01companies
ГлавноеMust read
OpenAI закрыла $11 млрд финансирования при оценке $1,25 трлнOpenAI closes $11B in funding at a $1.25T valuation
OpenAI получила около $11 млрд как первую закрытую часть нового раунда при оценке в $1,25 трлн. По данным источников Bloomberg, общий объём раунда в ближайшие недели может вырасти до $20 млрд.OpenAI has received roughly $11 billion as the first closed portion of a new funding round at a $1.25 trillion valuation. According to Bloomberg’s sources, the total round could grow to as much as $20 billion in the coming weeks.
TakeawayЭто усиливает финансовые возможности OpenAI для инфраструктуры и разработки моделей, одновременно повышая планку ожиданий от монетизации AI.This strengthens OpenAI’s capacity to fund infrastructure and model development while raising the bar for proving AI monetization at scale.
02releases
ГлавноеMust read
Meta представила Spaces для совместной работы с агентом MuseMeta introduces Spaces for collaborating with its Muse agent
Meta представила Spaces — новый способ взаимодействовать и совместно работать с AI-агентом Muse. Функция расширяет набор возможностей и интеграций Muse-агентов.Meta has introduced Spaces, a new way for users to interact and collaborate with its Muse AI agent. The feature expands the growing set of capabilities and integrations around Muse agents.
TakeawayРынок движется от одиночных чат-ассистентов к постоянным рабочим пространствам вокруг агентов. Стоит следить, какие механики совместной работы Meta сделает доступными разработчикам и командам.The market is moving from one-off chat assistants toward persistent workspaces built around agents. Watch which collaboration mechanics Meta makes available to developers and teams.
03releases
ГлавноеMust read
Garry Tan выпустил gstack — 23 инструмента для превращения Claude Code в виртуальную инженерную командуGarry Tan releases gstack, 23 tools for turning Claude Code into a virtual engineering team
gstack — набор из 23 opinionated-инструментов для Claude Code и других coding agents, покрывающий роли CEO, дизайнера, engineering manager, QA, security и release-инженера. Проект предлагает агентам реальный браузер для QA, проверки OWASP и STRIDE, code review и подготовку PR к релизу.gstack is a set of 23 opinionated tools for Claude Code and other coding agents, covering CEO, design, engineering management, QA, security, and release-engineering roles. It gives agents workflows for real-browser QA, OWASP and STRIDE checks, code review, and release-ready PRs.
TakeawayЭто готовая практическая надстройка для команд, которые хотят стандартизировать multi-role workflows вокруг coding agents. Репозиторий стоит оценить как источник воспроизводимых процессов, а не просто набора промптов.This is a practical ready-made layer for teams seeking to standardize multi-role workflows around coding agents. It is worth evaluating as a source of reproducible processes, not just a prompt collection.
04research
СигналSignal
OpenAI представила BioBasicsBench — benchmark для AI-агентов в wet-lab задачахOpenAI introduces BioBasicsBench for evaluating AI agents on wet-lab tasks
OpenAI представила BioBasicsBench — benchmark из 100 задач для оценки того, как AI-агенты интерпретируют сырые экспериментальные данные и справляются с повседневными задачами wet lab. Работа фокусируется на практических навыках, необходимых в лабораторном научном процессе.OpenAI has introduced BioBasicsBench, a 100-task benchmark for evaluating how AI agents interpret raw experimental data and handle everyday wet-lab work. The work focuses on practical capabilities needed in laboratory scientific workflows.
TakeawayBenchmark даёт более прикладной способ измерять готовность агентов к биологическим исследованиям, чем общие тесты знаний. Для команд в life sciences это ориентир для оценки моделей и agent workflows.The benchmark offers a more applied way to measure agents’ readiness for biological research than general knowledge tests. For life-sciences teams, it provides a reference point for evaluating models and agent workflows.
