DeepSeek запускает V3.1, объединяя V3 и R1 в гибридную модель рассуждений с постепенным увеличением интеллекта Постепенное увеличение интеллекта: Первые результаты бенчмаркинга для DeepSeek V3.1 показывают индекс искусственного анализа интеллекта 60 в режиме рассуждений, по сравнению с результатом R1 в 59. В режиме без рассуждений V3.1 достигает результата 49, что является большим увеличением по сравнению с предыдущим результатом V3 0324 в 44. Это оставляет V3.1 (рассуждение) позади последней версии Qwen3 235B 2507 от Alibaba (рассуждение) - DeepSeek не вернул лидерство. Гибридное рассуждение: @deepseek_ai впервые перешел на гибридную модель рассуждений - поддерживая как режимы рассуждений, так и без рассуждений. Переход DeepSeek к единой гибридной модели рассуждений имитирует подход, принятый OpenAI, Anthropic и Google. Однако интересно отметить, что Alibaba недавно отказалась от гибридного подхода, который они предпочитали для Qwen3, выпустив отдельные версии моделей рассуждений и инструкций Qwen3 2507. Вызов функций / использование инструментов: Хотя DeepSeek утверждает, что улучшил вызов функций для модели, DeepSeek V3.1 не поддерживает вызов функций в режиме рассуждений. Это, вероятно, существенно ограничит его способность поддерживать агентные рабочие процессы с требованиями к интеллекту, включая кодирующие агенты. Использование токенов: DeepSeek V3.1 показывает постепенно более высокий результат в режиме рассуждений, чем DeepSeek R1, и использует немного меньше токенов в оценках, которые мы используем для индекса искусственного анализа интеллекта. В режиме без рассуждений он использует немного больше токенов, чем V3 0324 - но все равно в несколько раз меньше, чем в собственном режиме рассуждений. API: Первоначальный API DeepSeek теперь обслуживает новую модель DeepSeek V3.1 как на их чат-эндпоинтах, так и на эндпоинтах рассуждений - просто изменяя, предоставляется ли токен конца размышления </think> модели в шаблоне чата, чтобы контролировать, будет ли модель рассуждать. Архитектура: DeepSeek V3.1 архитектурно идентичен предыдущим моделям V3 и R1, с 671B общими параметрами и 37B активными параметрами. Последствия: Мы бы посоветовали проявлять осторожность в том, чтобы делать какие-либо предположения о том, что этот релиз подразумевает о прогрессе DeepSeek к будущей модели, упоминаемой в слухах как V4 или R2. Мы отмечаем, что DeepSeek ранее выпустил последнюю модель, построенную на их архитектуре V2, 10 декабря 2024 года, всего за две недели до выпуска V3.

Объявляем о запуске Artificial Analysis Long Context Reasoning (AA-LCR) — нового бенчмарка для оценки производительности в условиях длинного контекста, который проверяет способности к рассуждению на основе нескольких длинных документов (~100k токенов). Основное внимание в AA-LCR уделяется воспроизведению реальной интеллектуальной работы и задач рассуждения, тестируя способности, критически важные для современных AI-приложений, охватывающих анализ документов, понимание кодовой базы и сложные многоступенчатые рабочие процессы. AA-LCR состоит из 100 сложных текстовых вопросов, которые требуют рассуждения на основе нескольких реальных документов, представляющих ~100k входных токенов. Вопросы разработаны так, чтобы ответы не могли быть найдены напрямую, а должны быть выведены из нескольких источников информации, при этом тестирование людьми подтверждает, что каждый вопрос требует подлинного вывода, а не простого извлечения. Ключевые выводы: ➤ Современные ведущие модели достигают ~70% точности: три первых места занимают OpenAI o3 (69%), xAI Grok 4 (68%) и Qwen3 235B 2507 Thinking (67%) ➤👀 У нас также уже есть результаты gpt-oss! 120B показывает результаты, близкие к o4-mini (высокие), что соответствует заявлениям OpenAI о производительности модели. Вскоре мы предоставим Индекс Интеллекта для моделей. ➤ 100 сложных текстовых вопросов, охватывающих 7 категорий документов (Отчеты компаний, Отраслевые отчеты, Государственные консультации, Академия, Юридические документы, Маркетинговые материалы и Отчеты опросов) ➤ ~100k токенов входа на вопрос, что требует от моделей поддержки минимального контекстного окна в 128K для оценки по этому бенчмарку ➤ ~3M уникальных входных токенов, охватывающих ~230 документов для проведения бенчмарка (выходные токены обычно варьируются в зависимости от модели) ➤ Ссылка на набор данных на 🤗 @HuggingFace приведена ниже Мы добавляем AA-LCR в Индекс Интеллекта Artificial Analysis и обновляем номер версии до v2.2. Индекс Интеллекта Artificial Analysis v2.2 теперь включает: MMLU-Pro, GPQA Diamond, AIME 2025, IFBench, LiveCodeBench, SciCode и AA-LCR. Все цифры обновлены на сайте. Узнайте, какие модели входят в Индекс Интеллекта Artificial Analysis v2.2 👇

