[AINews] Autoresearch: Sparks of Recursive Self Improvement
Выпуск AINews от Latent Space сообщает о признаках рекурсивного самоулучшения: LLM начинают полностью автономно обучать (меньшие) LLM, и теперь это доступно любому, у кого есть GPU. Андрей Карпати запустил «autoresearch»-цикл на nanochat, нашёл ~20 складывающихся изменений, переносимых с depth=12 на depth=24, и улучшил «Time to GPT-2» с 2.02ч до 1.80ч (~11%) после ~700 автономных изменений. Yi Tay в декабре 2025 описал это как «vibe training» — когда модель кодит лучше тебя, и ты просто принимаешь её исправления. Авторы отмечают, что к сентябрю 2026 цель Якуба Пахоцки об «автоматизированном ИИ-исследователе-стажёре» выглядит достижимой. Среди других новостей: Claude Code выпускает мультиагентный обзор PR (рост осмысленных комментариев с 16% до 54% при <1% ошибочных находок), OpenAI покупает Promptfoo, Anthropic лидирует в анализе документов (Opus 4.6 #1), а Figure Helix 02 демонстрирует автономную уборку гостиной.
[AINews] Autoresearch: Sparks of Recursive Self Improvement
[AINews] Autoresearch: проблески рекурсивного самоулучшения
AGI takes another small step forward.
AGI делает ещё один маленький шаг вперёд.
In the continuing fallout from WTF Happened in 2025, we now have the beginnings of LLMs being able to fully autonomously train (smaller) LLMs.
В продолжение последствий WTF Happened in 2025 у нас теперь есть зачатки того, как LLM способны полностью автономно обучать (меньшие) LLM.
Every AI summer has its “AutoML moment”: the dream of models automatically improving model training and therefore causing infinite recursion of intelligence that either leads to nirvana or doom. We may be in the Last Summer, but we just had ours:
У каждого ИИ-лета есть свой «момент AutoML»: мечта о моделях, автоматически улучшающих обучение моделей и тем самым запускающих бесконечную рекурсию интеллекта, ведущую либо к нирване, либо к гибели. Возможно, мы живём в Последнее Лето, но свой момент мы только что пережили:
In our Dec 2025 conversation with Yi Tay, he talked about “vibe training”:
В нашем разговоре с Yi Tay в декабре 2025 он говорил о «vibe training»:
“I think AI coding has started to come to the point where I run a job and get a bug, I almost don’t look at the bug. I paste it into like Antigravity and let it fix the bug for me. And then I relaunch the job.
It’s beyond vibe coding, it’s more like vibe training, vibe ML or something like that. I would say it does pretty well most of the time. And actually there are classes of problems that it’s just generally... I know this is actually really good for and in fact, maybe probably better than, me, like, I would have to spend 20 minutes to figure out the issue.
I would say level one vibe coding is you actually know what to do, you’re just too lazy. Yeah, it’s just, ah, just do it for me. Like, I’ve done this a thousand times.
The next level where you actually don’t even know what to do. It’s investigating the bug for you. As long as, like, the answer looks right, you’ll just ship it.
At the start, I did check it and look at everything. And then at some point, I’m like, maybe the model codes better than me. So I’m just going to let it do its stuff. And then I will relaunch the job based on the fix that the model gave me.”
«Думаю, AI-кодинг дошёл до точки, когда я запускаю задачу и получаю баг — и я почти не смотрю на этот баг. Я просто вставляю его в Antigravity и даю ему починить баг за меня. А потом перезапускаю задачу. Это уже за пределами vibe coding, это скорее vibe training, vibe ML или что-то в этом роде. Я бы сказал, в большинстве случаев он справляется довольно хорошо. И на самом деле есть классы задач, в которых он просто в целом... я знаю, что он реально в этом хорош, и по факту, наверное, даже лучше меня — мне пришлось бы потратить 20 минут, чтобы разобраться в проблеме. Я бы сказал, уровень один vibe coding — это когда ты на самом деле знаешь, что делать, тебе просто лень. Ну да, типа: а, просто сделай за меня. Я это делал тысячу раз. Следующий уровень — когда ты на самом деле даже не знаешь, что делать. Он расследует баг за тебя. И пока ответ выглядит правильным, ты просто отправляешь его. Поначалу я проверял и смотрел всё. А потом в какой-то момент подумал: может, модель кодит лучше меня. Так что я просто дам ей делать своё дело. А потом перезапущу задачу на основе исправления, которое дала модель.»
