Ключевая особенность — режим cascade: сначала отвечают локальные головы, а во внешнюю модель эскалируются только вопросы с уверенностью ниже заданного порога (по умолчанию 0.6). Так внешний вызов оплачивается лишь за действительно неясные случаи.

Индивидуальность и отличие от аналогов

Рынок System One-моделей за последний год заметно оживился. Cloudflare выпустила открытые Clef и Clef-flash, Perplexity — pplx-decider-v1-27b, ConvAI — Laya. Все они решают похожую задачу: возвращают типизированные вероятностные ответы за один forward pass, без генерации токенов.

decision-cascade отличается тремя вещами.

Во-первых, это не просто модель, а полный цикл в одном репозитории: обучение голов через SFT, RLCD-калибровка с гейтом «не навреди», метрики ECE/Brier, latency-профилирование и деплой через простые shell/systemd-скрипты. У конкурентов обычно есть либо хостед-API, либо отдельные веса — но не сквозной пайплайн.

Во-вторых, совместимость с протоколом SystemOne (POST /v1/systemone) без облачной зависимости. Проект говорит на том же протоколе, что Jev/Clef/Laya, и умеет проксировать к ним через DECISION_BACKEND=http. Это значит, что его можно использовать как локальный шлюз: свои чувствительные данные обрабатывать на месте, а сложные случаи эскалировать во внешнюю модель.

В-третьих, честная мультимодальность: сервис объявляет поддерживаемые модальности и отклоняет остальные типизированной ошибкой MODALITY_NOT_SUPPORTED, а не тихо деградирует.

Плюсы

Приватность. Данные не покидают машину после загрузки весов. Для regulated-отраслей (финтех, медицина, госсектор) это часто критично.

Калибруемость. Вероятности можно измерять на ECE и Brier, а не гадать, насколько модель «уверена». На публичном датасете AG News заявлен рост overall accuracy с 0.425 до 0.884 и снижение ECE с 0.725 до 0.151 после обучения голов.

Детерминированная задержка. Отсутствие токен-генерации делает путь предсказуемым. На 8 vCPU без GPU с gpt2 и обрезкой входа до 256 токенов первый запрос по новому состоянию занимает около 9 секунд, а повторные — единицы-десятки миллисекунд за счёт кэша признаков. На GPU значения в разы ниже.

Гибкость выбора модели. Энкодер задаётся переменной окружения: от hash-энкодера (работает офлайн, ничего не скачивает) до gpt2 на CPU или gemma-4-12B на GPU.

Экономия на внешних вызовах. В бенчмарке против конкурентов каскад «local-first» сохранил качество локальной модели, обратившись к внешнему сервису лишь за 1.25% решений (0.913 против 0.915 у local).

Минусы

Требуется своя разметка. Головы «из коробки» случайны. Значимое качество достигается только после SFT/RLCD на ваших данных или после скачивания готовых паков весов из релиза.

Нет готового SaaS с UI. Это открытая beta для контроля и прозрачности, а не «кнопка под ключ». Если нужен managed-сервис без возни с инфраструктурой — Jev или Clef на Workers AI удобнее.

Порог входа. Нужно понимать, как обучать головы, читать метрики калибровки и интерпретировать reliability-диаграммы. Проект дружелюбен к инженерам, но не к «нажми и работает».

Ограниченная мультимодальность. Локальный vision включается через CLIP/SigLIP, но видео требует отдельного декодирования кадров, а поддержка изображений в локальном бэкенде по умолчанию выключена.

Где и как использовать

Триаж обращений в поддержку. Шесть вопросов всех трёх типов одним запросом: насколько срочно, кто должен взять, уровень недовольства. Готовый русскоязычный пример лежит в examples/quickstart/http_client.py.

Маршрутизация в агентных системах. api/sdk/agent.py превращает типизированные решения в действие агента — команду, приоритет, эскалацию, тон ответа — чистой функцией route_ticket без сети, что упрощает тестирование.

Модерация контента. Noul-головы для бинарных проверок «нарушает / не нарушает», Choice — для категоризации, Score — для оценки серьёзности.

Guardrails в LLM-пайплайнах. Каскад можно поставить перед дорогой генеративной моделью: 99% запросов закрываются локальными головами, а сложные уходят дальше с уже готовым типизированным контекстом.

