[AINews] Dreamer joins Meta Superintelligence Labs — 9 month retro of Personal Superintelligence
Команда стартапа Dreamer перешла в Meta Superintelligence Labs (MSL) — Нат Фридман и Алекс Ванг наняли её всего через 11 дней после записи подкаста Latent Space с её основателями. Это так называемый «execuhire» (сделка по лицензированию и найму без полноценного поглощения), последовавший за приобретением Manus за $2 млрд в декабре, также закрытым примерно за 10 дней. Новость совпала с примерно 9-месячной годовщиной манифеста Цукерберга «Personal Superintelligence», где утверждается, что главным эффектом ИИ станет личный суперинтеллект, помогающий каждому достигать целей. Объединение команд Dreamer и Manus создаёт одну из сильнейших в мире потребительских agent-лабораторий. Выпуск также содержит обзор твитов: запуск Claude Computer Use на десктопе (управление мышью, клавиатурой и экраном в macOS-превью), исследования по самоулучшающимся агентам (Hyperagents/DGM-H, RLLM, WebArena-Infinity), мировые модели (LeWorldModel на JEPA), инфраструктуру парсинга и поиска (LlamaParse, Cursor Instant Grep), а также релизы Sakana Chat, MiniMax Token Plan, Luma Uni-1 и NVIDIA Kimodo.
[AINews] Dreamer joins Meta Superintelligence Labs — 9 month retro of Personal Superintelligence
[AINews] Dreamer переходит в Meta Superintelligence Labs — ретроспектива Personal Superintelligence спустя 9 месяцев
By now we’re pretty used to LS Pod guests going on to great success, but today’s news is fast for even us - Nat and Alex at MSL have execuhired Dreamer just days after we shipped their pod, barely 11 days after we recorded with them:
К этому моменту мы уже привыкли, что гости подкаста LS добиваются больших успехов, но сегодняшняя новость — это быстро даже по нашим меркам: Нат и Алекс из MSL переманили команду Dreamer буквально через пару дней после того, как мы выпустили их подкаст, всего через 11 дней после записи с ними:
We’re surprised, but not at all disappointed. If you can’t tell from the pod, we were immediately in love with the tech and the polish, but it was always going to be a long slog to build any consumer AI business and it is a very nice thing indeed to have Team Zuck on your side to push consumer distribution.
Мы удивлены, но совсем не разочарованы. Если из подкаста это было не очевидно: мы сразу влюбились в технологию и в её отполированность, но построить любой потребительский ИИ-бизнес всегда было бы долгим и тяжёлым путём, и иметь на своей стороне команду Цукерберга, которая поможет с потребительской дистрибуцией, — это действительно очень приятная штука.
This is also approximately the 9 month anniversary of the MSL “Personal Superintelligence” Manifesto from Zuck, which reads:
Это также примерно 9-месячная годовщина манифеста «Personal Superintelligence» от Цукерберга для MSL, в котором говорится:
As profound as the abundance produced by AI may one day be, an even more meaningful impact on our lives will likely come from everyone having a personal superintelligence that helps you achieve your goals, create what you want to see in the world, experience any adventure, be a better friend to those you care about, and grow to become the person you aspire to be.
Каким бы глубоким ни оказалось изобилие, производимое ИИ, ещё более значимое влияние на нашу жизнь, вероятно, окажет то, что у каждого появится личный суперинтеллект, который помогает вам достигать ваших целей, создавать то, что вы хотите видеть в мире, переживать любые приключения, быть лучшим другом для тех, кто вам дорог, и развиваться, становясь тем человеком, которым вы стремитесь быть.
and,
и,
If trends continue, then you’d expect people to spend less time in productivity software, and more time creating and connecting. Personal superintelligence that knows us deeply, understands our goals, and can help us achieve them will be by far the most useful.
