Подробный пересказ выпуска канала AI Search (@theAIsearch) от 1 ноября 2026 года — «AI finally sleeps, Gemini 4 Carbon, ETH cracked, energy-based models, Anthropic IPO: AI NEWS». Все сообщения, результаты и оценки ниже переданы по этому выпуску; заявления компаний и выводы ведущего не являются независимой проверкой.
Среди тем выпуска — эксперимент Google Sleep, в котором взаимодействие с пользователями и закрепление новых знаний разделены на два этапа. Однако до этой истории выпуск проходит через анимацию, трёхмерную генерацию, обработку документов и речи, финансовые показатели Anthropic и заявления OpenAI о решении давних научных задач. Немалая часть обзора посвящена моделям, которые можно запускать самостоятельно, причём среди них есть модели для одного потока процессора и варианты с файлами объёмом в сотни гигабайт.
NVIDIA Motion Bricks создаёт движения трёхмерных персонажей и человекоподобных роботов. Пользователь задаёт несколько целевых поз или инструкций, а система достраивает естественные переходы в реальном времени. В демонстрации Unreal Engine персонаж ходит, бегает, перепрыгивает препятствия и взаимодействует с предметами. Можно менять манеру движения: показаны походка зомби, травмированного человека и движение пригнувшись. Несколько действий соединяются в одну последовательность. В выпуске приводятся показатели до 15 тысяч кадров в секунду и задержка две миллисекунды. Модель обучалась более чем на 350 тысячах фрагментов движения и использует недавние позы вместе с целевыми, чтобы предсказывать промежуточные состояния. Код и веса уже опубликованы: отдельно для человека и Unitree G1, примерно по 800 МБ. Лицензия NVIDIA Open Model Agreement допускает коммерческое применение при соблюдении её условий.
Следующая система, IDOL, восстанавливает объёмный объект по одному изображению, включая невидимую обратную сторону. Результат представлен методом Gaussian splatting: форму передаёт множество объёмных элементов — гауссиан. Обычная полигональная сетка для этого не используется. Детализацию можно менять: в примерах сравниваются 32 тысячи гауссиан и миллион. Ведущий выделяет компактность модели — 0,66 млрд параметров — и возможность работы с 8 ГБ видеопамяти. Приведённое время генерации составляет 19 секунд на RTX 4090 и 42 секунды на RTX 3080. Код и модель доступны для локального запуска.
SceneBloom строит по тексту целые трёхмерные комнаты: гостиные, спальни, кабинеты, ванные. В показанных результатах стулья обращены к столам, предметы стоят на подходящих поверхностях, мебель не пересекается. Сначала ИИ разбивает помещение на функциональные зоны, затем Flux генерирует изображения расстановки мебели для каждой зоны. Следующий этап переводит эти изображения в трёхмерную сцену и корректирует позиции объектов. Такие помещения можно рассматривать с разных ракурсов или использовать для обучения роботов в симуляции. Авторы опубликовали код, адаптеры и библиотеку трёхмерных объектов; сравнение с конкурентами ведущий описывает как преимущество по пространственной согласованности.
Baidu Unlimited OCR 2 переводит сканы документов в структурированный цифровой текст. Главная особенность — совместная обработка нескольких страниц: при независимом распознавании легко потерять связь между содержимым в конце одной страницы и начале другой. Здесь, по словам ведущего, целую книгу можно передать одним запросом. На показанных тестах разбора документов, текста, таблиц и сложных случаев модель опережает Qwen 3.8 Max, GLM 5.3 Flash и DeepSeek 4.1. Размер файлов составляет около 6,9 ГБ; опубликованы инструкции локального запуска.
UniAction объединяет разные способы управления видеогенерацией. На вход подаются изображение, текст и управляющие действия: приложенная сила, движение камеры, поза руки человека или положение робота. Все виды управления обслуживает одна модель. Для этого каждое действие получает описание, координаты и время, то есть общую форму представления. Доступны код, веса, сценарии обучения и оценки. В качестве основы ведущий называет Alibaba Wan 2.2 и удивляется выбору этой, по его оценке, уже старой модели вместо Minimax.
