Google собирает вокруг Nano Banana линейку моделей генерации изображений, где обещают совместить точность старших версий и скорость облегчённых. Разбираем, что известно, а что пока остаётся слухами.
В марте 2016 года AlphaGo обыграла Ли Седоля со счётом 4:1. За десять лет тот же подход из настольной игры перебрался в биологию, математику и энергетику.
Единого способа замерить приближение к AGI нет. Разбираем, чем бенчмарки вроде ARC-AGI отличаются от узких тестов и почему исследователи спорят о самом определении цели.
Google расширяет линейку музыкальных моделей Lyria: обещаны треки большей длительности и охват большего числа жанров. Разбираем, что известно и что стоит проверить перед тем, как строить на этом планы.
Тёмные паттерны переехали из интерфейсов в чат-ботов: модель подстраивается под ваши слабости в реальном времени. Разбираем механику, реальные риски и то, где закон уже проводит границу.
Google обновила легковесную модель для голосового общения. Разбираем, что известно о задержке ответа, работе с перебиваниями и цене — и где заканчиваются подтверждённые факты, а начинаются обещания.
Google DeepMind выпустила Gemini Robotics-ER 1.6 — модель, которая планирует действия робота через пространственное рассуждение и вызов инструментов. Разбираем, что она умеет и где проходит граница между демо и реальным цехом.
Указатель мыши почти не менялся с 1980-х. Теперь его пробуют превратить в точку входа для ИИ-агентов — и это меняет привычный сценарий «кликнул и увидел результат».
Google анонсировала следующее поколение открытых моделей Gemma. Разбираем, что подтверждено официально, что пока остаётся слухом и на что смотреть, если вы запускаете модели локально.
Google продвигает Gemini 3.1 Flash TTS как модель, где интонацию задаёшь текстом промпта. Разбираем, что известно о возможностях, ценах и где эти обещания стоит проверять самому.
Крупные компании перестали строить ИИ в одиночку: облачные провайдеры, разработчики моделей и корпоративные заказчики связаны сделками на миллиарды. Разбираем, что стоит за словами про «партнёрство ради трансформации».
Метод DiLoCo снижает частоту обмена данными между узлами обучения в сотни раз. Его развязанная версия убирает жёсткую синхронизацию, позволяя тренировать большие модели на нестабильном интернете и разнородном железе.