[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

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:

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.

Это также примерно 9-месячная годовщина манифеста «Personal Superintelligence» от Цукерберга для MSL, в котором говорится:

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.

и,

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.

Пересмотрите обзор Dreamer и обратите внимание, как Sidekick становится вашим личным интеллектуальным агентом над агентами, чья главная задача — именно во втором предложении:

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.

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 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!

Обзор AI Twitter

Claude Computer Use, агентные обвязки и переход от «кодогенерации» к полной автоматизации рабочих процессов

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).

Исследования самоулучшающихся агентов, RL-постобучения и генерации бенчмарков

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).

Мировые модели, JEPA, механистическая интерпретируемость и зарождающаяся теория обучения

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.

Парсинг документов, поиск (retrieval) и поисковая инфраструктура стали более «agent-native»

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).

Релизы моделей и продуктов: Sakana Chat, планы MiniMax, Luma Uni-1, NVIDIA Kimodo и другое

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).

Топовые твиты (по вовлечённости, отфильтрованные по технической релевантности)

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).

Продолжайте читать с 7-дневным бесплатным пробным периодом

Подпишитесь на Latent.Space, чтобы продолжить читать этот пост и получить 7 дней бесплатного доступа к полному архиву постов.