AutoSwarm координирует нескольких ИИ-агентов, работающих над общей задачей. В примере с запуском новой функции инструмент распределяет поручения между агентами, позволяет выполнять их параллельно и сохраняет общий контекст. Он расположен над существующими оболочками управления агентами, такими как Codex и Claude Code, и может объединять их работу. Проект открыт, поддерживает Windows, macOS и Linux; в выпуске показана страница с инструкциями установки.
В синтезе речи ведущий сначала выделяет Paradee 1.2. Сжатая модель занимает всего 8,5 МБ, несжатая — около 35 МБ. Она работает на одном потоке центрального процессора без видеокарты и обучена воспроизводить результаты более крупной Kokoro — такой подход называют дистилляцией. В голосовой демонстрации говорится, что модель в десять раз меньше той, на которой обучалась. Цена компактности — только четыре готовых голоса: клонировать свой нельзя. Модель опубликована под Apache 2, допускающей коммерческое использование.
Tencent Hy-SimulMT переводит речь между китайским и английским в реальном времени и одновременно сохраняет голос говорящего. В примерах звучат вопрос о работе Blender Studio и техническое объяснение о графическом процессоре. По показанной диаграмме ведущий заявляет меньшую частоту ошибок и более высокое качество перевода, чем у человека-переводчика. Это результат представленного сравнения. Модель содержит 30 млрд параметров и использует архитектуру mixture of experts: для обработки данных задействуется лишь часть её блоков, примерно на 3 млрд параметров. Файлы полного варианта занимают около 61 ГБ, сжатого Q4 в формате GGUF — около 20 ГБ; доступны и другие версии с пониженной точностью хранения параметров, включая FP8. Лицензия — Apache 2.
Ещё один релиз NVIDIA — бесплатная коллекция более чем из 2600 трёхмерных объектов общим объёмом около 490 ГБ. Среди них продукты, мебель, бытовая техника, промышленные механизмы, медицинское оборудование и заводские детали. Для симуляции важны не только внешний вид и геометрия: в объекты включены масса, трение, границы столкновений и сведения о подвижности частей. Ведущий предлагает рассматривать коллекцию как материал для виртуальных сред, в которых робот учится брать и перемещать предметы. Объекты размещены на Hugging Face под Creative Commons Attribution.
Крупный научный блок выпуска посвящён трём заявлениям OpenAI. Первое касается гипотезы экспоненциального времени, ETH. Ведущий объясняет её через SAT — поиск набора значений «истина» или «ложь», удовлетворяющего системе условий. При добавлении переменной число возможных комбинаций удваивается, а гипотеза связана с невозможностью избежать соответствующего взрывного роста вычислений. На неё, по словам автора, опираются сотни исследовательских работ. В выпуске сообщается, что внутренняя модель OpenAI нашла алгоритм, опровергающий ETH, а доказательство, согласно тому же сообщению, по шагам проверено системой формальной проверки Lean. В изложении ведущего алгоритм переводит условия в алгебраическую форму, делит задачу на группы и связывает их сжатой информацией, получая точное число решений без полного перебора. При этом он прямо предупреждает: даже если заявление подтвердится, практические задачи не станут мгновенно разрешимыми, а алгоритм может оставаться крайне медленным.
Второе заявление касается гипотезы локального сглаживания, которую в выпуске называют нерешённой 35 лет. Речь идёт о поведении волн в моменты сильной концентрации: такие состояния могут возникать, но не должны сохраняться долго. Ранее результат, по изложению ведущего, был доказан в двух измерениях; OpenAI теперь заявляет доказательство для любого числа измерений. В выпуске утверждается, что оно также влечёт решение гипотезы Какеи во всех размерностях. По этому же сообщению, OpenAI опубликовала материалы формальной проверки в Lean.