So we knew this is happening at the Big Labs, but now anyone with a GPU can play with this at home and see models improving models.
Итак, мы знали, что это происходит в Больших Лабораториях, но теперь любой, у кого есть GPU, может поиграть с этим дома и увидеть, как модели улучшают модели.
Given that we are at March 2026, we seem well on target for Jakub Pachocki’s “Automated AI Research Intern” by September THIS YEAR (“A system that can meaningfully accelerate human researchers, not just chat or code.”)
Учитывая, что на дворе март 2026, мы, похоже, вполне укладываемся в график для «Автоматизированного ИИ-исследователя-стажёра» Якуба Пахоцки к сентябрю ЭТОГО года («Система, которая может реально ускорять работу исследователей-людей, а не просто болтать или писать код.»)
AI News for 3/5/2026-3/9/2026. We checked 12 subreddits, 544 Twitters and 24 Discords (264 channels, and 27779 messages) for you. Estimated reading time saved (at 200wpm): 2649 minutes. 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 5.03.2026—9.03.2026. Мы проверили 12 сабреддитов, 544 Twitter-аккаунта и 24 Discord-сервера (264 канала и 27779 сообщений) ради вас. Оценочно сэкономленное время на чтение (при 200 слов/мин): 2649 минут. Сайт AINews позволяет искать по всем прошлым выпускам. Напоминаем, что AINews теперь является разделом Latent Space. Вы можете подписаться/отписаться от частоты рассылок!
AI Twitter Recap
Обзор AI Twitter
Coding Agents: productization, harness design, and “agents all the way down”
Кодинг-агенты: продуктизация, дизайн харнессов и «агенты на каждом уровне»
Coding agents are shifting the bottleneck from implementation to review/verification: Multiple threads converge on the same systems point—generation is getting cheap, but judgment, governance, and verification are the new constraints. See the “execution is cheap, judgment is scarce” framing in @AstasiaMyers, and the more security/governance-oriented take that creation and verification are different engineering problems in @omarsar0 and follow-up @omarsar0. This is reinforced by real PR-review product launches and alternatives:
Claude Code “Code Review”: Anthropic ships multi-agent PR review—agents hunt issues in parallel, verify findings, rank severity; claimed internal lift from 16% → 54% PRs with meaningful comments and <1% incorrect findings (Claude, coverage thread @kimmonismus, reaction @Yuchenj_UW).
OpenAI Codex Review positioning: A “usage-based” code review pitch framed as materially cheaper than per-review pricing; see @rohanvarma.
Devin Review: Cognition launches a free PR review tool by URL substitution, plus autofix and diff features (Cognition).
Harness engineering is becoming systems engineering: A practical pattern emerging is to decouple agent storage from agent compute so teams of agents can collaborate via shared repos/filesystems while running in isolated sandboxes. This shows up explicitly in @Vtrivedy10. Related infra details include Hermes-agent adding docker volume mounts for easier file access in sandboxes (Teknium).
Perplexity “Computer” is turning into an agent orchestrator with real toolchains: Perplexity adds Claude Code + GitHub CLI inside “Perplexity Computer” and demonstrates end-to-end: fork repo → implement fix → submit PR (AskPerplexity, @AravSrinivas). It also claims autonomous ad campaign operation via Google/Meta Ads API connectors (Arav), pushing agents from “coding help” toward running business infrastructure.
