newsmode
search
Меню
arrow_back Назад
rss_feedLatent Space ·13.02.2026 open_in_new

[AINews] new Gemini 3 Deep Think, Anthropic $30B @ $380B, GPT-5.3-Codex Spark, MiniMax M2.5

#Ai Infrastructure #Frontier Models #Venture Funding
auto_awesomeКраткое саммари

Обзор сразу нескольких крупных AI-новостей одного дня. MiniMax M2.5 заявляет 80.2% на SWE-Bench Verified — на уровне Opus. Anthropic закрыл раунд по оценке $380B, подтвердив рост выручки более чем в 10 раз до $14B, при этом ARR Claude Code удвоился и достиг $2.5B с начала года. OpenAI выпустила GPT-5.3-Codex-Spark на инфраструктуре Cerebras со скоростью более 1000 ток/с (10-кратное ускорение). Главной же новостью стал Gemini 3 Deep Think от Google DeepMind: 84.6% на ARC-AGI-2, 48.4% на HLE без инструментов, Codeforces Elo 3455 и при этом на 82% дешевле за задачу. Также упоминаются GLM-5 от Zhipu, протокол A2A, инфраструктура Mooncake для KV-кэша и исследовательские модели вроде QED-Nano и LeJEPA.

translate EN + RU EN RU

[AINews] new Gemini 3 Deep Think, Anthropic $30B @ $380B, GPT-5.3-Codex Spark, MiniMax M2.5

[AINews] новый Gemini 3 Deep Think, Anthropic $30B по оценке $380B, GPT-5.3-Codex Spark, MiniMax M2.5

There's too much going on!

Слишком много всего происходит!

China open model week kept going with MiniMax M2.5 claiming an Opus-matching 80.2% on SWE-Bench Verified, however, as often happens on Thursdays, all 3 leading US labs had updates - Anthropic closed their $380B round confirming a historic >10xing of revenue to $14B as of today (remember in August Dario projected $10B), with Claude Code’s ARR doubling, hitting 2.5B year to date. Not to be outdone, OpenAI rolled out their answer to Claude’s fast mode (2.5x speedup) with GPT-5.3-Codex-Spark, which delivers >1000 tok/s (10x speedup), an impressively fast turnaround of the Cerebras deal.

Неделя открытых моделей из Китая продолжилась: MiniMax M2.5 заявил о 80.2% на SWE-Bench Verified — на уровне Opus, однако, как часто бывает по четвергам, все 3 ведущих американских лаборатории выкатили апдейты — Anthropic закрыл свой раунд на $380B, подтвердив исторический рост выручки более чем в 10 раз до $14B на сегодня (напомним, в августе Dario прогнозировал $10B), при этом ARR Claude Code удвоился и достиг $2.5B с начала года. Не желая отставать, OpenAI выкатила свой ответ на fast mode от Claude (ускорение 2.5x) — GPT-5.3-Codex-Spark, который выдаёт >1000 ток/с (ускорение 10x), что стало впечатляюще быстрым результатом сделки с Cerebras.

All fantastic news, but we give the title story to the new Gemini 3 Deep Think today, and Jeff Dean dropped by the studio to give an update on the general state of GDM:

Все новости отличные, но главной историей сегодня мы делаем новый Gemini 3 Deep Think, а Jeff Dean заглянул в студию, чтобы рассказать об общем состоянии GDM:

This is the same model that scored that IMO Gold last summer, and is simultaneously the #8 best Codeforces programmer in the world and helping new semiconductor research, but perhaps most impressive is that it reaches new SOTA levels (eg on ARC-AGI-2) while also being very efficient - 82% cheaper per task - something Jeff was very excited about in his pod.

Это та же модель, которая взяла IMO Gold прошлым летом, одновременно является 8-м лучшим программистом Codeforces в мире и помогает в новых исследованиях полупроводников, но, пожалуй, самое впечатляющее — что она достигает новых SOTA-уровней (например, на ARC-AGI-2), оставаясь при этом очень эффективной — на 82% дешевле за задачу, о чём Jeff с энтузиазмом говорил в подкасте.