Если тренды сохранятся, то можно ожидать, что люди будут проводить меньше времени в программах для продуктивности и больше — создавая и общаясь. Личный суперинтеллект, который глубоко нас знает, понимает наши цели и может помочь их достичь, будет несравнимо полезнее всего остального.
Rewatch the Dreamer walkthrough and observe how Sidekick is your personal intelligent agent-of-agents whose main job is the latter sentence:
Пересмотрите обзор Dreamer и обратите внимание, как Sidekick становится вашим личным интеллектуальным агентом над агентами, чья главная задача — именно во втором предложении:
This execuhire (our term for these licensing+hire-but-not-acquire deals) comes after the $2B Manus acquisition in December, also done in a matter of 10 days, which had similarly impressive tech and decent distribution, though perhaps with less of an “OS” and ecosystem heavy emphasis as Dreamer.
Этот execuhire (наш термин для таких сделок «лицензирование плюс найм, но без поглощения») последовал за приобретением Manus за $2 млрд в декабре, также закрытым за какие-то 10 дней, у которого была столь же впечатляющая технология и приличная дистрибуция, хотя, возможно, с меньшим упором на «ОС» и экосистему, чем у Dreamer.
Combining the two teams makes for one of the most formidable consumer agent labs on Earth, and it is pretty clear what kind of talent Nat Friedman is in the market for (if you give him a pass for Vibes). If you are savvy enough… you should be able to tell what other kinds of companies might be up next. (register your predictions in the comments!)
Объединение двух команд создаёт одну из самых грозных потребительских agent-лабораторий на Земле, и довольно очевидно, какого рода таланты ищет на рынке Нат Фридман (если простить ему Vibes). Если вы достаточно сообразительны… вы сможете догадаться, какие ещё компании могут быть следующими. (Оставляйте свои прогнозы в комментариях!)
AI News for 3/20/2026-3/23/2026. 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 20.03.2026–23.03.2026. Мы проверили 12 сабреддитов, 544 твиттер-аккаунта и больше никаких Discord-серверов. Сайт AINews позволяет искать по всем прошлым выпускам. Напоминаем, что AINews теперь является разделом Latent Space. Вы можете подписаться/отписаться от разных частот рассылки!
AI Twitter Recap
Обзор AI Twitter
Claude Computer Use, Agent Harnesses, and the Shift From “Codegen” to Full Workflow Automation
Claude Computer Use, агентные обвязки и переход от «кодогенерации» к полной автоматизации рабочих процессов
Anthropic pushed computer use onto the desktop: Claude can now control the mouse, keyboard, and screen to operate arbitrary apps in a macOS research preview via Claude Cowork and Claude Code, a notable widening of the agent surface beyond APIs and browser sandboxes. The launch landed alongside strong community reactions about not needing a laptop for many tasks anymore and why Anthropic may have skipped acquiring broader external agent stacks in favor of owning the full “do anything on your computer” loop (Claude announcement, Felix Rieseberg, Yuchen Jin, Alex Albert).
The agent stack is converging on long-running, parallel, tool-rich workflows: multiple tweets pointed to a maturing harness layer around coding and ops agents: Hermes Agent momentum and ecosystem curation (awesome-hermes-agent, Teknium tips, open-source vibe shift); T3 Code adding integrated browser and terminal capabilities (T3 Code browser integration, Theo on open-sourcing T3 Code); Command Center and similar orchestration tools for many-agent parallel execution from one workspace (Jimmy Koppel); and Parchi / BYOK workflows for very long-running autonomous tasks (0xSero, Qwen3.5-REAP in Parchi).
Operational reality is now the bottleneck, not just model IQ: several practitioners complained that newer top models can be too eager, over-agentic, or delegated to weaker subagents, hurting real coding workflows; this showed up in complaints about GPT-5.2 Pro subagents, Claude browser/computer use fragility, and the broader critique that superficial parallelization often becomes “slop theater” rather than throughput gains (Mikhail Parakhin, Sarana, Jeremy Howard, bentlegen). A recurring theme: the winning products will likely be those that close the loop with traces, evals, incidents, and production feedback, not just generate code (LangSmith “close the loop”, PlayerZero summary).
