AI: дайджест за 23 апреля 2026
1. OpenAI запустила workspace agents в ChatGPT для организаций
OpenAI представила workspace agents — корпоративных агентов в ChatGPT как эволюцию GPTs: они работают на базе Codex в облаке, имеют память и рабочее пространство с файлами, поддерживают запуск по расписанию/триггерам и интеграцию со Slack, а также админские права, одобрения и аналитику. Доступ открыт в research preview для Business/Enterprise/Edu/Teachers; до 6 мая 2026 использование бесплатное, затем — оплата по кредитам, при этом обещан инструмент конвертации старых GPTs в новых агентов.
Источники: t.me/denissexy
2. DeepSeek открыла TileKernels — оптимизированные GPU-ядра для LLM на TileLang
DeepSeek опубликовала TileKernels — набор оптимизированных GPU kernels для операций LLM, написанных на TileLang (DSL для высокопроизводительных GPU-ядeр в Python) с упором на простую миграцию и автооптимизацию. Проект заявляет близость многих ядер к аппаратным пределам по compute/memory bandwidth и отмечает, что часть уже использовалась во внутренних сценариях обучения и инференса.
Источники: t.me/gonzo_ML
3. GIANTS: модель и датасет для предвосхищения научной новизны по «родительским» работам
В работе GIANTS формализована задача insight anticipation — предсказание ключевой новизны будущей статьи по саммари её базовых публикаций; для этого собран датасет GiantsBench на 17 тыс. примеров и обучена open-weight модель GIANTS-4B с RL (семантическая близость как награда). Авторы утверждают, что специализированное RL на небольшой модели может превосходить крупные SOTA-модели в целевых задачах концептуального синтеза, что важно для агентов научных открытий и проверяемых RAG-пайплайнов.
Источники: t.me/gonzo_ML
4. Порт TRELLIS.2 на Mac через PyTorch MPS: генерация 3D-сетки из изображения занимает ~5 минут на M4 Pro
Энтузиаст портировал 3D-генератор TRELLIS.2 на Mac, заменив CUDA на PyTorch MPS, и показал замеры производительности: генерация сетки >400 тыс. вершин с PBR-текстурами по одному изображению занимает около 5:13 на M4 Pro (24 ГБ), из которых ~3:20 — создание/запекание и ~1:45 — загрузка пайплайна на процесс. Вывод: у Mac сильная сторона — объединённая память, но вычислительной мощности для таких задач часто не хватает по сравнению с NVIDIA.
Источники: t.me/cgevent
5. Обновление сервиса подбора бесплатной LLM: добавлен endpoint с актуальной «лучшей» моделью и её id
Автор обновил сервис поиска бесплатной модели для задач разработки: на endpoint добавлено поле models[0].id, где отображается текущая «вменяемая» бесплатная модель и её model id для подключения. Это упрощает автоматический выбор модели (например, по расписанию) в интеграциях вроде OpenClaw.
Источники: t.me/denissexy