Cerebras демонстрировала свою способность хостить большие MoE на очень высоких скоростях на этой неделе, запустив конечные точки Qwen3 235B 2507 и Qwen3 Coder 480B с выходом >1,500 токенов/с ➤ @CerebrasSystems теперь предлагает конечные точки как для Qwen3 235B 2507 Reasoning, так и для Non-reasoning. Оба модели имеют 235B общих параметров с 22B активными. ➤ Qwen 3 235B 2507 Reasoning предлагает интеллект, сопоставимый с o4-mini (высокий) и DeepSeek R1 0528. Вариант Non-reasoning предлагает интеллект, сопоставимый с Kimi K2 и значительно превосходит GPT-4.1 и Llama 4 Maverick. ➤ Qwen3 Coder 480B имеет 480B общих параметров с 35B активными. Эта модель особенно сильна в агентном кодировании и может использоваться в различных инструментах кодирования агентов, включая Qwen3-Coder CLI. Запуски Cerebras представляют собой первый случай, когда такой уровень интеллекта стал доступен на таких скоростях вывода и имеют потенциал для открытия новых случаев использования - например, использование модели рассуждения для каждого шага агента без необходимости ждать минуты.

🇰🇷 LG недавно выпустила EXAONE 4.0 32B - он набрал 62 балла в Индексе Искусственного Интеллекта, что является самым высоким результатом для модели 32B на данный момент. EXAONE 4.0 от @LG_AI_Research выпущен в двух вариантах: гибридная модель рассуждений 32B, для которой мы сообщаем результаты бенчмаркинга, и меньшая модель 1.2B, предназначенная для приложений на устройстве, которую мы еще не тестировали. Вместе с недавним выпуском Solar Pro 2 от Upstage, приятно видеть, как корейские лаборатории ИИ присоединяются к США и Китаю в верхней части рейтингов интеллекта. Ключевые результаты: ➤ 🧠 EXAONE 4.0 32B (Рассуждение): В режиме рассуждений EXAONE 4.0 набирает 62 балла в Индексе Искусственного Интеллекта. Это соответствует Claude 4 Opus и новой Llama Nemotron Super 49B v1.5 от NVIDIA, и всего на 1 балл меньше, чем Gemini 2.5 Flash. ➤ ⚡ EXAONE 4.0 32B (Без рассуждений): В режиме без рассуждений EXAONE 4.0 набирает 51 балл в Индексе Искусственного Интеллекта. Он соответствует Llama 4 Maverick по уровню интеллекта, несмотря на то, что имеет всего ~1/4 от общего количества параметров (хотя активных параметров примерно в 2 раза больше). ➤ ⚙️ Выходные токены и многословие: В режиме рассуждений EXAONE 4.0 использовал 100M выходных токенов для Индекса Искусственного Интеллекта. Это больше, чем у некоторых других передовых моделей, но соответствует недавним тенденциям, когда модели рассуждений используют больше выходных токенов для "более глубокого мышления" - аналогично Llama Nemotron Super 49B v1.5, Grok 4 и Qwen3 235B 2507 Reasoning. В режиме без рассуждений EXAONE 4.0 использовал 15M токенов - это много для модели без рассуждений, но не так много, как у Kimi K2 с 30M. Ключевые детали: ➤ Гибридное рассуждение: Модель предлагает возможность выбора между режимом 'рассуждений' и 'без рассуждений'. ➤ Доступность: В настоящее время размещается @friendliai и имеет конкурентоспособную цену (особенно по сравнению с проприетарными вариантами) от FriendliAI в $1 за 1M входных и выходных токенов. ➤ Открытые веса: EXAONE 4.0 - это модель с открытыми весами, доступная по Лицензионному Соглашению Модели ИИ EXAONE 1.2. Лицензия ограничивает коммерческое использование. ➤ Мультимодальность: Ввод и вывод только текстовые. ➤ Контекстное окно: 131k токенов. ➤ Параметры: 32B активных и общих параметров, доступных в 16-битной и 8-битной точности (это означает, что модель может работать на одном чипе H100 в полной точности).

