[AINews] New AI Infra unicorns: Exa, Modal, TurboPuffer

[AINews] Новые единороги AI-инфраструктуры: Exa, Modal, TurboPuffer

тихий день позволяет нам подсветить раунды финансирования!

Пройдите 2026 AI Engineering Survey и получите кредитов на >$2k и билеты на AIE WF!

Поздравляем всех наших прошлых гостей, достигших крупных вех на этой неделе:

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)

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 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

Обновления моделей, бенчмарков и исследований: RAEv2, Gated DeltaNet-2, фильтрация данных и открытая математика

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.

Агенты, харнесы и инструменты разработчика: Codex, Gemini, Devin и инфраструктура агентов

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.

Инфраструктура, компьют и бизнес-сигналы AI: Modal, Turbopuffer, Hark и гонка за компьютом

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.

Мультимодальность, видео, биология и робототехника: Runway, Carbon, Earth-модели и открытые гуманоиды

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.

Топ-твиты (по вовлечённости)

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

Продолжайте читать с 7-дневным бесплатным пробным периодом

Подпишитесь на Latent.Space, чтобы продолжить чтение этого поста и получить 7 дней бесплатного доступа к полному архиву постов.