete hardware/CAD, calibration/runtime, simulation, identification tools, and training pipelines. The key point is not just affordability; it’s repairability and iteration speed for real robot learning workflows.
Редактирование и генерация видео становятся более композиционными: Runway запустила Aleph 2.0 и новую Edit Studio, позволяющую пользователям отредактировать один кадр и распространить это редактирование на остальное видео (Runway, руководитель продукта). Это практическая продуктизация задачи «reference-guided edit propagation», которой интересуются мультимодальные разработчики. Отдельно MIGA от исследователей Alibaba была отмечена @HuggingPapers как train-free метод бесконечно-кадровой генерации видео с двухстадийным механизмом выравнивания для временной согласованности. Со стороны open-source аватаров Meituan выпустила LongCat-Video-Avatar 1.5 с Whisper-Large, заменившим Wav2Vec2, 8-шаговым инференсом, согласованностью идентичности на длинных видео и более широкой генерализацией стилизованных доменов (анонс).Foundation-модели для биологии и наблюдения Земли продолжают становиться удобнее: семейство ДНК-моделей Carbon от Hugging Face Bio получило последующие демо и инфраструктурную валидацию. @LoubnaBenAllal1 подсветила применения в проектировании последовательностей, предсказании эффекта вариантов и обучаемых представлениях, а @Shekswess показал, как Carbon-500M, 3B и 8B компилируются и запускаются на одном Trainium2 trn2.3xlarge с NxD Inference в день релиза. Для геопространственного моделирования @cgeorgiaw сообщил, что OlmoEarth v1.1 в 3 раза дешевле/быстрее благодаря изменению токенизации мультиразрешающих входов Sentinel-2 в 3 раза меньше токенов, эксплуатируя квадратичную экономию на компьюте.Открытая робототехника становится более «собираемой»: LeRobot Humanoid от Hugging Face привлёк внимание как действительно полноценный full-stack open-релиз, а не показная демонстрация. @robotsdigest и @lukas_m_ziegler оба подчёркивают один и тот же пакет: примерно $2.5k, 3D-печатное исполнение, полная аппаратная часть/CAD, калибровка/runtime, симуляция, инструменты идентификации и пайплайны обучения. Ключевая мысль не только в доступности; это ремонтопригодность и скорость итераций для реальных воркфлоу робототехнического обучения.
Top tweets (by engagement)
Топ-твиты (по вовлечённости)
OpenAI / Codex product expansion: Codex can securely use apps on your Mac from your phone, even when the Mac is locked, plus Appshots for richer app context.
Infrastructure winners: turbopuffer at $100M run-rate, profitable, < $1M raised; Modal raises $355M Series C at $4.65B; Hark raises $700M at $6B.
Research discussions with broad technical resonance: OpenAI’s Erdős-related math result discussion; RAEv2 release; “no filter” scaling result for LM data curation.
Agent capability trendlines: Gemini 3.5 Flash tops APEX-Agents-AA; Gemma 4 E4B driving an iOS simulator on-device via Argent; Devin for Windows.
Расширение продукта OpenAI / Codex: Codex может безопасно использовать приложения на вашем Mac с телефона, даже когда Mac заблокирован, плюс Appshots для более богатого контекста приложений.Победители инфраструктуры: turbopuffer на run-rate $100M, прибыльный, поднял < $1M; Modal поднимает Series C на $355M при оценке $4.65B; Hark поднимает $700M при оценке $6B.Исследовательские дискуссии с широким техническим резонансом: обсуждение математического результата OpenAI, связанного с Эрдёшем; релиз RAEv2; масштабный результат «без фильтра» для курирования данных LM.Тренды возможностей агентов: Gemini 3.5 Flash возглавляет APEX-Agents-AA; Gemma 4 E4B управляет симулятором iOS на устройстве через Argent; Devin для Windows.
AI Reddit Recap
AI Reddit Recap
Keep reading with a 7-day free trial
Продолжайте читать с 7-дневным бесплатным пробным периодом
Subscribe to Latent.Space to keep reading this post and get 7 days of free access to the full post archives.
Подпишитесь на Latent.Space, чтобы продолжить чтение этого поста и получить 7 дней бесплатного доступа к полному архиву постов.