Anthropic вывела computer use на десктоп: Claude теперь может управлять мышью, клавиатурой и экраном для работы с произвольными приложениями в рамках research preview под macOS через Claude Cowork и Claude Code — заметное расширение агентной поверхности за пределы API и браузерных песочниц. Запуск сопровождался бурной реакцией сообщества о том, что для многих задач ноутбук больше не нужен, и о том, почему Anthropic, возможно, отказалась от приобретения более широких внешних agent-стеков в пользу владения полным циклом «делай что угодно на своём компьютере» (анонс Claude, Felix Rieseberg, Yuchen Jin, Alex Albert).Agent-стек сходится к долгоиграющим, параллельным и насыщенным инструментами рабочим процессам: множество твитов указывало на созревающий слой обвязок вокруг кодинговых и операционных агентов: набирающий обороты Hermes Agent и курирование экосистемы (awesome-hermes-agent, советы Teknium, сдвиг настроений в сторону open-source); T3 Code добавляет встроенные возможности браузера и терминала (интеграция браузера в T3 Code, Theo об открытии исходников T3 Code); Command Center и схожие инструменты оркестрации для параллельного запуска множества агентов из одного рабочего пространства (Jimmy Koppel); и рабочие процессы Parchi / BYOK для очень долгих автономных задач (0xSero, Qwen3.5-REAP в Parchi).Узким местом теперь является операционная реальность, а не только «IQ» модели: ряд практиков жаловались, что новейшие топовые модели бывают слишком ретивыми, чрезмерно агентными или делегируют работу более слабым субагентам, вредя реальным кодинговым процессам; это проявилось в жалобах на субагентов GPT-5.2 Pro, хрупкость браузерного/компьютерного use у Claude и в более широкой критике того, что поверхностная параллелизация часто превращается в «театр имитации», а не в реальный прирост пропускной способности (Mikhail Parakhin, Sarana, Jeremy Howard, bentlegen). Повторяющаяся мысль: побеждать, вероятно, будут те продукты, которые замыкают цикл через трассировки, evals, инциденты и обратную связь из продакшена, а не просто генерируют код (LangSmith «close the loop», сводка PlayerZero).
Research on Self-Improving Agents, RL Post-Training, and Benchmark Generation
Исследования самоулучшающихся агентов, RL-постобучения и генерации бенчмарков
Meta-affiliated work on self-improvement advanced beyond fixed meta-procedures: Hyperagents / DGM-H extends the Darwin Gödel Machine idea by allowing agents to improve not only task behavior but also the procedure that generates future improvements. The claim is that these meta-level improvements transfer across domains including coding, paper review, robotics reward design, and Olympiad grading, addressing a key limitation of prior self-improving systems that kept the self-improvement loop itself hand-authored (Jenny Zhang).
Meta also presented a broader RL post-training unification story: RLLM = RL + LM-as-RM trains a language-model reward model on-policy from the policy’s own outputs, aiming to unify post-training over easy-to-verify, hard-to-verify, and non-verifiable tasks. The notable claim is that using a generative LM reward model can improve reward quality across task classes compared with more brittle bespoke reward setups (Jase Weston).
Benchmark and environment generation is scaling up fast: WebArena-Infinity claims a dramatic reduction in browser environment construction cost—from months of grad-student labor to under 10 hours and <$100 per environment—while producing harder, verifiable browser-use tasks where strong open-source models now score below 50% despite doing much better on legacy WebArena/OSWorld. This matters because RL for agents increasingly needs automatically generated, high-authenticity environments rather than a handful of handcrafted testbeds (Shuyan Zhou).