Третья история относится к квантовой хромодинамике и теории Янга — Миллса. Ведущий напоминает, что кварки внутри протонов и нейтронов удерживает сильное взаимодействие, а QCD описывает его, успешно согласуясь с экспериментами. Заявление OpenAI он передаёт как доказательство математической согласованности QCD и существования соответствующей теории Янга — Миллса. Здесь проводится существенная граница: задача тысячелетия включает существование теории и массовую щель. В выпуске говорится только о первой части, поэтому вся задача не объявляется решённой. Автор также напоминает о более чем 700 математических рукописях, которые OpenAI, по его словам, выпустила несколькими неделями ранее. Если эти заявления подтвердятся, ведущий видит в них признак наступления сингулярности — этапа, на котором развитие ИИ резко ускоряет научные открытия. Это его оценка.
Финансовая часть посвящена подаче Anthropic формы S-1 для регистрации первичного публичного размещения акций — IPO. Ведущий упоминает сообщаемую целевую оценку в 2 трлн долларов и возможность крупнейшего размещения в истории, однако подчёркивает, что итоговая оценка, сумма привлечения и дата ещё не подтверждены. Выручка первого полугодия, согласно приведённым данным, выросла почти в 14 раз: с 1,2 до 16,3 млрд долларов. Отчётный убыток составил 80,7 млрд, но большую его часть автор связывает с неденежной переоценкой ранних инвестиционных соглашений при росте стоимости компании. Операционный убыток он называет значительно меньшим — 693 млн долларов. Если исключить неденежные расходы, в том числе компенсацию сотрудникам акциями, скорректированная операционная прибыль составляет около 1,6 млрд. Положительный результат здесь относится именно к скорректированному показателю. Ведущий противопоставляет его положению большинства ведущих ИИ-лабораторий США и Китая, которые, по его оценке, продолжают нести убытки.
Обязательства Anthropic по вычислительным контрактам, как говорится в выпуске, превышают 600 млрд долларов. Названы Google, Microsoft, Amazon и SpaceX; для SpaceX указан договор до 120,5 млрд, для Google — намерение потратить до 150 млрд в ближайшие годы. Ведущий отдельно поясняет, что это многолетние обязательства, а не уже понесённые затраты. Около 12 тысяч клиентов расходуют от 100 тысяч долларов в год, почти две тысячи — от миллиона, приблизительно 250 — свыше 10 млн. Пять крупнейших обеспечивают около 21% выручки. Ведущий видит здесь риск: уход одного-двух таких заказчиков к другому поставщику, например OpenAI, может существенно повлиять на выручку. После IPO семь сооснователей, по приведённой структуре, сохранят 50,1% голосов благодаря специальной акции, поэтому возможности публичных инвесторов влиять на важные решения будут ограничены. Возможный срок размещения — уже ноябрь, площадка — Nasdaq, предполагаемый тикер — Ant.
MatAnyone-E отделяет передний план видео от фона, сохраняя волосы, мягкие полупрозрачные края и детали нескольких людей в кадре. Для эффективности система сначала анализирует изображение в низком разрешении, находит сложные участки и именно на них расходует дополнительные вычисления в высоком разрешении. Команда сообщает о работе с 4K-видео в реальном времени на одной H200; отдельно в выпуске указана потребность примерно в 3 ГБ видеопамяти и высокая скорость на потребительских GPU. Код обучения и модели ещё обещаны к публикации, как и пользовательский узел ComfyUI.
NVIDIA Open-H3 Regenerate 2K повышает детализацию видео Minimax H3, а также принимает материалы LTX2 и NVIDIA Sana Video. Хотя название подчёркивает 2K, ведущий говорит о поддержке нескольких выходных разрешений вплоть до 4K и роликов длительностью до 15 секунд. Код уже доступен. Важное ограничение он выявил при собственном тестировании: система меняет некоторые детали, особенно лица персонажей. Поэтому результат не полностью сохраняет исходное видео; выигрыш в детализации сопровождается изменениями содержания отдельных участков.