AI Twitter Recap

AI Twitter Recap

Google DeepMind’s Gemini 3 Deep Think V2: benchmark jump + “science/engineering reasoning mode” shipping to users

Gemini 3 Deep Think V2 от Google DeepMind: скачок в бенчмарках + «режим научного/инженерного reasoning», выкатываемый пользователям

  • Deep Think V2 rollout + access paths: Google is shipping an upgraded Gemini 3 Deep Think reasoning mode to Google AI Ultra subscribers in the Gemini app, and opening a Vertex AI / Gemini API early access program for select researchers/enterprises (GoogleDeepMind, Google, GeminiApp, tulseedoshi). Multiple Googlers emphasized this is meant to be a productized test-time compute heavy mode rather than a lab-only demo (OriolVinyalsML, JeffDean, demishassabis, sundarpichai).

  • Key reported numbers (and what’s notable about them):

  • Real-world “engineering” demos and claimed impact: Several posts push the message that Deep Think’s value is in practical scientific/engineering workflows: finding errors in math papers, modeling physical systems in code, optimizing semiconductor crystal growth, and even a sketch → CAD/STL pipeline for 3D printing (e.g., laptop stand and turbine-blade-esque components) (Google, Google, Google, GeminiApp, joshwoodward, tulseedoshi, OriolVinyalsML).

  • ARC context / what “saturating ARC” means: François Chollet (ARC’s creator) both celebrated certification and later reiterated that ARC’s purpose is to steer research toward test-time adaptation / fluid intelligence, not to “prove AGI” (fchollet, fchollet). In a separate thread he defines “AGI” as the end of the human–AI gap and argues benchmarks must evolve until humans can no longer propose tasks where they outperform AI, with a rough expectation of ~2030 for that state (fchollet, fchollet).

    • Развёртывание Deep Think V2 и пути доступа: Google выкатывает обновлённый режим reasoning Gemini 3 Deep Think для подписчиков Google AI Ultra в приложении Gemini и открывает программу раннего доступа к Vertex AI / Gemini API для отдельных исследователей/корпораций (GoogleDeepMind, Google, GeminiApp, tulseedoshi). Несколько сотрудников Google подчёркивали, что это задумано как продуктовый режим с интенсивным test-time compute, а не лабораторное демо (OriolVinyalsML, JeffDean, demishassabis, sundarpichai).Ключевые заявленные цифры (и чем они примечательны):ARC-AGI-2: 84.6% (продвигается как новый SOTA; независимо сертифицировано/верифицировано сообществом ARC) (Google, arcprize, fchollet, scaling01).Humanity's Last Exam (HLE): 48.4% без инструментов (sundarpichai, _philschmid, JeffDean).Codeforces Elo: 3455 (преподносится как «лишь ~7 людей» выше; обсуждаются условия «без инструментов» и что это значит для оценки) (scaling01, YouJiacheng, DeryaTR_).Олимпиадный уровень письменных ответов по физике/химии (и отсылки к истории IMO/ICPC) (Google, NoamShazeer, demishassabis, _philschmid).Раскрытие стоимости для ARC: ARC Prize опубликовал цены полу-приватной оценки — $13.62 за задачу на ARC-AGI-2 и $7.17 за задачу на ARC-AGI-1 (arcprize).Демо «инженерных» сценариев из реального мира и заявленный эффект: Несколько постов проводят мысль, что ценность Deep Think — в практических научно-инженерных воркфлоу: поиск ошибок в математических статьях, моделирование физических систем в коде, оптимизация роста полупроводниковых кристаллов и даже пайплайн скетч → CAD/STL для 3D-печати (например, подставка для ноутбука и компоненты типа турбинных лопаток) (Google, Google, Google, GeminiApp, joshwoodward, tulseedoshi, OriolVinyalsML).Контекст ARC / что значит «насыщение ARC»: François Chollet (создатель ARC) одновременно отметил сертификацию и позже повторил, что цель ARC — направлять исследования к адаптации во время теста / fluid intelligence, а не «доказывать AGI» (fchollet, fchollet). В отдельном треде он определяет «AGI» как конец разрыва между человеком и AI и утверждает, что бенчмарки должны эволюционировать, пока люди больше не смогут предлагать задачи, в которых превосходят AI, с приблизительным ожиданием ~2030 для этого состояния (fchollet, fchollet).