Topical RL synthesis remained popular, though less novel: a high-engagement overview from The Turing Post catalogued 16 RL variants spanning RLHF, RLAIF, RLVR, process rewards, self-feedback, and critique-based methods—useful as a taxonomy, but the more technically significant tweets this cycle were about how RL environments and reward models are being industrialized (Turing Post RL list).
Работа с участием Meta по самоулучшению продвинулась дальше фиксированных мета-процедур: Hyperagents / DGM-H расширяет идею Darwin Gödel Machine, позволяя агентам улучшать не только поведение в задачах, но и саму процедуру, которая порождает будущие улучшения. Утверждается, что эти мета-уровневые улучшения переносятся между доменами, включая программирование, рецензирование статей, проектирование наград для робототехники и оценку олимпиадных решений, что устраняет ключевое ограничение прежних самоулучшающихся систем, в которых сам цикл самоулучшения оставался написанным вручную (Jenny Zhang).Meta также представила более широкую историю об унификации RL-постобучения: RLLM = RL + LM-as-RM обучает reward-модель на базе языковой модели on-policy на собственных выходах политики, стремясь унифицировать постобучение для легко проверяемых, трудно проверяемых и непроверяемых задач. Примечательное утверждение в том, что использование генеративной LM-reward-модели может улучшить качество наград во всех классах задач по сравнению с более хрупкими специализированными reward-схемами (Jase Weston).Генерация бенчмарков и сред быстро масштабируется: WebArena-Infinity заявляет о резком снижении стоимости создания браузерных сред — с месяцев труда аспирантов до менее 10 часов и <$100 за среду, при этом порождая более сложные, проверяемые задачи на использование браузера, в которых сильные open-source модели теперь набирают менее 50%, несмотря на гораздо более высокие результаты на старых WebArena/OSWorld. Это важно, потому что RL для агентов всё больше нуждается в автоматически генерируемых, высоко-аутентичных средах, а не в горстке вручную созданных тестовых стендов (Shuyan Zhou).Тематический синтез RL оставался популярным, хоть и менее новаторским: получивший высокую вовлечённость обзор от The Turing Post каталогизировал 16 вариантов RL, охватывающих RLHF, RLAIF, RLVR, process rewards, self-feedback и методы на основе критики — полезен как таксономия, но технически более значимые твиты этого цикла касались того, как индустриализируются RL-среды и reward-модели (список RL от Turing Post).
World Models, JEPA, Mechanistic Interpretability, and Emerging Training Theory
Мировые модели, JEPA, механистическая интерпретируемость и зарождающаяся теория обучения
JEPA/world-model work had one of the stronger technical showings of the day: LeWorldModel claims stable end-to-end JEPA training directly from pixels with no teacher-student tricks, no EMA, and no heavy heuristics: 15M params, 1 GPU, and <1 second planning, with follow-on summaries emphasizing ~48–50× planning speedups and competitive performance against prior world-model baselines. This attracted attention because JEPA-style methods have often been seen as fragile or trick-heavy; these results argue for a much simpler training recipe (Lucas Maes, Randall Balestriero, RobotsDigest).
Mechanistic interpretability continues to mature from “vibes” into reverse engineering: a thread summarizing Anthropic’s “On the Biology of a Large Language Model” framed current mech interp as uncovering circuits and internal features with a level of specificity that would have sounded implausible a decade ago, while also cautioning that traced circuits need not correspond to what the model can explicitly verbalize about its own reasoning (summary thread).
Training theory and optimizer scaling also got attention: Antonio Orvieto’s thread argued that optimization theory for adaptive methods explains much of known LLM hyperparameter scaling and can suggest transfer rules without brute-force sweeps, while follow-up discussion highlighted optimizer dependence and implications for Muon-style setups (Orvieto, giffmana reaction, leloykun follow-up). This is one of the more useful undercurrents of the day: people are trying to replace empirical scaling folklore with derivations.