Terminal UX and “agent ergonomics” still matter: Developers complain about basic multi-line input ergonomics (shift+enter) in CLI tools (theo, @QuixiAI, and more generally aesthetic/UX preference in CLI apps @jerryjliu0). This is a reminder that “agent capability” is heavily mediated by interaction design.
Кодинг-агенты смещают узкое место с реализации на ревью/верификацию: множество тредов сходятся к одной системной мысли — генерация становится дешёвой, но суждение, управление и верификация становятся новыми ограничениями. См. формулировку «исполнение дёшево, суждение в дефиците» у @AstasiaMyers и более ориентированный на безопасность/управление тезис о том, что создание и верификация — это разные инженерные задачи, у @omarsar0 и в продолжении @omarsar0. Это подкрепляется реальными запусками продуктов для ревью PR и альтернативами: Claude Code «Code Review»: Anthropic выпускает мультиагентное ревью PR — агенты параллельно ищут проблемы, верифицируют находки, ранжируют по серьёзности; заявлен внутренний рост с 16% → 54% PR с осмысленными комментариями и <1% ошибочных находок (Claude, обзорный тред @kimmonismus, реакция @Yuchenj_UW). Позиционирование OpenAI Codex Review: подача ревью кода по модели «оплата за использование», поданная как существенно дешевле тарификации за каждое ревью; см. @rohanvarma. Devin Review: Cognition запускает бесплатный инструмент ревью PR через подмену URL, плюс функции автоисправления и diff (Cognition). Инженерия харнессов становится системной инженерией: появляется практический паттерн — отделять хранилище агента от вычислений агента, чтобы команды агентов могли сотрудничать через общие репозитории/файловые системы, работая при этом в изолированных песочницах. Это явно проявляется у @Vtrivedy10. Связанные детали инфраструктуры включают добавление в Hermes-agent монтирования docker-томов для упрощённого доступа к файлам в песочницах (Teknium). Perplexity «Computer» превращается в оркестратор агентов с реальными тулчейнами: Perplexity добавляет Claude Code + GitHub CLI внутрь «Perplexity Computer» и демонстрирует сквозной процесс: форк репозитория → реализация исправления → отправка PR (AskPerplexity, @AravSrinivas). Также заявлена автономная работа с рекламными кампаниями через коннекторы Google/Meta Ads API (Arav), что подталкивает агентов от «помощи в кодинге» к управлению бизнес-инфраструктурой. Terminal UX и «эргономика агентов» всё ещё важны: разработчики жалуются на базовую эргономику многострочного ввода (shift+enter) в CLI-инструментах (theo, @QuixiAI, и в более общем смысле эстетические/UX-предпочтения в CLI-приложениях @jerryjliu0). Это напоминание о том, что «способности агента» сильно опосредованы дизайном взаимодействия.
Autoresearch & self-improving loops: agents optimizing ML training and agent code
Autoresearch и самоулучшающиеся циклы: агенты, оптимизирующие обучение ML и код агентов
Karpathy’s “autoresearch” goes from meme to measurable gains: Andrej reports running an agent-driven research loop on nanochat, finding ~20 additive changes that transfer from depth=12 to depth=24 and improving “Time to GPT-2” from 2.02h → 1.80h (~11%), after ~700 autonomous changes (Karpathy). Key takeaway for engineers: even when not doing “novel research,” the loop can systematically discover stacking, transferable training recipe improvements (norm scalers, regularization gaps, attention tuning, AdamW betas, init, etc.). He explicitly calls this “the final boss battle” for frontier labs: swarm agents, optimize proxies, promote to larger scales.