    Open coding/agent models shipping fast: MiniMax M2.5 + Zhipu’s GLM-5 battle for “best open agentic coder”

    Открытые модели для кода/агентов выходят быстро: MiniMax M2.5 и GLM-5 от Zhipu борются за звание «лучшего открытого агентного кодера»

  • MiniMax M2.5: distribution + positioning: MiniMax’s new model is pushed as an “agent-verse / long-horizon agent” model, rapidly appearing across aggregators and tools: OpenRouter (OpenRouterAI), Arena (arena), IDE/agents like Cline (cline), Ollama cloud free promo (ollama), Eigent agent scaffolds (Eigent_AI), Qoder (qoder_ai_ide), and Blackbox AI (blackboxai).

    • Benchmarks cited in the thread include claims like 80.2% SWE-Bench Verified and strong performance vs closed models in coding settings; multiple tweets stress throughput + cost as differentiators (e.g., 100 tokens/s and $0.06/M blended with caching are cited by Cline) (cline, cline, guohao_li, shydev69). Community vibe checks (e.g., Neubig) claim it’s one of the first open-ish coding models he’d seriously consider switching to for daily work (gneubig).

  • GLM-5: model scale + infra hints + “open model leaderboards”:

    • Tooling ecosystem reports: GLM-5 is used on YouWare with a 200K context window for web projects (YouWareAI); one user reports ~14 tps on OpenRouter (scaling01).

    • A more detailed (but still third-party) technical summary claims GLM-5 is 744B params with ~40B active, trained on 28.5T tokens, integrates DeepSeek Sparse Attention, and uses “Slime” asynchronous RL infra to increase post-training iteration speed (cline). Another tweet nitpicks terminology confusion around attention components (eliebakouch).

    • Local inference datapoint: awnihannun reports running GLM-5 via mlx-lm on a 512GB M3 Ultra, generating a small game at ~15.4 tok/s using ~419GB memory (awnihannun).

    • Arena signal: the Arena account says GLM-5 is #1 open model in Code Arena (tied with Kimi) and overall #6, still ~100+ points behind Claude Opus 4.6 on “agentic webdev” tasks (arena).

    • A long Chinese-language-style analysis reposted via ZhihuFrontier argues GLM-5 improves hallucination control and programming fundamentals but is more verbose/“overthinks,” suggesting compute constraints (concurrency limits) show through (ZhihuFrontier).