StreamVibe — видеоагент, который сам предлагает помощь. Он наблюдает видеопоток, соотносит увиденное с целью пользователя и сам выбирает момент для подсказки. В примерах человек готовит тортилью или пытается забронировать авиабилет. Инструкцию можно изменить по ходу работы, например попросить вмешиваться только при ошибках. Система учитывает текущую просьбу, продвижение по задаче и свои предыдущие ответы, чтобы решать, когда говорить и когда молчать. По показанным тестам ведущий отмечает преимущество в определении намерений пользователя. Код и модели на момент записи проходят внутреннее согласование; публикация обещана через семь дней.
Модель мира MUNDO строит по одному или нескольким изображениям среду, которую можно исследовать, изменять и симулировать. Сначала создаётся упрощённая трёхмерная сцена, затем программа описывает отдельные объекты, включая массу и трение, а физический движок рассчитывает перемещения и столкновения. В демонстрациях задают маршрут камеры, заставляют яблоко опрокинуть монитор и обучают человекоподобных роботов. По объяснению ведущего, изменения предметов и действия над ними подчиняются расчётам физического движка. Репозиторий уже существует, но выпуск кода и весов обещан только к концу ноября.
GPT 6.1 Terra описана как промежуточная модель между быстрой компактной Luna и более медленной и способной Sol. Акцент сделан на стоимости, эффективности и управлении компьютерными приложениями; в примере Terra создаёт трамвай в Blender. В Agent’s Last Exam, оценивающем профессиональные задачи, модель, по показанным результатам, достигает уровня более крупных Sol при меньших затратах. Отдельно отмечены решение задач по изображениям и снижение частоты фактических ошибок на приведённой диаграмме. В Terminal Bench, тесте программирования через терминал, Terra уступает Claude Sonnet 5.5 по результативности, оставаясь выгодной по затратам. На диаграмме Artificial Analysis она на несколько пунктов ниже Sonnet и GPT 6.1 Sol. Ведущий называет Sonnet 5.5 примерно в десять раз дороже Terra. По выпуску Terra доступна на платных планах GPT Work и Codex, а также через API; далее ведущий упоминает выбор модели в ChatGPT.
Gemini 4 Carbon ведущий называет новым флагманом Google. В показанных таблицах она сильна в программировании с агентами, общих задачах, работе с компьютером, профессиональной работе, обработке разных видов данных, математике, науке и кибербезопасности. В рейтинге Artificial Analysis модель занимает первое место: на один пункт выше Claude Opus 5.5, которая на пункт выше GPT-6 Astra. Стоимость указана ниже Opus, но выше Astra. В Omniscience у Carbon наибольшая точность и наименьшая частота выдуманных ответов. Второй показатель оценивает, признаёт ли модель отсутствие ответа, когда не знает его, или выдумывает его. В Vending Bench модель получает наибольший баланс при управлении виртуальным торговым автоматом. В Blueprint Bench, где по фотографии комнаты строят план, её результат практически совпадает с результатом человека. Однако в Frontier SWE занимает третье место после Astra и Opus 5.5. Доступ на момент выпуска ограничен начальной группой специалистов по киберзащите.
NVIDIA Nemotron 3.5 Transcribe не просто переводит аудио в текст, но позволяет задать вид расшифровки: дословную, отредактированную, с нужным форматом чисел или временными метками говорящих. Поддерживаются 40 языков, записи до часа, разделение участников и временные отметки отдельных слов. Система объединяет речевые компоненты с языковой моделью Nemotron. Общий объём — около 34 млрд параметров при 4,3 млрд активных. Веса опубликованы в нескольких форматах: BF16 занимает около 67,5 ГБ, самый компактный FP4 — менее 22 ГБ.
Google Genie 4 превращает текст или изображение в интерактивный мир. Пользователь перемещается клавишами WASD или стрелками, а текстом добавляет объекты, персонажей и эффекты либо меняет сцену. Показаны реалистичные и фантастические пространства с реагирующими персонажами. Крупное дополнение — звук: фоновая среда, музыка и интерактивные диалоги. В связке с Gemini 4 Argon демонстрируется робот, играющий с человеком в шашки: Genie генерирует симуляцию, Gemini обдумывает следующий ход. Ведущий считает партию внешне корректной, подчёркивая, что происходящее полностью сгенерировано. Доступ есть только у доверенных тестировщиков; затем доступ обещают подписчикам самого дорогого плана Ultra и партнёрам раннего доступа Gemini API и AI Studio; открыта запись в очередь.
