Новости ИИ, 14 октября: Google открыла Gemini 4 Argon для разработчиков через API
В выпуске: Google открыла Gemini 4 Argon для разработчиков через API; Hugging Face выпустила модель LFM2.5-24B-A2B для локальных агентов; GitHub обучила классификатор для поиска секретов и другое.
Google открыла Gemini 4 Argon для разработчиков через API
Google сделала Gemini 4 Argon доступной разработчикам и компаниям через API в AI Studio и Gemini platform. Модель также доступна подписчикам Google AI Ultra в Google Antigravity, а пользователям планов Ultra и Pro — в приложении Gemini и AI Mode в Search. Стоимость составляет $2 за миллион входных и $10 за миллион выходных токенов; кешированные входные токены стоят на 95% дешевле. Google сообщает, что Argon заняла первое место в Vals Index, оценивающем работу моделей в таких областях, как финансы, программирование и право.
Среди примеров применения — рефакторинг сотен файлов в Chromium и оптимизация Python-фреймворка ADK: время подготовки сессий в памяти сократилось на 40%, а холодный импорт ускорился на 21%. Исследователи также ускорили работу пакета xTB до 2,3 раза при предсказании структуры молекул. В Antigravity Argon помогла командам увеличить число отправок кода агентами более чем на 35%, одновременно сократив откаты кода почти на треть.
Что это значит для разработчиков. Разработчики могут обращаться к модели через API и заранее оценить стоимость по числу входных и выходных токенов. Примеры Google показывают применение Argon для многоэтапных задач в разработке и научных вычислениях.
Источник: Google AI · Попробовать в GateLLM: Gemini 4 Argon
Hugging Face выпустила модель LFM2.5-24B-A2B для локальных агентов
Hugging Face представила LFM2.5-24B-A2B — модель для рассуждений, вызова инструментов и агентных сценариев. По сравнению с LFM2-24B-A2B контекстное окно увеличили с 32K до 131K токенов, а словарь — с 65K до 128K; архитектура осталась прежней. Модель обучали на 33T токенов предварительно, затем добавили этапы обучения на данных для рассуждений, кода, длинного контекста и работы с инструментами. В отличие от предшественницы, она формирует цепочку рассуждений перед ответом.
В тестах на восьми задачах для агентов модель лидировала или сравнялась с конкурентами на пяти, а также показала лучшие результаты на трёх тестах следования инструкциям. На LiveClaw она набрала 48,09 балла против 38,19 у Qwen3.6-35B-A3B. Заявленная скорость генерации составляет 184 токена в секунду на Apple M5 Max и более 21 тысячи токенов в секунду на NVIDIA B300 при высокой параллельной нагрузке. Модель и её базовая версия доступны с открытыми весами; поддерживаются llama.cpp, MLX, vLLM, SGLang и ONNX.
Что это значит для разработчиков. Модель можно запускать локально через распространённые инструменты инференса и подключать к агентным системам. Для задач, где важны обширные знания или программирование, в публикации рекомендуют сочетать её с поиском по данным или веб-поиском.
Источник: Hugging Face · Попробовать в GateLLM: LFM2.5-24B-A2B
GitHub обучила классификатор для поиска секретов
GitHub разработала контекстный классификатор, который отличает настоящие учётные данные от похожих строк в коде и документации. По данным компании, новая система показывает на 11,5% более высокий показатель принятия результатов, чем прежний конвейер на основе LLM. При постпуш-сканировании медианное время выполнения проверки снизилось на 86%. Стоимость обслуживания компактной модели оказалась на 98% ниже, чем при удалённых вызовах LLM. GitHub отмечает, что сканирование должно находить реальные секреты, не создавая лишних оповещений для разработчиков.
Что это значит для разработчиков. Компактная модель сокращает время постпуш-сканирования и расходы на обслуживание по сравнению с прежним вариантом на удалённых вызовах LLM.
Источник: GitHub AI
Azure Content Understanding добавил готовые анализаторы документов
Azure Content Understanding предлагает готовые анализаторы для извлечения структурированных данных из распространённых документов: счетов, налоговых форм и удостоверений личности. Они включают поддерживаемую схему и знания о соответствующем типе документов. Одна схема задаёт поля, типы и допустимые значения, но не гарантирует, что данные извлечены верно: например, модель может пропустить знак минус, неверно определить формат даты или связать сумму не с той позицией.
Разработчики также могут создавать собственные анализаторы, описывая поля на естественном языке. Такой подход позволяет начать без примеров, а для специализированных задач качество можно улучшать с помощью репрезентативных документов, размеченных примеров, уточнения описаний полей и оценки результатов. Платформа упрощает эту работу, но не отменяет её.
Что это значит для разработчиков. Готовые анализаторы предназначены для распространённых типов документов и учитывают особенности их структуры, тогда как одной схемы недостаточно, чтобы проверить смысл и точность извлечённых значений.
Источник: Microsoft Foundry
AWS упростила управление доступом к частным предложениям Bedrock
AWS описала два способа активировать права на частные ценовые предложения AWS Marketplace для сторонних моделей в Amazon Bedrock. После принятия предложения AWS Marketplace создаёт лицензию в AWS License Manager. В организациях с включёнными всеми функциями AWS Organizations гранты принимаются автоматически, но остаются отключёнными: пока их не активировать, согласованная цена не применяется.
Для разовой активации предлагается скрипт: он показывает полученные лицензии и план действий, а изменения вносит только после повторного запуска с параметрами подтверждения. У этого варианта нет списка разрешённых продавцов, поэтому он рассчитан на случаи, когда полученным лицензиям в управляющем аккаунте доверяют. Для постоянной обработки можно развернуть CDK-автоматизацию: EventBridge передаёт подходящие события AWS Marketplace в Lambda, которая проверяет продавца по списку, создаёт распределённый грант и запрашивает его активацию. Результаты и попытки повторной активации записываются в CloudWatch Logs; грант может распространяться на организацию, выбранные OU или отдельные аккаунты.
Что это значит для разработчиков. Разработчики могут выбрать разовую активацию или автоматическую обработку новых соглашений. До применения согласованных цен грант должен достичь статуса ACTIVE или WORKFLOW_COMPLETED.
Источник: AWS Machine Learning
Смешивание языковых данных эффективнее настройки гиперпараметров
В работе Apple ML Research сравнили два подхода к предварительному обучению языковых моделей при нехватке данных. В таких условиях модели многократно используют одни и те же примеры, что ухудшает обобщение. Один подход — усиливать регуляризацию, например повышать weight decay; другой — добавлять данные более ресурсного языка. Для смешивания настраивают долю вспомогательных данных. Согласно заголовку публикации, двуязычное предварительное обучение превосходит поиск гиперпараметров в условиях ограниченных данных. Подробностей о модели и результатах сравнения в приведённом фрагменте нет.
Что это значит для разработчиков. При обучении на малом объёме данных разработчикам стоит рассматривать добавление корпуса более ресурсного языка как альтернативу одной лишь настройке гиперпараметров.
Источник: Apple ML Research
Новое в каталоге GateLLM
- Pareto 26.9 от unbiased — 750 ₽ / 2 250 ₽ за 1M токенов
- Gemini 4 Argon от Google — 600 ₽ / 3 000 ₽ за 1M токенов
- LFM2.5-24B-A2B от LiquidAI — 15 ₽ / 210 ₽ за 1M токенов