Работа по JEPA/мировым моделям стала одним из сильнейших технических выступлений дня: LeWorldModel заявляет о стабильном end-to-end JEPA-обучении напрямую из пикселей без приёмов teacher-student, без EMA и без громоздких эвристик: 15M параметров, 1 GPU и планирование менее чем за 1 секунду, при этом последующие сводки подчёркивают ускорение планирования примерно в 48–50 раз и конкурентную производительность по сравнению с прежними бейзлайнами мировых моделей. Это привлекло внимание, поскольку методы в стиле JEPA часто считались хрупкими или перегруженными трюками; эти результаты говорят в пользу гораздо более простого рецепта обучения (Lucas Maes, Randall Balestriero, RobotsDigest).Механистическая интерпретируемость продолжает взрослеть от «ощущений» к реверс-инжинирингу: тред с пересказом работы Anthropic «On the Biology of a Large Language Model» представил нынешний mech interp как раскрытие схем (circuits) и внутренних признаков с уровнем конкретики, который десятилетие назад звучал бы неправдоподобно, одновременно предупреждая, что прослеженные схемы не обязательно соответствуют тому, что модель способна явно вербализовать о собственных рассуждениях (обобщающий тред).Теория обучения и масштабирование оптимизаторов тоже привлекли внимание: тред Antonio Orvieto утверждал, что теория оптимизации для адаптивных методов объясняет значительную часть известного масштабирования гиперпараметров LLM и может подсказывать правила переноса без brute-force перебора, тогда как последующая дискуссия подчёркивала зависимость от оптимизатора и выводы для конфигураций в стиле Muon (Orvieto, реакция giffmana, продолжение от leloykun). Это одно из самых полезных подводных течений дня: люди пытаются заменить эмпирический фольклор масштабирования выводами из теории.
Document Parsing, Retrieval, and Search Infrastructure Became More “Agent-Native”
Парсинг документов, поиск (retrieval) и поисковая инфраструктура стали более «agent-native»
Document parsing is becoming a serious systems layer, not a side utility: Google Devs and LlamaIndex highlighted a workflow combining LlamaParse + Gemini 3.1 Pro for extracting structured data from difficult financial PDFs, claiming roughly 15% accuracy gains on brokerage statements and complex tables. Separately, LlamaIndex’s new LiteParse targets a lighter-weight parsing path with URL and stream support and no VLM dependency, specifically pitched as something agents can call cheaply and quickly (Google Devs, Jerry Liu, LiteParse).
Search/retrieval infra for coding agents improved materially: Cursor shipped Instant Grep, advertising regex search over millions of files in milliseconds, with a technical writeup on the indexing/algorithm tradeoffs. For agentic coding this kind of primitive matters more than another tiny model gain; search latency directly shapes whether agents can iterate over large repos fast enough to be useful (Cursor announcement, blog link).
Late interaction / multi-vector retrieval is having a moment: the Weaviate/LightOn discussion argued that late interaction systems finally look practical for broader deployment, especially for code and reasoning-heavy retrieval. The core argument: token-level multi-vector representations can still be cheaper and more reusable than full cross-encoders, while materially improving recall and ranking quality for agentic workloads (Connor Shorten podcast, softwaredoug, Amélie Chatelain).