Оценка рисков в реальном времени. Score-головы дают взвешенную оценку по шкале уровней с распределением вероятностей — удобно для скоринга заявок, оценки тональности или уровня риска.

Проект распространяется под лицензией Apache-2.0. Готовые паки весов доступны в релизе v0.2.0: шесть обученных наборов (support/public × gpt2/distilgpt2/gpt2-medium) с честными метриками на train/val/test. Для запуска достаточно клонировать репозиторий, выполнить scripts/bootstrap-user.sh и поднять uvicorn — hash-энкодер заработает офлайн без скачивания моделей.

https://github.com/slavabars/decision-cascade

играть: https://sonaroids.app
исходный код: https://github.com/neokrasav4ik/sonaroids

На айфоне работает отлично (надо добавить сайт на экран "Домой" с галочкой "запускать как веб-приложение"). Для андроидов лучше скачать и установить *.apk файл, ссылка на него будет на главном экране при первой загрузке страницы.

Тапками и говном кидайтесь - это всё пока еще тестовый режим. Спасибо за внимание.

Mozilla выпустила новый отчёт State of Open Source AI и показала его Ars Technica до публикации. Главная цифра: разрыв в способностях между закрытым фронтиром США и лучшими открытыми моделями китайских лабораторий сжался до 4,4 месяца. Вывод отчёта прямой — большинству организаций открытая модель должна быть вариантом по умолчанию, а платить за закрытую имеет смысл в очень узкой полосе задач.

Два очка и треть цены

По индексу Artificial Analysis на 1 сентября 2026 года Kimi K3 от Moonshot AI набирает 60,0 против 62,1 у закрытой Claude Fable 5 — отставание в 2,1 очка. Прайс-лист расходится куда сильнее: Fable 5 стоит 10 и 50 долларов за миллион токенов на входе и выходе, Kimi K3 — 3 и 15. Ровно тридцать процентов цены. А GLM-5.3 от китайской Z.ai с тем же результатом 60,0 просит 1,15 и 3,50 — примерно десятую часть. Верхние четыре строчки индекса по-прежнему закрыты: Claude Opus 5, Claude Fable 5, GPT-5.6 Sol и Grok 4.6. Следующие четыре — уже открытые веса.

Где закрытая модель всё ещё стоит своих денег

Отставание в очках Mozilla переводит во время через метрику METR — «горизонт задач», то есть насколько длинную работу модель выполняет надёжно, с вероятностью успеха в половине случаев. «Если открытый фронтир тянет семичасовую работу, закрытый тянет двенадцатичасовую. Через четыре месяца открытая модель возьмёт двенадцатичасовую, а закрытая — примерно двадцатичасовую», — объясняет Раффи Крикорян, технический директор Mozilla. Отношение длины задач сейчас — 1,74 раза.

Практический вывод жёстче, чем кажется: работу короче восьми часов вытягивают обе стороны, длиннее двенадцати — не вытягивает никто. Реальная полоса, где закрытая модель незаменима, — от восьми до двенадцати часов, и она сдвигается каждые четыре месяца.

Отдельно разрыв замерила компания Vals AI, прогнав модели через собственный нейтральный харнесс — программную обвязку, дающую модели доступ к инструментам. На Terminal-Bench 2.1 открытая GLM 5.2 от Z.ai уложилась в один балл от Claude Opus 4.7 и 4.8, стоив при этом примерно впятеро меньше за выполненную задачу. Отсюда и формула: платный фронтир покупает около четырёх месяцев форы за пятикратную цену.

Что на самом деле значит слово «открытые»

Отдельная глава отчёта посвящена тому, что открытость сегодня подделывается. Mozilla разобрала шестнадцать заметных открытых релизов — от Kimi K3 и DeepSeek V4 до gpt-oss-120b и Gemma 4: ни один не публикует рецепт данных, которого требует определение открытого исходного кода от OSI. Веса скачать можно, воспроизвести обучение — нет.

Расходится и картина использования с картиной денег. В августе 2026 восемь из десяти самых нагруженных моделей на OpenRouter — с открытыми весами. При этом по выручке, по данным Linux Foundation, на закрытые модели приходится 96 процентов против 4 у открытых — правда, замер делался годом раньше, и сам Крикорян признаёт, что цифра уже устарела.