Agent loops are still fragile across harnesses/models: A recurring issue is that long-running loops depend on harness affordances more than raw model quality. Yuchen notes GPT-5.4 xhigh failing to follow “LOOP FOREVER” while Opus 4.6 runs for 12+ hours and 118 experiments (Yuchen). Karpathy adds that Codex can’t run autoresearch properly in its current setup and argues agents shouldn’t require special commands like /loop—“if I say loop forever, it should just do that” (Karpathy, echo Yuchen). Net: if you’re building agent infra, invest in robust looping primitives, interruption/rewind, and transparent interactive sessions.
Hermes-agent trends toward self-improvement + controversial “skills”: Nous Research’s Hermes agent is highlighted as trending (OpenRouter). Teknium claims:
rapid “abliteration” (removing guardrails) of a Qwen-3B model (Teknium) and later notes self-improving agent codebases/GEPA-inspired work (Teknium).
This sits alongside more formal “self-evolving agent” approaches like GEPA; see practitioner note @myanvoos and the reported gains callout (LakshyAAAgrawal).
«Autoresearch» Карпати превращается из мема в измеримые улучшения: Андрей сообщает, что запустил управляемый агентом исследовательский цикл на nanochat, нашёл ~20 складывающихся изменений, переносимых с depth=12 на depth=24, и улучшил «Time to GPT-2» с 2.02ч → 1.80ч (~11%) после ~700 автономных изменений (Karpathy). Ключевой вывод для инженеров: даже когда речь не идёт о «новом исследовании», цикл может систематически находить складывающиеся, переносимые улучшения рецепта обучения (нормировочные масштабаторы, пробелы в регуляризации, тюнинг внимания, беты AdamW, инициализация и т.д.). Он прямо называет это «битвой с финальным боссом» для фронтирных лабораторий: рои агентов, оптимизация прокси, продвижение на большие масштабы. Циклы агентов всё ещё хрупки в разных харнессах/моделях: повторяющаяся проблема в том, что долгоиграющие циклы зависят от возможностей харнесса больше, чем от сырого качества модели. Yuchen отмечает, что GPT-5.4 xhigh не справляется со следованием «LOOP FOREVER», тогда как Opus 4.6 работает 12+ часов и 118 экспериментов (Yuchen). Карпати добавляет, что Codex не может нормально запускать autoresearch в текущей конфигурации, и утверждает, что агентам не должны требоваться специальные команды вроде /loop — «если я говорю loop forever, он должен просто это делать» (Karpathy, отклик Yuchen). Итог: если вы строите инфраструктуру агентов, вкладывайтесь в надёжные примитивы зацикливания, прерывание/перемотку и прозрачные интерактивные сессии. Hermes-agent движется к самоулучшению + спорным «skills»: агент Hermes от Nous Research отмечается как трендовый (OpenRouter). Teknium заявляет о быстрой «абляции» (удалении ограждений) модели Qwen-3B (Teknium) и позже упоминает самоулучшающиеся кодовые базы агентов / работу, вдохновлённую GEPA (Teknium). Это соседствует с более формальными подходами к «самоэволюционирующим агентам», такими как GEPA; см. заметку практика @myanvoos и упоминание о заявленных улучшениях (LakshyAAAgrawal).
Model ecosystem updates: GPT‑5.4 discourse, Anthropic dominance in documents, and Gemma/Qwen churn
Обновления экосистемы моделей: дискурс вокруг GPT-5.4, доминирование Anthropic в документах и движуха вокруг Gemma/Qwen
GPT‑5.4: strong user sentiment, mixed benchmark chatter, and tooling constraints
Positive hands-on impressions: @Hangsiin says 5.4 is a jump over 5.2 in ChatGPT; @Yampeleg calls it “fantastic”; @gneubig prefers 5.4 for instruction adherence vs Opus 4.6 (while Opus faster/better frontend).
Vision/OCR anecdote suggests large improvement on hard Korean-table OCR, potentially via “agentic vision + code execution” but with long runtimes (up to 40 minutes) (Hangsiin).
Some benchmark/meta commentary claims regressions or ranking differences between “high/xhigh” variants on specific leaderboards (scaling01, scaling01), while others post new SOTA points (e.g., ZeroBench deltas JRobertsAI).