05companies
ГлавноеMust read
Amazon запускает текстовый шопинг через Alexa для миллионов пользователейAmazon rolls out text-based Alexa shopping to millions of users
Amazon начнёт в ближайшие недели разворачивать для миллионов пользователей возможность писать Alexa сообщения для помощи с покупками. Это расширяет Alexa в сторону агентного интерфейса для коммерческих сценариев после отказа компании от интеграции Muse.Amazon will roll out the ability to text Alexa for shopping assistance to millions of users in the coming weeks. The move expands Alexa toward an agentic interface for commerce after Amazon declined to integrate Muse.
TakeawayТекстовый интерфейс снижает порог использования голосового ассистента и может стать важным каналом AI-commerce. Командам в e-commerce стоит следить за тем, какие каталожные и покупательские сценарии Alexa начнёт поддерживать.A text interface lowers the barrier to using a voice assistant and could become an important AI-commerce channel. E-commerce teams should watch which catalog and purchasing workflows Alexa begins to support.
06companies
СигналSignal
OpenAI привлекает Hacktron к поиску уязвимостей в своих системахOpenAI partners with Hacktron to find vulnerabilities in its systems
OpenAI объявила о партнёрстве с Hacktron для поиска уязвимостей и проверки подключений к сторонним сервисам. Компании намерены использовать frontier AI для тестирования защит и укрепления безопасности систем OpenAI.OpenAI has announced a partnership with Hacktron to find vulnerabilities and test connections to third-party services. The companies plan to use frontier AI to evaluate defenses and strengthen the security of OpenAI's systems.
TakeawayБезопасность агентных интеграций и подключённых сервисов становится отдельным приоритетом. Организациям стоит включать проверку прав доступа, внешних коннекторов и AI-assisted red teaming в жизненный цикл продуктов.Security for agent integrations and connected services is becoming a distinct priority. Organizations should include permission reviews, external-connector testing, and AI-assisted red teaming in their product lifecycle.
07releases
ГлавноеMust read
NVIDIA TensorRT-LLM — оптимизация inference LLM и visual generation на GPU NVIDIANVIDIA TensorRT-LLM optimizes LLM and visual-generation inference on NVIDIA GPUs
TensorRT-LLM предлагает Python API и Python/C++ runtimes для запуска LLM с оптимизациями под NVIDIA GPU. Проект использует специализированные kernels для типовых операций и нацелен на эффективный inference LLM и visual generation models.TensorRT-LLM provides a Python API and Python/C++ runtimes for running LLMs with optimizations for NVIDIA GPUs. The project uses specialized kernels for common operations and targets efficient inference for LLM and visual-generation models.
TakeawayДля self-hosted inference на NVIDIA GPU TensorRT-LLM остаётся важным вариантом для снижения задержки и стоимости. Его стоит оценивать в бенчмарках вместе с текущим serving-стеком и целевыми моделями.For self-hosted inference on NVIDIA GPUs, TensorRT-LLM remains an important option for lowering latency and cost. It is worth evaluating in benchmarks alongside the existing serving stack and target models.
08research
СигналSignal
Исследование: даже мощные LLM теряют состояние в длинных взаимосвязанных текстахStudy finds that even strong LLMs lose state in long, interdependent texts
Исследователи Allen Institute for AI изучили, в какой момент LLM перестают удерживать состояние объектов в длинных задачах с взаимосвязанными изменениями. На самых длинных заданиях точность Gemini 3.8 Flash, Claude Opus 5.5, GPT-6 Sol и GPT-6 Luna падала до 13% и ниже.Researchers at the Allen Institute for AI studied when LLMs stop tracking object state in long tasks with interdependent changes. On the longest tasks, accuracy for Gemini 3.8 Flash, Claude Opus 5.5, GPT-6 Sol, and GPT-6 Luna fell to 13% or lower.
TakeawayНе стоит считать большое context window гарантией надёжного многошагового рассуждения. Для агентных workflows нужны явное внешнее состояние, промежуточные проверки и тесты на длинные связанные изменения.A large context window should not be treated as a guarantee of reliable multi-step reasoning. Agent workflows need explicit external state, intermediate checks, and tests involving long, connected changes.