2 мин чтения
Коротко
Сегодня — о слабых местах памяти и безопасности AI-агентов, ускорении работы с MCP-инструментами и новых находках для локального запуска моделей.
Сегодня — о слабых местах памяти и безопасности AI-агентов, ускорении работы с MCP-инструментами и новых находках для локального запуска моделей.
🔥 Hot:
🔹 Исследование показало, как семантическая маскировка обходит поверхностную защиту LLM — Авторы связывают проблему с тем, что вредные знания сохраняются внутри модели, даже если финальный ответ блокируется. 🔹 Исследование выявило новый сбой памяти AI-агентов: нужные данные могут исчезнуть ещё до поиска — Проблема возникает, когда система удаляет косвенно связанные фрагменты, необходимые для ответа на будущий запрос. 🔹 Nexus ускоряет запуск LLM-агентов с большим набором MCP-инструментов — Система отделяет маршрутизацию инструментов от повторной обработки их подробных схем, которая увеличивает время до первого токена.
➡️ Полезные материалы:
🔹 PrimeAgentOrchestrator запускает Claude Code с памятью о прошлых задачах — Система подбирает релевантные воспоминания пользователя и загружает их в новый сеанс coding-агента. 🔹 Исследование показало, что способ представления навыков влияет на маршрутизацию мультимодального агента — Работа посвящена выбору нужного навыка из растущей библиотеки инструментов и skill-модулей. 🔹 StateSight предлагает отдельно измерять, как vision-language models восстанавливают пространственную структуру изображения — Бенчмарк отделяет пространственное понимание от OCR, общих знаний и других факторов, смешанных в широких тестах. 🔹 Новый обзор собирает методы и применения мультимодальных агентных фреймворков — В центре — системы, объединяющие восприятие, память и принятие решений на базе больших мультимодальных моделей. 🔹 Обзор разбирает российский рынок аналитических решений с ИИ в 2026 году — Главный запрос рынка — понятный отраслевой эффект, доступная поставка и короткий горизонт возврата инвестиций.
➡️ Обсуждения и кейсы:
🔹 Пользователь запустил deepseek-v4-flash-0731 локально на RTX 5090 и получил около 24 токенов в секунду — Эксперимент показывает практический сценарий запуска модели примерно на 151 ГБ весов с большой оперативной памятью. 🔹 Разработчик обучил 250M-параметрическую LLM на 30 млрд токенов и ужал её до 60 МБ — Модель обучена с нуля и использует квантизацию менее чем до двух бит.
📝 Если хотите дополнить список другими новостями и материалами, пишите в комментариях.