Парсинг документов превращается в серьёзный системный слой, а не во вспомогательную утилиту: Google Devs и LlamaIndex продемонстрировали рабочий процесс, сочетающий LlamaParse + Gemini 3.1 Pro для извлечения структурированных данных из сложных финансовых PDF, заявляя о приросте точности примерно на 15% на брокерских выписках и сложных таблицах. Отдельно новый LiteParse от LlamaIndex нацелен на более лёгкий путь парсинга с поддержкой URL и потоков и без зависимости от VLM, позиционируясь именно как то, что агенты могут вызывать дёшево и быстро (Google Devs, Jerry Liu, LiteParse).Инфраструктура поиска/retrieval для кодинговых агентов заметно улучшилась: Cursor выпустила Instant Grep, рекламируя regex-поиск по миллионам файлов за миллисекунды, с техническим разбором компромиссов в индексировании/алгоритме. Для агентного кодинга такой примитив важнее, чем очередной крошечный прирост модели; задержка поиска напрямую определяет, смогут ли агенты достаточно быстро итерироваться по большим репозиториям, чтобы быть полезными (анонс Cursor, ссылка на блог).Late interaction / multi-vector retrieval переживает свой момент: дискуссия Weaviate/LightOn утверждала, что системы late interaction наконец выглядят практичными для более широкого развёртывания, особенно для retrieval по коду и задач с интенсивными рассуждениями. Главный аргумент: токен-уровневые multi-vector представления всё ещё могут быть дешевле и более переиспользуемыми, чем полноценные cross-encoder, при этом существенно улучшая recall и качество ранжирования для агентных нагрузок (подкаст Connor Shorten, softwaredoug, Amélie Chatelain).
Model and Product Releases: Sakana Chat, MiniMax Plans, Luma Uni-1, NVIDIA Kimodo, and More
Релизы моделей и продуктов: Sakana Chat, планы MiniMax, Luma Uni-1, NVIDIA Kimodo и другое
Sakana AI made the biggest concrete product launch in the set: it launched Sakana Chat for Japanese users, backed by a new Namazu alpha model family, described as post-trained open models tuned to reduce upstream bias and better reflect Japanese context and values. Sakana positioned this as both a consumer product and a demonstration of culturally localized post-training; the supporting technical blog also tied into its prior work using ensembles plus novelty search to extract narratives from 1.1M social posts in a Yomiuri collaboration on information operations analysis (Sakana Chat, Namazu alpha, Hardmaru on the OSINT workflow).
MiniMax continued to push productization hard: it introduced a flat-rate “Token Plan” covering text, speech, music, video, and image APIs under one subscription, explicitly pitching predictable all-modality billing and compatibility with third-party harnesses. This is notable not because subscription packaging is flashy, but because multimodal API consumption has become operationally annoying enough that simplifying pricing is itself product differentiation (MiniMax Token Plan).
Generative media shipped notable artifacts: Luma’s Uni-1 was pitched as a model that “thinks and generates pixels simultaneously,” while NVIDIA’s Kimodo drew strong engagement as a promptable motion/timeline model trained on 700 hours of mocap, supporting both human and robot skeletons and available on Hugging Face (Luma Uni-1, Kimodo).
Other release notes worth flagging: Hugging Face Kernels 0.12.3 added support for Flash-Attention 4 via cutlass.cute kernels (Sayak Paul); TRL v1.0.0 claimed up to 44× VRAM savings for long-sequence training with AsyncGRPO on the way (Amine Dirhoussi); and AI2’s MolmoPoint GUI targeted VLM-based GUI automation with grounding tokens rather than coordinate regression, reporting 61.1 on ScreenSpotPro (HuggingPapers).
