Новости про DeepSeek V4 Pro
8 материалов с упоминанием DeepSeek V4 Pro: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.
-
Mistral Large 4 (Le Chonk): 1T параметров, 82% в кибербезопасности и 1M контекст
Mistral представила мультимодальную MoE-модель Mistral Large 4 с 49B активных параметров. Модель лидирует в задачах поиска уязвимостей и превосходит конкурентов в кодинге.
-
AI-агенты не улучшают прогнозы: исследование Predictive Credit
Масштабное исследование показало, что научные объяснения от AI-агентов не повышают точность прогнозов. В то время как DeepSeek V4 Pro снизил дрейф данных, базовые модели не смогли доказать свою ценность перед простыми оп
-
NVIDIA AI Factories: ROI через Productive, Durable, Fungible
NVIDIA объясняет экономику AI-фабрик: ключ к окупаемости — не только мощность, но и долговечность оборудования и универсальность нагрузок.
-
Nex-AGI представила 1.6T модель Max на базе DeepSeek-V4-Pro
Лаборатория Nex-AGI анонсировала три новые модели: Max (1.6 трлн параметров), Pro и Mini. Флагман построен на DeepSeek-V4-Pro-Base и ориентирован на сложные задачи ИИ-агентов.
-
Xiaomi MiMo-V2.6 Pro: Лидер AA Intelligence Index и цена в 23 раза ниже GPT-5.6
Xiaomi выпустила модель MiMo-V2.6 Pro, занявшую первое место в рейтинге AA Intelligence Index. При этом стоимость запросов к ней в 10–23 раза ниже, чем у ведущих мировых аналогов.
-
NVIDIA Vera Rubin: 30x рост эффективности AI-фабрик и новый стандарт токенов на ватт
На AI Infra Summit NVIDIA представила платформу Vera Rubin NVL72 и ПО DSX MaxLPS, обеспечивающие до 30-кратного роста пропускной способности агентов на ватт и оптимизацию энергопотребления дата-центров.
-
Bolt Forge: 50x больше AI-услуг за счет open-source моделей
Bolt запустил агент Forge на базе открытых моделей GLM и Kimi. Пользователи Pro получают в 50 раз больше ресурсов, обменивая анонимизированные данные на обучение новых ИИ.
-
ByteDance: LLM-агенты пишут код, но 66% изменений не работают
Исследование HarnessDev показало, что LLM могут создавать собственные среды выполнения (harness), но их способность к самооптимизации ограничена: лишь 34 из 64 изменений обобщаются на новые задачи.