01releases
ГлавноеMust read
Meta выпустила open-weight AI-модель GlimmerMeta releases open-weight AI model Glimmer
Meta выпустила Glimmer — open-weight AI-модель, которую можно скачать и запускать на собственном оборудовании. Релиз контрастирует с более мощной Muse Spark, доступной только через API Meta, и сопровождается позицией Марка Цукерберга в пользу более широкого доступа к AI.Meta released Glimmer, an open-weight AI model that can be downloaded and run on users’ own hardware. The launch contrasts with the more capable Muse Spark, which remains available only through Meta’s APIs, and accompanies Mark Zuckerberg’s argument for broader access to AI.
TakeawayGlimmer расширяет выбор для локальных и self-hosted AI-проектов. Это также усиливает конкуренцию между открытыми весами и закрытыми API-моделями.Glimmer expands the options for local and self-hosted AI projects. It also intensifies competition between open-weight models and closed API offerings.
02companies
СигналSignal
Google разрешит удалять видимый watermark с AI-генерацийGoogle will let users remove visible watermarks from AI generations
Google позволит пользователям отключать видимый watermark на созданных его AI материалах. Невидимые маркеры для идентификации AI-генераций при этом сохранятся.Google will allow users to disable the visible watermark on AI-generated content. Invisible markers used to identify AI-generated files will remain in place.
TakeawayДля продуктовых команд это снижает визуальные ограничения при использовании генераций Google, но не отменяет их отслеживаемость. Политика показывает переход к менее навязчивой, но всё ещё технически проверяемой маркировке.For product teams, this reduces visible constraints when using Google-generated assets without removing traceability. The policy signals a shift toward less intrusive yet still technically verifiable labeling.
03releases
ГлавноеMust read
Newton: open-source GPU-движок физической симуляции для робототехникиNewton: open-source GPU physics simulation engine for robotics
Newton — open-source движок физической симуляции с GPU-ускорением на базе NVIDIA Warp, ориентированный на робототехнику и simulation research. Он использует MuJoCo Warp как основной backend, поддерживает OpenUSD, дифференцируемые вычисления и GPU-first подход.Newton is an open-source GPU-accelerated physics simulation engine built on NVIDIA Warp for robotics and simulation research. It uses MuJoCo Warp as its primary backend and supports OpenUSD, differentiable computation, and a GPU-first workflow.
TakeawayПроект может стать практической базой для быстрых дифференцируемых симуляций и обучения робототехнических систем. Его стоит оценить командам, которым важны GPU-пайплайны и интеграция с современными форматами сцен.The project could become a practical foundation for fast differentiable simulation and robotics training. Teams that need GPU pipelines and modern scene-format integration should evaluate it.
04releases
ГлавноеMust read
holaOS: open-source local-first workspace для AI-агентовholaOS: open-source local-first workspace for AI agents
holaOS — open-source workspace для запуска Claude Code, Codex и других AI-агентов поверх инструментов, браузера и файлов пользователя. Платформа заявляет более 100 интеграций, поддержку MCP, общую память и выбор между встроенными моделями и собственными API-ключами.holaOS is an open-source workspace for running Claude Code, Codex, and other AI agents across a user’s tools, browser, and files. It advertises more than 100 integrations, MCP support, shared memory, and a choice between built-in models and users’ own API keys.
TakeawayЭто готовая точка входа для команд, желающих собрать единое рабочее окружение для нескольких агентов без привязки к одному поставщику. Local-first подход особенно полезен там, где важен контроль над файлами и ключами.It offers a ready starting point for teams that want a unified environment for multiple agents without locking into a single provider. Its local-first approach is particularly useful where control over files and keys matters.