    • MiniMax M2.5: дистрибуция + позиционирование: Новая модель MiniMax продвигается как «agent-verse / long-horizon agent» модель и быстро появляется во всех агрегаторах и инструментах: OpenRouter (OpenRouterAI), Arena (arena), IDE/агенты вроде Cline (cline), бесплатная промо-акция Ollama cloud (ollama), агентные каркасы Eigent (Eigent_AI), Qoder (qoder_ai_ide) и Blackbox AI (blackboxai).В треде упоминаются бенчмарки, включая заявления о 80.2% SWE-Bench Verified и сильной производительности в сравнении с закрытыми моделями в задачах по коду; несколько твитов подчёркивают пропускную способность + стоимость как дифференциаторы (например, Cline называет 100 токенов/с и $0.06/M в смешанном режиме с кэшированием) (cline, cline, guohao_li, shydev69). По общим впечатлениям сообщества (например, Neubig) — это одна из первых условно-открытых моделей для кода, на которую он всерьёз рассматривал бы переход для повседневной работы (gneubig).GLM-5: масштаб модели + намёки на инфраструктуру + «лидерборды открытых моделей»:Отчёты об экосистеме инструментов: GLM-5 используется на YouWare с контекстным окном 200K для веб-проектов (YouWareAI); один пользователь сообщает о ~14 tps на OpenRouter (scaling01).Более подробная (но всё же сторонняя) техническая сводка утверждает, что GLM-5 имеет 744B параметров с ~40B активными, обучен на 28.5T токенов, интегрирует DeepSeek Sparse Attention и использует асинхронную RL-инфраструктуру «Slime» для увеличения скорости итераций пост-обучения (cline). Другой твит придирается к терминологической путанице вокруг компонентов внимания (eliebakouch).Точка данных по локальному инференсу: awnihannun сообщает о запуске GLM-5 через mlx-lm на 512GB M3 Ultra, генерируя небольшую игру на ~15.4 ток/с с использованием ~419GB памяти (awnihannun).Сигнал из Arena: аккаунт Arena сообщает, что GLM-5 — #1 открытая модель в Code Arena (вровень с Kimi) и в общем зачёте #6, всё ещё отставая на ~100+ очков от Claude Opus 4.6 по задачам «agentic webdev» (arena).Длинный анализ в китайском стиле, репостнутый через ZhihuFrontier, утверждает, что GLM-5 улучшает контроль галлюцинаций и фундаментальные навыки программирования, но более многословна/«передумывает», что говорит о просвечивающих ограничениях по compute (лимиты concurrency) (ZhihuFrontier).

    OpenAI’s GPT-5.3-Codex-Spark: ultra-low-latency coding via Cerebras (and why UX becomes the bottleneck)

    GPT-5.3-Codex-Spark от OpenAI: сверхнизкая задержка для кода через Cerebras (и почему UX становится узким местом)

  • Product announcement: OpenAI released GPT-5.3-Codex-Spark as a “research preview” for ChatGPT Pro users in the Codex app/CLI/IDE extension (OpenAI, OpenAIDevs). It’s explicitly framed as the first milestone in a partnership with Cerebras (also touted by Cerebras) (cerebras).

  • Performance envelope:

    • The headline is “1000+ tokens per second” and “near-instant” interaction (OpenAIDevs, sama, kevinweil, gdb).

    • Initial capability details: text-only, 128k context, with plans for larger/longer/multimodal as infra capacity expands (OpenAIDevs).

    • Anecdotal reviews highlight a new bottleneck: humans can’t read/validate/steer as fast as the model can produce code, implying tooling/UX must evolve (better diffs, task decomposition, guardrails, “agent inboxes,” etc.) (danshipper, skirano).

  • Model size speculation: There are community attempts to back-calculate size from throughput vs other MoEs; one estimate suggests ~30B active and perhaps 300B–700B total parameters (scaling01). Treat this as informed speculation, not an official disclosure.

  • Adoption/availability: Sam Altman later says Spark is rolling to Pro; OpenAI DevRel notes limited API early access for a small group (sama, OpenAIDevs). There are also “Spark now with 100% of pro users” type rollout notes with infra instability caveats (thsottiaux).

    • Анонс продукта: OpenAI выпустила GPT-5.3-Codex-Spark как «research preview» для пользователей ChatGPT Pro в приложении Codex/CLI/расширении для IDE (OpenAI, OpenAIDevs). Это явно подаётся как первая веха партнёрства с Cerebras (также продвигается Cerebras) (cerebras).Производительность:Главное — «1000+ токенов в секунду» и «почти мгновенное» взаимодействие (OpenAIDevs, sama, kevinweil, gdb).Начальные детали по возможностям: только текст, контекст 128k, с планами на больший/длиннее/мультимодальный по мере расширения инфраструктурной мощности (OpenAIDevs).Анекдотические отзывы подчёркивают новое узкое место: люди не могут читать/валидировать/направлять так же быстро, как модель производит код, что подразумевает необходимость эволюции инструментов/UX (лучшие diff'ы, декомпозиция задач, guardrails, «agent inbox» и т.д.) (danshipper, skirano).Спекуляции о размере модели: В сообществе пытаются обратным счётом получить размер из throughput в сравнении с другими MoE; одна оценка предполагает ~30B активных и, возможно, 300B–700B общих параметров (scaling01). Воспринимать стоит как информированную спекуляцию, не официальное раскрытие.Принятие/доступность: Sam Altman позже сообщает, что Spark выкатывается на Pro; OpenAI DevRel отмечает ограниченный ранний доступ к API для небольшой группы (sama, OpenAIDevs). Также есть пометки «Spark теперь у 100% pro-пользователей» с оговорками о нестабильности инфраструктуры (thsottiaux).