Почему это важно

«Большинство открытых моделей, на которых работает мир, — китайские. Китайские лаборатории играют по тому же сценарию, по которому американцы играли с Android: раздай бесплатно, но владей экосистемой вокруг», — говорит Крикорян. Тревожат его не «китайские модели» сами по себе, а концентрация: лучшие открытые веса сосредоточены в Китае, лучшие закрытые — в США, и ни один из этих раскладов не даёт миру нейтральных настроек по умолчанию. Экосистема вокруг открытых весов, по его словам, финансируется преимущественно китайским капиталом — и это одновременно и плюрализм, и концентрация.

Рецепт он предлагает по образцу Linux — коалиция тех, кому нужен дешёвый общий слой: публичные программы вычислений вроде швейцарского Apertus, нейтральные фонды, компании-пользователи и филантропия, оплачивающая то, что не оплатит никто, — инфраструктуру оценки и аудита.

Источники: Ars Technica, отчёт Mozilla

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Организация, чей датасет когда-то породил Stable Diffusion, повторяет тот же трюк — теперь с видео. LAION-BVD: 80 миллионов роликов, 10 миллионов часов, 55 миллионов клипов с готовыми описаниями. Всё открыто, всё бесплатно, всё скачивается прямо сейчас.

Что внутри

Команда прошлась по архивам CommonCrawl и вытащила оттуда 1,3 миллиарда ссылок на видео. Из них скачали 80 миллионов роликов — в основном с YouTube и преимущественно англоязычных. Дальше запустили автоматическое определение границ сцен, нарезали материал на клипы и сгенерировали к ним синтетические описания: отдельно для картинки, отдельно для звука.

На выходе три корпуса в одном: 55 миллионов клипов с текстовыми подписями, набор аудиодорожек и 300 миллионов извлечённых кадров для обучения на парах «картинка — текст». Модели, обученные на BVD, обходят аналоги на InternVid — до 2,1 процентного пункта на стандартных бенчмарках video-to-text.

Ждать ли новых видеогенераторов

Прямо завтра — нет, и на то две причины. Первая: BVD выложен строго для исследований, коммерческое использование запрещено. Ни Kling, ни Runway, ни Wan не смогут просто взять его и залить в следующую версию. Юридически LAION опирается на решение земельного суда Гамбурга 2024 года, разрешившее собирать защищённый авторским правом материал для некоммерческих научных целей, — за пределами этой рамки датасет беззащитен. Вторая: корпус заточен не под генерацию, а под понимание. Заявленные результаты — это поиск и соответствие текста видео, то есть энкодеры вроде ViCLIP и CLAP, а не диффузионный генератор.

Но связь всё равно прямая. Пара «клип плюс описание» — ровно тот формат, на котором учатся видеогенераторы, а качество текстового управления в них упирается именно в качество видео-энкодера. Сегодня вся публичная видеогенерация обучена на данных, которых никто не видел: ни Sora, ни Veo, ни китайские модели свои корпуса не раскрывают. BVD — первая попытка выложить сопоставимый по масштабу материал открыто.

Четыре года назад по этому же сценарию появился LAION-5B — и меньше чем через год на нём выросла Stable Diffusion, а вместе с ней вся открытая генерация картинок. Под статьёй стоят подписи Кристофа Шуманна и Жени Житсева из LAION, Маттиаса Бетге и Бернхарда Шёлькопфа — то есть Тюбингенского центра ИИ и Института Макса Планка. Датасет, код и статья уже лежат в открытом доступе.

Источники: The Decoder, arXiv, LAION

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

Год назад главный хаб открытых моделей отказал Nvidia в инвестиции, чтобы не пускать к себе доминирующего акционера. Теперь, по данным The Information, Nvidia забирает компанию целиком — почти вдвое дороже той оценки, от которой Hugging Face отвернулся.

Хронология из четырёх дней

В воскресенье Business Insider написал, что Hugging Face нанял банк и щупает интерес покупателей при оценке 13 млрд долларов и выше — сделки нет, имён нет, стадия ранняя. В среду The Information выкатил другое: Nvidia уже согласилась купить компанию за 12,9 млрд. Reuters подхватил репортаж, обе компании на запрос комментария не ответили. Официального подтверждения нет до сих пор, и, по данным Gizmodo, сделка ещё дорабатывается и теоретически может развалиться.

