AI-дайджест: эффективные агенты, ZGCM-1 и локальные GPU

Сегодня — открытая 7B-модель для математики и агентного поиска, способы сделать web-агентов дешевле и свежие наблюдения о запуске моделей локально.

🔥 Hot:

🔹 ZGCM-1 выпустили как полностью открытую 7B-модель для математики и агентного поиска — Модель сочетает внутреннее рассуждение с использованием внешних инструментов и делает ставку на эффективность обучения. 🔹 Исследователи предложили снизить расход токенов web-агентов через моделирование поведения приложений — Подход нацелен на выполнение задач в веб-интерфейсах без постоянного анализа всех деталей UI.

➡️ Полезные материалы:

🔹 OrchSLM исследует, как оркестрировать малые языковые модели вместо облачных LLM — Такой подход может уменьшить задержку, стоимость и требования к подключению в агентных системах. 🔹 Новое исследование рассматривает поиск первопричин сбоев долгих задач агентов — Авторы предлагают искать причину отказа в больших журналах выполнения, а не ограничиваться анализом итогового результата. 🔹 LabAgent помогает AI-агентам сохранять и развивать рабочие процессы научных лабораторий — Идея адресует проблему потери методов и контекста, когда сотрудники лаборатории меняются. 🔹 Исследование проверяет, могут ли LLM-агенты управлять долгими физическими задачами — Агенту приходится постоянно наблюдать за средой, выбирать действия и адаптироваться к изменениям.

➡️ Обсуждения и кейсы:

🔹 Пользователь сравнивает две AMD Radeon AI Pro R9700 с парой NVIDIA RTX 3090 для локальных моделей — Цель сборки — запуск моделей размером 30B в FP8 или 70B в Q4. 🔹 Пользователь жалуется, что локальный coding harness зацикливается и забывает задачу — Даже при работе над простым веб-приложением модель ошибается в UI, поэтому автор сравнивает опыт с Claude Code.

📝 Если хотите дополнить список другими новостями и материалами, пишите в комментариях.