[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

Слишком много всего происходит!

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.

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:

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

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

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).

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: 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).

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

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).

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

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).

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

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).

Топ твитов (по вовлечённости)

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

Продолжайте чтение с 7-дневным бесплатным пробным периодом

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