Объявляем о Лидерах Таблицы Музыкального Анализа Искусственного Интеллекта: с более чем 5 тыс. голосов, Suno v4.5 является ведущей моделью генерации музыки, за ней следует FUZZ-1.1 Pro от Riffusion. Lyria 2 от Google занимает третье место в нашей таблице инструментальной музыки, а v1.5 Allegro от Udio занимает третье место в нашей таблице вокалов. Инструментальная таблица выглядит следующим образом: 🥇 @SunoMusic V4.5 🥈 @riffusionai FUZZ-1.1 Pro 🥉 @GoogleDeepMind Lyria 2 @udiomusic v1.5 Allegro @StabilityAI Stable Audio 2.0 @metaai MusicGen Рейтинги основаны на голосах сообщества в различных жанрах и темах. Хотите увидеть свою тему в списке? Вы можете отправить темы в арену сегодня. 👇 Смотрите ниже таблицу вокалов и ссылку для участия!

Модельное изменение спроса с 2024 по 2025 год: Google (+49 пунктов), DeepSeek (+53 пункта) и xAI (+31 пункт) добились значительного увеличения доли спроса за последний год @Google превратился из отстающего в области ИИ в лидера в области ИИ, увеличив в ~2,5 раза долю респондентов, использующих или рассматривающих модельный ряд Gemini. Ключевым фактором этого стало то, что Google добился значительных успехов в интеллекте: Gemini 2.5 Pro теперь занимает #3 в нашем индексе искусственного интеллекта, по сравнению со значительным отставанием от OpenAI и Anthropic в начале 2024 года. @deepseek_ai в первом полугодии 2024 года выпустила только DeepSeek 67B, модель, которая получила ограниченное распространение и уступила Llama 3 70B. DeepSeek впервые получила некоторое распространение в конце 2024 года с выпуском своей модели V2, а затем увидела быстрое внедрение в начале 2025 года со своими моделями V3 и R1, которые вывели их на лидирующие позиции среди моделей с открытыми весами. @xai выпустила свою первую модель Grok-1 в середине первого полугодия 2024 года и с тех пор быстро поднялась до лидерства в разведке среди всех моделей с последовательными выпусками, кульминацией которых стал запуск Grok 4 на прошлой неделе. Источник: Исследование внедрения искусственного интеллекта за 1 полугодие 2025 года (отчет доступен на веб-сайте искусственного анализа)