Practical note: Codex usage limits and tiering are documented via screenshots/summary (Presidentlin), highlighting that in real workflows people are already mixing models by role (planner/doer/editor) rather than selecting one “best” model.
Anthropic: document analysis leadership + the “Pentagon blacklist” lawsuit story
Document Arena reports top 3 are Anthropic models for document analysis/long-form reasoning: Opus 4.6 #1, Sonnet 4.6 #2, Opus 4.5 #3 (arena).
Parallel to product wins, major political/legal news circulates: multiple outlets/tweets claim Anthropic filed lawsuits after being labeled a “supply chain risk” by the Pentagon, framed as retaliation for refusing to remove safeguards on mass surveillance/autonomous weapons (kimmonismus, TheRundownAI). Engineers should separate policy discourse from technical evaluation, but it’s relevant for procurement constraints and enterprise adoption.
Gemma 4 and Qwen3.5
Gemma 4 rumors/leaks circulate: “imminent” and parameter speculation including 120B total / 15B active claims (scaling01, kimmonismus, leak mention kimmonismus). Treat specifics as unconfirmed until official release.
Qwen3.5 local running guide + fine-tuning agent workflow is published by Unsloth, claiming it works on ≤24GB RAM and shows an agent that fine-tunes models using Unsloth (UnslothAI).
Qwen org churn / reporting skepticism: a reporter criticizes anonymous-source “DeepSeek release date” scoops and broader Chinese tech reporting practices (vince_chow1). There’s also mention of Qwen’s technical lead stepping down (via newsletter roundup, not primary source) (ZhihuFrontier).
GPT-5.4: сильные настроения пользователей, неоднозначные разговоры о бенчмарках и ограничения инструментария Позитивные впечатления от практики: @Hangsiin говорит, что 5.4 — это скачок по сравнению с 5.2 в ChatGPT; @Yampeleg называет её «фантастической»; @gneubig предпочитает 5.4 за следование инструкциям по сравнению с Opus 4.6 (хотя Opus быстрее/лучше во фронтенде). Случай с распознаванием/OCR указывает на значительное улучшение в сложном OCR корейских таблиц, возможно, за счёт «агентного зрения + исполнения кода», но с долгим временем работы (до 40 минут) (Hangsiin). Часть комментариев о бенчмарках/мета заявляет о регрессиях или различиях в ранжировании между вариантами «high/xhigh» на конкретных лидербордах (scaling01, scaling01), тогда как другие публикуют новые точки SOTA (например, дельты ZeroBench JRobertsAI). Практическая заметка: лимиты использования и тарификация Codex задокументированы через скриншоты/сводку (Presidentlin), что подчёркивает: в реальных рабочих процессах люди уже смешивают модели по ролям (планировщик/исполнитель/редактор), а не выбирают одну «лучшую» модель. Anthropic: лидерство в анализе документов + история с иском о «чёрном списке Пентагона» Document Arena сообщает, что топ-3 — это модели Anthropic для анализа документов / рассуждений в длинном формате: Opus 4.6 #1, Sonnet 4.6 #2, Opus 4.5 #3 (arena). Параллельно с продуктовыми победами циркулируют крупные политические/юридические новости: множество изданий/твитов утверждают, что Anthropic подала иски после того, как Пентагон присвоил ей ярлык «риска цепочки поставок», что подаётся как месть за отказ снять защитные механизмы против массовой слежки / автономного оружия (kimmonismus, TheRundownAI). Инженерам стоит отделять политический дискурс от технической оценки, но это важно для ограничений при закупках и корпоративного внедрения. Gemma 4 и Qwen3.5 Циркулируют слухи/утечки о Gemma 4: «вот-вот» и спекуляции о параметрах, включая заявления о 120B всего / 15B активных (scaling01, kimmonismus, упоминание утечки kimmonismus). Относитесь к конкретике как к неподтверждённой до официального релиза. Опубликовано руководство Unsloth по локальному запуску Qwen3.5 + рабочий процесс агента для файнтюнинга, с заявлением, что это работает на ≤24ГБ ОЗУ, и показан агент, файнтюнящий модели с помощью Unsloth (UnslothAI). Кадровая движуха в Qwen / скепсис к репортажам: журналист критикует «сливы даты релиза DeepSeek» из анонимных источников и более широкие практики освещения китайских технологий (vince_chow1). Также упоминается, что технический руководитель Qwen уходит в отставку (через обзор в рассылке, не из первоисточника) (ZhihuFrontier).