05releases
ГлавноеMust read
SGLang-Omni v0.1.1: open-source serving для TTS, ASR и omni-моделейSGLang-Omni v0.1.1 brings open-source serving for TTS, ASR, and omni models
SGLang выпустил SGLang-Omni v0.1.1 — инфраструктуру высокопроизводительного serving для TTS, ASR, speech- и omni-моделей. В релизе заявлена Day-0 поддержка MiniMax Music 3: генерация 32 кГц стереомузыки по тексту песни и описанию через совместимый API.SGLang released SGLang-Omni v0.1.1, high-performance serving infrastructure for TTS, ASR, speech, and omni models. The release adds day-one support for MiniMax Music 3, generating 32 kHz stereo music from lyrics and captions through a compatible API.
TakeawayКомандам, которые разворачивают голосовые или мультимодальные модели, доступен единый open-source serving-слой вместо отдельных интеграций. Это также упрощает эксперименты с новыми audio-моделями в существующей LLM-инфраструктуре.Teams deploying voice or multimodal models can use a single open-source serving layer instead of separate integrations. It also makes it easier to experiment with new audio models within existing LLM infrastructure.
06releases
ГлавноеMust read
CLI-Anything делает desktop- и web-софт agent-native через CLICLI-Anything makes desktop and web software agent-native through CLIs
HKUDS представила CLI-Anything — проект, который добавляет CLI-интерфейсы к программам, чтобы ими могли управлять AI-агенты. В CLI-Hub можно находить, устанавливать и поддерживать community-built CLI через пакет cli-anything-hub.HKUDS introduced CLI-Anything, a project that adds CLI interfaces to software so AI agents can operate it. Its CLI-Hub lets users discover, install, and manage community-built CLIs through the cli-anything-hub package.
TakeawayCLI становится универсальным адаптером между агентами и привычным ПО. Проект может сократить стоимость автоматизации задач, для которых раньше приходилось писать индивидуальные browser- или API-интеграции.The CLI becomes a universal adapter between agents and existing software. The project could reduce the cost of automating tasks that previously required bespoke browser or API integrations.
07releases
ГлавноеMust read
Cursor открыл спецификацию плагинов и официальные интеграцииCursor opens its plugin specification and official integrations
Cursor опубликовал репозиторий с формальной спецификацией плагинов и официальными плагинами для популярных developer tools, фреймворков и SaaS. Каждый плагин оформлен как самостоятельный каталог с manifest-файлом .cursor-plugin/plugin.json.Cursor published a repository containing its formal plugin specification and official plugins for popular developer tools, frameworks, and SaaS products. Each plugin is packaged as a standalone directory with a .cursor-plugin/plugin.json manifest.
TakeawayДля команд это даёт понятную точку входа для подключения внутренних инструментов к Cursor. Открытая спецификация может ускорить формирование экосистемы расширений вокруг AI-редактора.For teams, this provides a clear entry point for connecting internal tools to Cursor. The open specification could accelerate an extension ecosystem around the AI editor.
08releases
ГлавноеMust read
Soup: fine-tuning LLM из одного YAML, включая 8B-модель на 4 GB GPUSoup enables LLM fine-tuning from one YAML, including 8B models on 4 GB GPUs
Soup — CLI-инструмент для fine-tuning и post-training LLM с конфигурацией в одном YAML и запуском одной командой. Авторы заявляют layer streaming, позволяющий обучать 8B-модель на laptop GPU с 4 GB видеопамяти.Soup is a CLI for LLM fine-tuning and post-training using a single YAML configuration and one-command execution. Its authors claim that layer streaming enables training an 8B model on a laptop GPU with 4 GB of VRAM.
TakeawayИнструмент стоит проверить, если обучение моделей упирается в ограниченную VRAM или сложность MLOps-конфигурации. Он снижает порог для локальных экспериментов, хотя заявленную экономию памяти следует валидировать на своих моделях и датасетах.The tool is worth evaluating when model training is constrained by limited VRAM or complex MLOps configuration. It lowers the barrier for local experiments, though its memory-efficiency claims should be validated on your own models and datasets.