Поставщики Kimi K2: Groq обслуживает Kimi K2 на скорости >400 токенов/с, в 40 раз быстрее, чем API первого уровня Moonshot. Поздравляем ряд поставщиков с быстрым запуском API для Kimi K2, включая @GroqInc, @basetenco, @togethercompute, @FireworksAI_HQ, @parasail_io, @novita_labs, @DeepInfra и, конечно, @Kimi_Moonshot. Это впечатляет, учитывая размер модели в 1 триллион параметров. Groq выделяется своей молниеносной скоростью. DeepInfra, Novita и Baseten выделяются своими ценами, будучи единственными поставщиками, которые предлагают цены аналогичные или более низкие, чем у API первого уровня Moonshot. Смотрите ниже для дальнейших сравнений между поставщиками. Мы ожидаем быстрого увеличения скорости у некоторых поставщиков, поскольку команды оптимизируют модель K2 - наши данные ниже показывают медианные скорости за последние 72 часа, но мы уже видим, что DeepInfra поднялся до 62 токенов/с в сегодняшних измерениях.

В то время как Kimi k2 от Moonshot AI является ведущей моделью без рассуждений с открытыми весами в индексе искусственного интеллекта, она выводит в ~3 раза больше токенов, чем другие неразумные модели, стирая границы между рассуждениями и нерассуждениями Kimi k2 - самая большая модель с открытыми весами - 1 Тл общих параметров при 32 Б активных (для этого требуется огромный 1 ТБ памяти на родной FP8 для удержания весов). У нас k2 на 57 месте в индексе искусственного интеллекта, впечатляющий результат, который ставит его выше таких моделей, как GPT-4.1 и DeepSeek V3, но отстает от ведущих моделей рассуждений. До сих пор существовало четкое различие между разумной и неразумной моделями в наших оценках, определяемое не только тем <reasoning> , использует ли модель теги, но в первую очередь использованием токенов. Медианное количество токенов, используемых для ответа на все оценки в индексе искусственного интеллекта, в ~10 раз выше для разумных моделей, чем для неразумных моделей. Kimi k2 @Kimi_Moonshot использует в ~3 раза больше токенов, чем медианная необоснованная модель. Его использование токенов всего на 30% ниже, чем у Claude 4 Sonnet и Opus при запуске в режиме расширенного мышления с максимальным бюджетом, и почти в три раза выше, чем у Claude 4 Sonnet и Opus с отключенным рассуждением. Поэтому мы рекомендуем сравнивать Kimi k2 с Claude 4 Sonnet и Opus в их максимально бюджетных расширенных режимах мышления, а не с необоснованными оценками моделей Claude 4. Kimi k2 доступен в собственном API @Kimi_Moonshot, а также в @FireworksAI_HQ, @togethercompute, @novita_labs и @parasail_io. Смотрите ниже и на Искусственный анализ для дальнейшего анализа 👇

Прошло менее 500 дней с момента выпуска их первой модели в марте 2024 года, xAI выпустила ведущую модель ИИ.

Новый API глубоких исследований OpenAI стоит до ~$30 за вызов API! Эти новые конечные точки API глубоких исследований могут стать новым самым быстрым способом потратить деньги В ходе наших 10 глубоких тестовых запросов мы потратили $100 на o3 и $9,18 на o4-mini. Как затраты становятся такими большими? Высокие цены и миллионы токенов. Эти конечные точки представляют собой версии o3 и o4-mini, которые были разработаны для выполнения задач глубоких исследований. Доступность через API позволяет использовать их как с инструментом веб-поиска OpenAI, так и с пользовательскими источниками данных через удаленные серверы MCP. Цены на O4-Mini-Deep-Research в 5 раз ниже, чем на O3-Deep-Research. В наших тестовых запросах o4-mini также, похоже, использует меньше токенов - в общей сложности он оказался более чем в 10 раз дешевле по нашим 10 тестовым запросам. Ценообразование: ➤ o3-deep-research стоит $10 /M вход ($2.50 кэшированный вход), $40 /M выход ➤ o4-mini-deep-research стоит $2/M input ($0.5 cached input), $8/M output Эти конечные точки значительно дороже, чем стандартные конечные точки OpenAI o3 и o4-mini - они находятся по адресу: ➤ o3: $2 /M ($0,5 кэшированный) вход, $8 /M выход для o3 ➤ o4-mini: $1,1 /M (0,275 кэшированного) вход, $4,4 /M выход