Infra, performance, and evaluation tooling
Инфраструктура, производительность и инструменты оценки
vLLM on edge + router work + debugging lessons
vLLM highlighted running a fully local assistant on NVIDIA Jetson serving MoE (Nemotron 3 Nano 30B) on-device with “zero cloud APIs” (vllm_project).
A Microsoft exec mention of “vLLM Semantic Router” is celebrated (XunzhuoLiu)—semantic routing is increasingly part of production stacks.
Debugging notes: DeepGemm incompatibilities causing vLLM breakage; workaround via
VLLM_USE_DEEP_GEMM=0(TheZachMueller).Claude Code + local model slowdown due to attribution headers invalidating KV cache → effectively O(N²) behavior is a concrete performance gotcha for anyone proxying “cloud agent UX” onto local inference (danielhanchen).
Training theory & throughput
Warmup/decay theory: “warmup needed when gradient norms drop early” claim with paper reference (aaron_defazio); rosinality suggests per-residual-branch scalar warmup patterns (rosinality).
Hugging Face integrates Ulysses sequence parallelism into Trainer/Accelerate/TRL (StasBekman).
CosNet idea: adding low-rank nonlinear residual functions to linear layers yields 20%+ wallclock speedup in pretraining claims (torchcompiled).
Evaluation and security testing move “left” into dev workflows
OpenAI acquires Promptfoo; it remains open-source; it will strengthen agentic security testing/evals in “OpenAI Frontier” (OpenAI, additional context from @snsf).
LangSmith adds multimodal evaluators and an Agent Builder inbox for managing parallel agent tasks (LangChain, LangChain).
Harbor integrates end-to-end computer-use evaluation (Windows/Linux) at scale, generating trajectories for SFT/RL from rollouts (Mascobot).
Teleport proposes “agentic identity” as a control plane: cryptographic identity, least privilege, audit trails across MCP/tools (TheTuringPost).
vLLM на edge + работа над роутером + уроки отладки vLLM отмечается за запуск полностью локального ассистента на NVIDIA Jetson, обслуживающего MoE (Nemotron 3 Nano 30B) на устройстве с «нулевыми облачными API» (vllm_project). Упоминание исполнительным директором Microsoft «vLLM Semantic Router» вызывает одобрение (XunzhuoLiu) — семантическая маршрутизация всё чаще становится частью продакшн-стеков. Заметки об отладке: несовместимости DeepGemm вызывают поломку vLLM; обходной путь через VLLM_USE_DEEP_GEMM=0 (TheZachMueller). Замедление Claude Code + локальной модели из-за заголовков атрибуции, инвалидирующих KV-кэш → фактически O(N²) поведение — это конкретная подстава по производительности для всех, кто прокидывает «облачный UX агента» на локальный инференс (danielhanchen). Теория обучения и пропускная способность Теория warmup/decay: заявление «warmup нужен, когда нормы градиента падают рано» со ссылкой на статью (aaron_defazio); rosinality предлагает паттерны скалярного warmup на каждую остаточную ветвь (rosinality). Hugging Face интегрирует параллелизм последовательностей Ulysses в Trainer/Accelerate/TRL (StasBekman). Идея CosNet: добавление низкоранговых нелинейных остаточных функций к линейным слоям даёт 20%+ ускорение по wallclock в претрейнинге, согласно заявлениям (torchcompiled). Оценка и тестирование безопасности «сдвигаются влево» в рабочие процессы разработки OpenAI приобретает Promptfoo; он остаётся open-source; это усилит агентное тестирование безопасности/оценки в «OpenAI Frontier» (OpenAI, дополнительный контекст от @snsf). LangSmith добавляет мультимодальные оценщики и инбокс Agent Builder для управления параллельными задачами агентов (LangChain, LangChain). Harbor интегрирует сквозную оценку computer-use (Windows/Linux) в масштабе, генерируя траектории для SFT/RL из роллаутов (Mascobot). Teleport предлагает «агентную идентичность» как control plane: криптографическая идентичность, минимальные привилегии, аудит-трейлы через MCP/инструменты (TheTuringPost).