Sakana AI сделала самый заметный конкретный продуктовый запуск в подборке: она запустила Sakana Chat для японских пользователей на базе нового семейства моделей Namazu alpha, описываемого как пост-обученные открытые модели, настроенные на снижение унаследованного смещения и лучшее отражение японского контекста и ценностей. Sakana позиционировала это и как потребительский продукт, и как демонстрацию культурно локализованного постобучения; сопроводительный технический блог также увязывался с её прежней работой по использованию ансамблей плюс novelty search для извлечения нарративов из 1,1 млн социальных постов в коллаборации с Yomiuri по анализу информационных операций (Sakana Chat, Namazu alpha, Hardmaru об OSINT-процессе).MiniMax продолжала активно продвигать продуктизацию: она представила тариф с фиксированной ставкой «Token Plan», охватывающий API для текста, речи, музыки, видео и изображений в рамках одной подписки, явно делая ставку на предсказуемый биллинг по всем модальностям и совместимость со сторонними обвязками. Это примечательно не потому, что упаковка в подписку выглядит броско, а потому, что потребление мультимодальных API стало операционно настолько раздражающим, что упрощение ценообразования само по себе становится продуктовой дифференциацией (MiniMax Token Plan).Генеративные медиа выпустили заметные артефакты: Uni-1 от Luma подавалась как модель, которая «думает и генерирует пиксели одновременно», тогда как Kimodo от NVIDIA вызвала сильную вовлечённость как управляемая промптами модель движения/таймлайна, обученная на 700 часах захвата движения (mocap), поддерживающая как человеческие, так и роботизированные скелеты и доступная на Hugging Face (Luma Uni-1, Kimodo).Прочие релизы, заслуживающие упоминания: Hugging Face Kernels 0.12.3 добавил поддержку Flash-Attention 4 через ядра cutlass.cute (Sayak Paul); TRL v1.0.0 заявил об экономии VRAM до 44× для обучения на длинных последовательностях, с AsyncGRPO на подходе (Amine Dirhoussi); а MolmoPoint GUI от AI2 нацелился на автоматизацию GUI на базе VLM с использованием grounding-токенов вместо регрессии координат, показав 61,1 на ScreenSpotPro (HuggingPapers).
Top Tweets (by engagement, filtered for technical relevance)
Топовые твиты (по вовлечённости, отфильтрованные по технической релевантности)
Claude computer use launch: Anthropic’s desktop control feature was the most consequential product release in the set and one of the clearest signs that mainstream assistants are moving from “answering” to operating software directly (announcement).
Cursor Instant Grep: highly engaged because it addressed a real systems bottleneck for coding agents—repo-scale search latency—not just another benchmark increment (Cursor).
Luma Uni-1: major engagement around a model that collapses reasoning and image generation into one product surface, though details remain sparse in the tweet itself (Luma Labs).
Sakana’s narrative intelligence / OSINT workflow: one of the more substantial applied-AI posts, combining LLM ensembles, novelty search, hypothesis generation, and human verification over 1.1M posts (Sakana).
JEPA / LeWorldModel: strong engagement for a compact world model recipe that is much simpler and faster than many expected, and thus potentially more reproducible by ordinary labs (LeWorldModel).
Hyperagents / DGM-H: among the most technically interesting research posts because it targets meta-level self-improvement, not just better task execution (Hyperagents).
Запуск Claude computer use: функция управления десктопом от Anthropic стала самым значимым продуктовым релизом в подборке и одним из самых явных признаков того, что массовые ассистенты переходят от «ответов» к непосредственному управлению софтом (анонс).Cursor Instant Grep: вызвал высокую вовлечённость, потому что решал реальное системное узкое место для кодинговых агентов — задержку поиска в масштабе репозитория, — а не давал очередной прирост на бенчмарке (Cursor).Luma Uni-1: большая вовлечённость вокруг модели, которая объединяет рассуждение и генерацию изображений в одну продуктовую поверхность, хотя деталей в самом твите по-прежнему мало (Luma Labs).Нарративный интеллект / OSINT-процесс Sakana: один из самых содержательных постов по прикладному ИИ, сочетающий ансамбли LLM, novelty search, генерацию гипотез и проверку человеком на 1,1 млн постов (Sakana).JEPA / LeWorldModel: сильная вовлечённость для компактного рецепта мировой модели, который оказался намного проще и быстрее, чем многие ожидали, а значит — потенциально более воспроизводимым обычными лабораториями (LeWorldModel).Hyperagents / DGM-H: среди наиболее технически интересных исследовательских постов, поскольку он нацелен на мета-уровневое самоулучшение, а не просто на лучшее исполнение задач (Hyperagents).
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 читать этот пост и получить 7 дней бесплатного доступа к полному архиву постов.