PhysAg3D превращает фотографию предмета в интерактивную трёхмерную модель с подвижными частями и физическим поведением. Показаны камера с вращающимся объективом, телефон с движущимися элементами и деформация материалов под давлением. Сначала отдельная модель восстанавливает геометрию, затем агент разбирает устройство предмета и определяет движения его частей. Инструменты физической симуляции моделируют и уточняют эти взаимодействия. Ведущий ссылается на преимущество в сравнительных тестах внешнего качества и реалистичности взаимодействий. Код и модель опубликованы под MIT.
Google Sleep — экспериментальная схема обучения языковой модели. Ведущий объясняет проблему: обычная беседа не обязательно закрепляет новые знания в модели, а последовательное дообучение способно вытеснить прежние. На первом этапе система работает с пользователями, выполняет задачи и временно сохраняет информацию. На втором приём новых данных прекращается, а накопленная информация закрепляется в модели. Кроме того, модель сама генерирует упражнения, выбирает полезные и обучается на них для улучшения рассуждений. В тесте памяти сообщается о почти идеальном результате на информации объёмом до 10 млн токенов — единиц, на которые модель разбивает текст. Этот объём ведущий сопоставляет примерно с 700 тысячами слов. В этом тесте подход превосходит несколько других методов. Упомянуты также улучшения в решении математических задач и изучении новых языков с меньшей потерей прежних знаний. Автор видит возможность непрерывного обучения на опыте, но прямо называет работу очень ранним прототипом.
Audio8 TTS Realistic — ещё одна открытая речевая модель, теперь с клонированием голоса по нескольким секундам записи без отдельного обучения под говорящего. В выпуске звучат примеры воспроизведения разных голосов. Модель содержит 0,6 млрд параметров, поддерживает 23 языка; её файлы занимают около 2,6 ГБ. Лицензия Apache 2 допускает коммерческое использование. Ведущий подчёркивает компактность, быстродействие и возможность размещения на недорогой потребительской видеокарте.
SenseNova 6.8 Code to Video создаёт анимационные ролики по текстовому запросу через написание и выполнение кода. Ведущий сравнивает подход с Hyperframes и Manim: система строит кадры с текстом, фигурами и движением, подходящие для графической анимации и образовательных объяснений. Код позволяет править отдельные элементы, сохраняя остальные. Основой названа Qwen 3.8 27B, полный объём файлов — около 55 ГБ. Для локального запуска ведущий указывает на необходимость мощной видеокарты. Инструкции опубликованы.
Отдельная исследовательская история — энергетическая модель генерации изображений. В отличие от объяснённого ведущим диффузионного подхода, предсказывающего удаление шума, здесь обучается функция энергии: она оценивает соответствие изображения цели, а последовательные изменения уменьшают эту энергию. В результате получается изображение. Автор сразу оговаривает, что перед ним только демонстрация концепции: показанные картинки заметно хуже современных ведущих генераторов. Код и сценарий обучения открыты, размер модели составляет 2,44 ГБ.
Meta Overseer поддерживает общую генерируемую среду для нескольких агентов, согласуя их разные точки зрения. Помимо вида от первого лица каждого участника, система создаёт ракурсы неподвижных камер вокруг пространства. Это помогает отслеживать происходящее вне текущего обзора агента, сохранять согласованность и учитывать местоположение игроков. Демонстрации включают Minecraft, Doom и сцены, похожие на реальную съёмку; ведущий уточняет, что все эти видео сгенерированы. Набор данных опубликован, сама модель — ещё нет.