Agents need better context: docs, retrieval, memory, and “environmentization”
Агентам нужен лучший контекст: документация, поиск, память и «энвайронментизация»
“Docs as a tool” (not prompt paste) becomes a standard primitive: Andrew Ng launches Context Hub, a CLI that fetches up-to-date API docs to reduce outdated-API hallucinations; also supports persistent annotations and eventual community sharing (AndrewYNg). This is exactly the kind of small “glue” tool that materially changes agent reliability in fast-moving APIs.
Retrieval and memory research/benchmarks
AgentIR proposes using agent “reasoning tokens” as signals (“reads your agent’s mind”) and reports gains on BrowseComp-Plus from 35% → 50% → 67% vs baselines (zijian42chen).
Memex(RL) proposes indexed experience memory to scale long-horizon tasks without bloating context windows (omarsar0).
Databricks/DAIR’s KARL: multi-task RL training for enterprise search agents; claims Pareto-optimal cost/latency quality tradeoffs and improved generalization beyond single-benchmark optimization (dair_ai).
“Turn everything into an environment”: A hackathon reflection argues environments democratize AI because they let you “get a stake without the compute,” and coding agents are dominating env building—but need better skills/commands (ben_burtenshaw). Prime Intellect is repeatedly positioned as an infra layer for running RL environments/training with minimal setup (willccbb).
Document context becomes “deep infrastructure” rather than general frameworks
LlamaIndex shows slide-deck parsing and retrieval (“Surreal Slides”) using LlamaParse → SurrealDB → MCP agent interface (llama_index, jerryjliu0). Jerry Liu explicitly frames a strategic pivot: from broad RAG framework to document OCR infrastructure as the enduring agent bottleneck (jerryjliu0).
«Документация как инструмент» (а не вставка в промпт) становится стандартным примитивом: Andrew Ng запускает Context Hub — CLI, который подтягивает актуальную документацию API, чтобы уменьшить галлюцинации из-за устаревших API; также поддерживает постоянные аннотации и в перспективе обмен в сообществе (AndrewYNg). Это именно тот тип маленького «склеивающего» инструмента, который существенно меняет надёжность агентов в быстро меняющихся API. Исследования/бенчмарки поиска и памяти AgentIR предлагает использовать «токены рассуждений» агента как сигналы («читает мысли вашего агента») и сообщает об улучшении на BrowseComp-Plus с 35% → 50% → 67% по сравнению с базовыми решениями (zijian42chen). Memex(RL) предлагает индексированную память опыта для масштабирования задач с длинным горизонтом без раздувания контекстных окон (omarsar0). KARL от Databricks/DAIR: мультизадачное RL-обучение для корпоративных поисковых агентов; заявляет о Парето-оптимальных компромиссах стоимости/задержки/качества и улучшенной генерализации за пределами оптимизации под один бенчмарк (dair_ai). «Превращай всё в среду»: рефлексия после хакатона утверждает, что среды демократизируют ИИ, поскольку позволяют «получить долю без вычислений», и кодинг-агенты доминируют в построении сред — но им нужны лучшие skills/команды (ben_burtenshaw). Prime Intellect неоднократно позиционируется как инфраструктурный слой для запуска RL-сред/обучения с минимальной настройкой (willccbb). Контекст документов становится «глубокой инфраструктурой», а не общими фреймворками LlamaIndex показывает парсинг и поиск по слайд-презентациям («Surreal Slides») с использованием LlamaParse → SurrealDB → MCP-интерфейс агента (llama_index, jerryjliu0). Jerry Liu прямо формулирует стратегический разворот: от широкого RAG-фреймворка к инфраструктуре OCR документов как непреходящему узкому месту агентов (jerryjliu0).
