Neurodigest Weekly (#125)
Neurodigest Weekly (#125)
Przegląd najważniejszych wydarzeń w świecie modeli LLM i generatywnych, obejmujący premierę gigantycznego modelu Kimi K3 oraz znaczące obniżki cen u OpenAI.
Neurodigest Weekly (#125)
Modele LLM
- Wagi Kimi K3 — Firma Moonshot udostępniła wagi największego otwartego modelu o 2,8 biliona parametrów (104 miliardy aktywnych). Lokalna implementacja wymaga systemu z pamięcią operacyjną rzędu 2 TB.
- Obniżka cen GPT 5.6 — OpenAI zredukowało stawki: model Luna jest teraz pięciokrotnie tańszy ($0.2/$1.2), a Terra potaniał o 20%. Flagowy Sol wprowadził tryb Fast (2,5 raza szybszy przy dwukrotnie wyższej cenie).
- DeepSeek V4 Flash — Najnowsza wersja API (0731) przewyższa GLM 5.2, jest kompatybilna z Codex i pozostaje tańsza od Luny zarówno w przeliczeniu na tokeny, jak i na zadanie. Premiera wersji V4 Pro spodziewana jest na początku sierpnia.
- Astra od OpenAI — Nowy model wieloagentowy rozwiązał 10 otwartych problemów matematycznych przy użyciu Lean, zużywając mniej niż $2000 na tokeny według stawek modelu Sol.
Modele Generatywne
- Seedance 2.5 — Generator wideo od ByteDance pozwala teraz tworzyć filmy do 180 sekund, zintegrował się z Blenderem i oferuje edycję punktową, jednak stał się najdroższym rozwiązaniem na rynku ($6 za 30 sekund).
Dlaczego to ważne
AnalizaTen przegląd dostarcza kluczowych informacji o postępie technologicznym w obszarze LLM i modeli generatywnych, które mogą fundamentalnie wpłynąć na przyszły rozwój branży AI.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
AI Radar: GPT-6.1 Terra, Gemini 4 Carbon, Mistral Large 4 i zmiany cen OpenAI oraz Anthropic
Przegląd najnowszych wiadomości AI: nowe modele LLM, zmiany subskrypcji OpenAI i Anthropic, modele świata, generatory wideo oraz szczegóły korporacyjne.
Badacze z MIT pokazali, że GPT-6 Astra może ulepszać inne modele AI przez bezpośrednią zmianę wag
W eksperymencie Astra zwiększyła dokładność Qwen3.5-0.8B w benchmarku MATH-500 z 7,9% do 48,1%, zmieniając zaledwie 0,016% wag modelu.
Część I. Architektura agentów AI: fundamentalne elementy
Dziesięć fundamentalnych elementów współczesnego agenta: taksonomia modeli, pętla runtime, techniki promptowania, destylacja, umiejętności (skills), pamięć, wywoływanie funkcji oraz ekonomia jednostkowa.
Część II. Architektura agentów AI: od modelu do pamięci i narzędzi
Głęboka analiza inżynierska: tokenizacja, cache KV, determinizm próbkowania, stos treningowy, kwantyzacja, inżynieria kontekstu, stos bezpieczeństwa, produkcyjny RAG, ReAct oraz systemy multiagentowe typu swarm.