Заключительная серия открытых моделей начинается с Nanbeige4.3-33B. Это плотная модель на 33 млрд параметров: в ней нет разделения на выборочно активируемые экспертные блоки. Её файлы занимают 66,3 ГБ. На показанных Terminal Bench и Deep Suite она превосходит сопоставимые Qwen 3.8 и Gemma 4, особенно во втором тесте. Автор также отмечает результаты профессиональных задач в ИТ, инженерии, финансах и здравоохранении, где она в большинстве сравнений опережает Qwen 3.8. Код и веса доступны, но полный вариант требует мощного оборудования.
Liquid AI представила небольшое семейство LFM3 примерно по 2 млрд параметров. Ведущий говорит о шести моделях и перечисляет текстовую, Vision для изображений и видео, Audio для понимания и генерации речи и перевода между 18 языками, Omni, объединяющую эти возможности, а также варианты Decision для быстрых решений: например, нужен ли возврат средств клиенту и является ли письмо спамом. На приведённых тестах текстовая модель превосходит некоторых более крупных конкурентов. Семейство выложено на Hugging Face; текстовый базовый вариант занимает около 3,5 ГБ. Доступны GGUF, FP8, FP4 и MLX для Apple Silicon, а также разные варианты остальных моделей.
Apex 35B основана на Qwen 3.6 35B и настроена для автоматизированных исследований и научных задач. В демонстрациях она пишет код управления роботами в симуляции: манипуляторы складывают блоки и переставляют предметы. Модель смотрит на результат и исправляет код после неудачи. Другой пример — восстановление физической симуляции по фотографии. По показанным тестам Apex заметно превосходит базовую модель в исследованиях и агентных задачах. Файлы полного варианта занимают около 72 ГБ; самая маленькая опубликованная версия с пониженной точностью хранения параметров — около 9 ГБ. Ведущий предупреждает о снижении качества такого компактного варианта.
Семейство Groot включает четыре варианта: от 19 млрд параметров с 3 млрд активных до 280 млрд с 16 млрд активных. Старшая модель получена из DeepSeek 4.1: она примерно вдвое меньше, но несколько уступает исходной по результатам. Младшая основана на Qwen 3.6 35B и, согласно приведённым сравнениям, при почти вдвое меньшем размере превосходит её в программировании, автоматизации и общих знаниях. Опубликованы FP4, FP8 и GGUF. Для старшей Q4 GGUF ведущий называет около 366 ГБ; для младшей — примерно 39 ГБ в полном виде и 12 ГБ в Q4 GGUF.
Clover 35B преобразует основу Qwen 3.6 35B в диффузионную языковую модель. Она генерирует и уточняет сразу блоки токенов — единиц текста, с которыми работает модель, — вместо последовательного вывода по одному. В примере модель создаёт интерактивную рабочую среду с приложениями и перетаскиваемыми окнами. На показанных тестах агентной работы и инструментов ведущий отмечает высокие результаты относительно других диффузионных и обычных моделей сходного размера, а также выгодное соотношение скорости и качества. Веса доступны; полный объём — около 69 ГБ.
Spark-X2.6-1.7B рассчитана на локальные компьютеры и периферийные устройства. Автор прямо отделяет её от тяжёлых флагманов: сравнение идёт с небольшими Qwen 3.5 2B, Gemma 4 и MiniCPM. На большинстве приведённых тестов агентного программирования, соревновательной математики, длинного контекста и общих знаний она оказывается сильнее. Модель содержит 1,7 млрд параметров. Скорость сравнивается на Mac M5 Pro и RTX 4090, где ведущий также отмечает преимущество. Поддерживаются NVIDIA GPU, Ascend NPU и Apple Silicon; размер составляет около 3,4 ГБ.
Наконец, SenseNova Loop 9B использует повторное прохождение большого участка нейросетевых слоёв. Так модель получает больше вычислений без пропорционального увеличения числа параметров. Ведущий называет архитектуру циклической мультимодальной, то есть рассчитанной на разные виды входных данных, и упоминает лишь как слух предположение о похожих механизмах у Claude и GPT. По показанным агентным тестам девятимиллиардная модель сопоставима с некоторыми значительно более крупными. Опубликованы код и веса под Apache 2, общий размер файлов — около 38 ГБ.