Robotics & embodied AI: from humanoid home demos to open-source robot learning
Робототехника и воплощённый ИИ: от домашних демо гуманоидов к open-source обучению роботов
Figure Helix 02 autonomous home cleanup: Brett Adcock posts a demo claim of fully autonomous living room cleanup and frames it as a major milestone (adcock_brett, follow-up adcock_brett). Kimmonismus extrapolates “robots at home by 2027” (kimmonismus)—timeline speculation aside, this is a notable demo threshold: whole-body, end-to-end household task.
LeRobot v0.5.0: Hugging Face’s robotics stack ships major updates: Unitree G1 humanoid support, new policies, real-time chunking, faster datasets, EnvHub/Isaac integration, Python 3.12 + Transformers v5, plugin system (LeRobotHF).
Memory benchmarks in robotics: RoboMME appears as a benchmark for memory in robotic generalist policies (_akhaliq).
Автономная уборка дома Figure Helix 02: Brett Adcock публикует демо с заявлением о полностью автономной уборке гостиной и подаёт это как крупную веху (adcock_brett, продолжение adcock_brett). Kimmonismus экстраполирует «роботы дома к 2027» (kimmonismus) — спекуляции о сроках в сторону, это заметный порог для демо: полнотелая, сквозная бытовая задача. LeRobot v0.5.0: робототехнический стек Hugging Face выпускает крупные обновления: поддержку гуманоида Unitree G1, новые политики, чанкинг в реальном времени, более быстрые датасеты, интеграцию EnvHub/Isaac, Python 3.12 + Transformers v5, систему плагинов (LeRobotHF). Бенчмарки памяти в робототехнике: RoboMME появляется как бенчмарк памяти для генералистских политик роботов (_akhaliq).
Top tweets (by engagement, filtered to mostly tech/AI)
Топ-твиты (по вовлечённости, отфильтровано преимущественно по теме tech/AI)
Claude Code ships multi-agent PR “Code Review”: @claudeai
OSINT pipeline post (AI-assisted synthesis) gets massive engagement (AI-assisted methodology, though geopolitical): @DataRepublican
Karpathy: autoresearch improves nanochat training ~11%: @karpathy
Google Earth: Satellite Embedding dataset update (AlphaEarth Foundations), 64-d embedding per 10m pixel: @googleearth
Andrew Ng releases Context Hub (live API docs for coding agents): @AndrewYNg
OpenAI acquires Promptfoo (agentic security testing/evals; remains OSS): @OpenAI
Claude Code выпускает мультиагентное «Code Review» PR: @claudeai Пост об OSINT-пайплайне (синтез с помощью ИИ) набирает огромную вовлечённость (методология с помощью ИИ, хотя и геополитическая): @DataRepublican Karpathy: autoresearch улучшает обучение nanochat на ~11%: @karpathy Google Earth: обновление датасета Satellite Embedding (AlphaEarth Foundations), 64-мерный эмбеддинг на каждый 10-метровый пиксель: @googleearth Andrew Ng выпускает Context Hub (живая документация API для кодинг-агентов): @AndrewYNg OpenAI приобретает Promptfoo (агентное тестирование безопасности/оценки; остаётся OSS): @OpenAI
Keep reading with a 7-day free trial
Продолжите чтение 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.