    Agent frameworks & infra: long-running agents, protocol standardization, and KV-cache as the new scaling wall

    Фреймворки и инфраструктура агентов: долгоживущие агенты, стандартизация протоколов и KV-кэш как новая стена масштабирования

  • A2A protocol as “agent interoperability layer”: Andrew Ng promoted a new DeepLearning.AI course on Agent2Agent (A2A), positioning it as a standard for discovery/communication across agent frameworks, mentioning IBM’s ACP joining forces with A2A and integration patterns across Google ADK, LangGraph, MCP, and deployment via IBM’s Agent Stack (AndrewYNg).

  • Long-running agent harnesses are becoming product features:

    • Cursor launched long-running agents and explicitly ties it to a “new harness” that can complete larger tasks (cursor_ai).

    • LangChain folks discuss “harness engineering” research: forcing self-verification/iteration, automated context prefetch, and reflection over traces as levers that change outcomes materially (Vtrivedy10).

    • Deepagents added bring-your-own sandboxes (Modal/Daytona/Runloop) for safe code execution contexts (sydneyrunkle).

  • Serving bottlenecks: KV cache & disaggregation:

    • PyTorch welcomed Mooncake into the ecosystem, describing it as targeting the “memory wall” in LLM serving with KVCache transfer/storage, enabling prefill/decode disaggregation, global cache reuse, elastic expert parallelism, and serving as a fault-tolerant distributed backend compatible with SGLang, vLLM, TensorRT-LLM (PyTorch).

    • Moonshot/Kimi highlighted Mooncake’s origins (Kimi + Tsinghua) and open-source trajectory (Kimi_Moonshot).

  • A surprisingly common theme: “files as queues”: A viral thread describes a reliable distributed job queue using object storage + a queue.json (FIFO, at-least-once) as a minimalist primitive (turbopuffer). Another tweet claims Claude Code “agent teams” communicate by writing JSON files on disk, emphasizing “no Redis required” CLI ergonomics (peter6759).

    • Протокол A2A как «слой интероперабельности агентов»: Andrew Ng продвигал новый курс DeepLearning.AI по Agent2Agent (A2A), позиционируя его как стандарт для discovery/коммуникации между агентными фреймворками, упоминая объединение IBM ACP с A2A и паттерны интеграции с Google ADK, LangGraph, MCP, а также развёртывание через Agent Stack от IBM (AndrewYNg).Каркасы долгоживущих агентов становятся продуктовыми фичами:Cursor запустил долгоживущих агентов и явно связывает это с «новым harness», способным выполнять более крупные задачи (cursor_ai).Команда LangChain обсуждает исследования «harness engineering»: принудительная самоверификация/итерация, автоматический prefetch контекста и рефлексия по trace'ам как рычаги, существенно меняющие результаты (Vtrivedy10).Deepagents добавили bring-your-own sandbox'ы (Modal/Daytona/Runloop) для безопасных контекстов исполнения кода (sydneyrunkle).Узкие места сервинга: KV-кэш и disaggregation:PyTorch принял Mooncake в экосистему, описав его как нацеленный на «memory wall» в LLM-сервинге, с передачей/хранением KVCache, обеспечивая дезагрегацию prefill/decode, глобальное переиспользование кэша, эластичный expert parallelism и отказоустойчивый распределённый бэкенд, совместимый с SGLang, vLLM, TensorRT-LLM (PyTorch).Moonshot/Kimi подчеркнули происхождение Mooncake (Kimi + Tsinghua) и его open-source траекторию (Kimi_Moonshot).Неожиданно частая тема: «файлы как очереди»: Вирусный тред описывает надёжную распределённую очередь задач, использующую object storage + queue.json (FIFO, at-least-once) как минималистичный примитив (turbopuffer). Другой твит утверждает, что «команды агентов» Claude Code общаются, записывая JSON-файлы на диск, подчёркивая «no Redis required» эргономику CLI (peter6759).

