AI: дайджест за 23-30 мая 2026
1. Language Game: LLM как «переводчик» для диалога с биологическими системами
В работе Language Game предложен способ вести двусторонний диалог на естественном языке с «замороженными» ненейронными биосистемами (например, генными регуляторными сетями) через обучаемые адаптеры и виртуальную среду, где LLM переводит запросы в состояния, а ответы — обратно в текст. Это важно как новая парадигма биоинтерфейсов: вместо прямого вмешательства «снизу вверх» предлагается управляемое «общение сверху вниз», потенциально применимое к сложным биопроцессам.
Источники: t.me/gonzo_ML
2. Implicit Curriculum Hypothesis: LLM учат навыки в предсказуемом порядке
Исследование показало, что при предобучении языковые модели осваивают навыки в стабильном и переносимом между семействами/размерами порядке; для проверки создан набор из 91 задачи и проанализированы траектории обучения 9 моделей (410M–13B). Практическая ценность в том, что прогресс на новых композитных задачах можно заранее прогнозировать по геометрии репрезентаций в residual stream, улучшая мониторинг и экономику обучения.
Источники: t.me/gonzo_ML
3. SkillOpt: «SGD в текстовом пространстве» для стабильной оптимизации навыков агентов
SkillOpt предлагает формализованный цикл офлайн-оптимизации текстовых «навыков» (инструкций) для агентов: атомарные патчи, бюджеты правок как аналог learning rate, строгая валидация и буфер отклонённых изменений. Авторы заявляют средний прирост точности +23.5 п.п. для GPT-5.5 на ряде задач (в т.ч. таблицы/рассуждение/управление агентами) без дополнительной задержки на инференсе и с переносом навыков на более лёгкие локальные LLM.
Источники: t.me/gonzo_ML
4. Nano Banana 2 и Nano Banana Pro стали GA по API; добавлен video-to-image
Google объявил общую доступность Nano Banana 2 (Gemini 3.1 Flash Image) и Nano Banana Pro (Gemini 3 Pro Image) через Gemini Enterprise Agent Platform. Также заявлена поддержка входного видео с пониманием происходящего и генерацией изображений на основе этого (например, слайды/иллюстрации/комиксы), что расширяет сценарии «video-to-image» для контент-пайплайнов.
Источники: t.me/cgevent
5. FLUX Virtual Try-On: виртуальная примерочная от Black Forest Labs через API
Black Forest Labs выпустили FLUX Virtual Try-On — API-продукт на базе Flux.2 Pro для виртуальной примерки одежды, с указанной ценой $0.0375 за 1024×1024 и отдельным демо. Это важно как признак продуктовой упаковки генеративных моделей в прикладные вертикальные сервисы и конкуренции в сегменте try-on.
Источники: t.me/cgevent
6. Netflix набирает команду для AI-анимационной студии INKubator
Сообщается, что Netflix формирует экспериментальную анимационную студию INKubator с фокусом на использовании ИИ для короткометражек и планами масштабирования до полнометражных проектов; в вакансиях фигурируют навыки работы с ComfyUI и пункт про построение/тонкую настройку генеративных image/video моделей. Это сигнал о закреплении генеративного ИИ как стандартного инструмента в крупных студийных пайплайнах.
Источники: t.me/cgevent
7. CTO-ESTIMATE: сервис для сравнения open-weight LLM и оценки требований к локальному запуску
Запущен бесплатный инструмент CTO-ESTIMATE, который агрегирует бенчмарки (Artificial Analysis) и параметры моделей (Hugging Face), даёт фильтры, сравнение «бок о бок» и ежедневные обновления. Отдельно полезен практический блок с первичной оценкой требований к GPU и экономике собственного сервера для локальных LLM.
Источники: t.me/cgevent
8. Google I/O: генератор 3D-миров из Street View + Project Genie (по координатам)
Показана связка данных Street View из Google Maps и Project Genie: можно выбрать точку на карте и промптом преобразовать реальную локацию в новый 3D-«скин» (в примере — подводный мир), пока доступно для координат в США. Это важно как шаг к генерации 3D-сцен на основе реального мира и потенциальному изменению процессов локационного препродакшна.
Источники: t.me/cgevent
9. Anthropic: в Claude Code появился режим dynamic workflows с параллельными сабагентами
Описан новый режим в Claude Code, где система сама дробит большую задачу на подзадачи, запускает параллельных сабагентов, валидирует результаты и собирает финальный ответ; в примерах — поиск багов по кодовой базе и миграции. Важность в том, что это приближает «agent swarm» к практическому инженерному workflow за счёт цикла генерации и проверки.
Источники: t.me/denissexy