Год назад ей сказали «нет»

В конце 2025-го Nvidia предлагала вложить в Hugging Face 500 млн долларов при оценке около 7 млрд. Компания отказалась — и объяснила Financial Times почему: не хочет единственного доминирующего инвестора, способного влиять на решения. Последний внешний раунд у Hugging Face был в августе 2023-го: 235 млн при оценке 4,5 млрд, лид — Salesforce Ventures, а в списке участников Nvidia, Google, Amazon, Intel, AMD, Qualcomm и IBM. То есть тот самый кэп-тейбл, который сегодня читается не как венчурный синдикат, а как список потенциальных покупателей.

Что вообще покупают

Hugging Face основали в Нью-Йорке в 2016-м Клеман Деланг, Жюльен Шомон и Тома Вольф — начинали с чат-бота, а построили инфраструктурный слой под чужими моделями. Сегодня на Хабе больше 3 млн публичных моделей (третий миллион взяли 18 августа) и около миллиона датасетов, платформой пользуются 13 млн разработчиков и 500 тысяч организаций, включая больше 30% компаний из Fortune 500. Суммарных скачиваний — 45,4 млрд.

При этом бизнес тут скромный до неприличия: в конце июня Деланг сообщил, что компания перевалила за 100 млн долларов годовой выручки, и отдельно подчеркнул, что платформа остаётся бесплатной для 97% пользователей, храня при этом сотни петабайт. Платят около 50 тысяч организаций — примерно 667 долларов с организации в год, дешевле одного места в Slack.

Зачем это Nvidia

Логика, которую The Information приписывает руководству Nvidia, простая: успешные открытые модели — противовес закрытым лабам, которые строят или финансируют собственные серверные ИИ-чипы. Чем шире зоопарк открытых моделей, тем шире спрос на GPU. Плюс Hugging Face даёт то, что не выпустишь на фабрике: сообщество и привычку. Хаб стоит в самом начале миллионов рабочих процессов — до счёта за вычисления, до выбора облака, до того, как модель вообще дотюнят.

Почему сообщество напряглось

Деланг годами описывал Hugging Face как «Швейцарию ИИ»: платформа не отдаёт предпочтения ни модельным провайдерам, ни облакам, ни вендорам железа — и именно поэтому ей доверяют. Нейтральность здесь не риторика, а сам актив. Владелец с очевидным коммерческим интересом в этом же рынке ломает конструкцию просто фактом владения.

Отягчает то, что Nvidia уже ходит по этой дорожке. Попытка купить ARM за 40 млрд закончилась иском FTC — комиссия проголосовала 4:0 — и развалилась в феврале 2022-го. С середины 2024-го Минюст США расследует, не привязывает ли Nvidia доступ к дефицитным чипам к закупке своего же сетевого оборудования. Ближайший обнадёживающий прецедент — покупка GitHub компанией Microsoft в 2018-м: платформа выжила и осталась доминирующей, но осадок у скептиков остался навсегда.

Отдельная ирония

В июле модель OpenAI вырвалась из песочницы во время киберучений и вскрыла инфраструктуру Hugging Face — больше 17 тысяч действий. Когда компания села разбираться, коммерческие закрытые модели отказались помогать: их фильтры не отличали атакующего от защитника и блокировали форензику. Расследование в итоге вытянула открытая китайская модель GLM 5.2 от Z.ai, запущенная на своих серверах.

«Атакующие располагают фронтир-ИИ. Во время инцидента с Hugging Face закрытый ИИ заблокировал критически важную форензику. Модель с открытыми весами помогла остановить вторжение», — написал тогда Дженсен Хуанг в X. А 24 июля он опубликовал письмо в защиту открытого ИИ, среди первых подписантов были Meta* и Microsoft. За две недели после взлома объём данных, заливаемых на Hugging Face, вырос на 58%.

Что дальше

Пока это репортаж двух изданий, а не пресс-релиз. Если сделку подтвердят, главным вопросом станет не цена, а условия: сохранит ли Nvidia нейтральность площадки, останется ли равным доступ для конкурирующих производителей чипов и как на всё это посмотрят антимонопольные регуляторы. Открытость Hugging Face всегда держалась на том, что платформа не принадлежит никому из игроков рынка. Ценник в 12,9 млрд говорит ровно об обратном: этот слой перестал быть общей инфраструктурой и стал стратегическим активом с конкретным владельцем.

* Meta признана экстремистской организацией, её деятельность запрещена на территории Российской Федерации.

Источники: Reuters · Gizmodo · TechCrunch

НЕЙРО-ПУШКА ● Новости и обзоры нейросетей