    Research notes: small theorem provers + label-free vision training + RL algorithms for verifiable reasoning

    Исследовательские заметки: маленькие theorem prover'ы + обучение vision без меток + RL-алгоритмы для верифицируемого reasoning

  • QED-Nano: 4B theorem proving with heavy test-time compute: A set of tweets introduces QED-Nano, a 4B natural-language theorem-proving model that matches larger systems on IMO-ProofBench and uses an agent scaffold scaling to >1M tokens per proof, with RL post-training “rubrics as rewards.” They promise open-source weights and training artifacts soon ( _lewtun, _lewtun, setlur_amrith, aviral_kumar2).

  • LeJEPA: simplifying self-supervised vision: NYU Data Science highlights LeJEPA (Yann LeCun + collaborators) as a simpler label-free training method that drops many tricks but scales well and performs competitively on ImageNet (NYUDataScience).

  • Recursive/agentic evaluation discourse: Multiple tweets debate recursive language models (RLMs) and stateful REPL loops as a way to manage long-horizon tasks outside the context window (lateinteraction, deepfates, lateinteraction).

    • QED-Nano: theorem proving на 4B параметрах с интенсивным test-time compute: Серия твитов представляет QED-Nano, 4B модель доказательства теорем на естественном языке, которая на IMO-ProofBench сравнивается с более крупными системами и использует агентный каркас, масштабирующийся до >1M токенов на доказательство, с пост-обучением RL по принципу «rubrics as rewards». Обещают вскоре опубликовать веса и артефакты обучения как open-source (_lewtun, _lewtun, setlur_amrith, aviral_kumar2).LeJEPA: упрощение self-supervised vision: NYU Data Science отмечает LeJEPA (Yann LeCun и соавторы) как более простой метод обучения без меток, который отбрасывает многие трюки, но хорошо масштабируется и показывает конкурентные результаты на ImageNet (NYUDataScience).Дискуссия о рекурсивной/агентной оценке: Несколько твитов обсуждают рекурсивные языковые модели (RLM) и stateful REPL-циклы как способ управления long-horizon задачами вне контекстного окна (lateinteraction, deepfates, lateinteraction).

    Top tweets (by engagement)

    Топ твитов (по вовлечённости)

  • Gemini 3 Deep Think upgrade + sketch→STL demo: @GeminiApp

  • OpenAI Codex-Spark announcement: @OpenAI, @OpenAIDevs, @sama

  • Anthropic funding/valuation: @AnthropicAI

  • Gemini Deep Think “unprecedented 84.6% ARC-AGI-2”: @sundarpichai

  • Simile launch + $100M raise; simulation framing: @joon_s_pk, @karpathy

    • Апгрейд Gemini 3 Deep Think + демо скетч→STL: @GeminiAppАнонс OpenAI Codex-Spark: @OpenAI, @OpenAIDevs, @samaФинансирование/оценка Anthropic: @AnthropicAIGemini Deep Think «беспрецедентные 84.6% на ARC-AGI-2»: @sundarpichaiЗапуск Simile + раунд на $100M; обоснование симуляции: @joon_s_pk, @karpathy

    Keep reading with a 7-day free trial

    Продолжайте 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 чтение этой записи и получить 7 дней бесплатного доступа к полному архиву постов.