Компания InterstellOr завершила модальное испытание капсулы аварийного выхода CYZ1, установив базовые динамические параметры для повторного использования

Китайский стартап Apex Intelligence, основанный в июне 2026 года, представил свою первую модель, Apex-35B-V1.0, 28 октября. Веса этой модели доступны на платформе Hugging Face. Модель базируется на Qwen3.6-35B-A3B от Alibaba и была дополнительно доработана посредством промежуточного и последующего обучения, направленного на задачи кодирования, рабочих процессов агентов, общие задачи, а также исследования в области искусственного интеллекта, вычислительной науки и симуляции робототехники.

Основной акцент компании делается не столько на размере модели, сколько на методах ее создания. Apex Intelligence утверждает, что ее автоматизированная исследовательская система, получившая название Apex Research, участвовала в генерации обучающих данных, проведении экспериментов, разработке плана обучения, а также в оптимизации ядер GPU и системы инференса.

В качестве примера компания привела случай, когда Apex Research обнаружила слабость модели в задачах вычислительной гидродинамики. Система проанализировала причины недостатков в рассуждениях модели, затем сгенерировала и проверила новые обучающие данные, которые были использованы в дальнейшем обучении. Согласно внутреннему тестированию компании, этот цикл позволил повысить показатель CFD-Bench модели на 32,1 пункта. Кроме того, Apex Intelligence сообщает, что оптимизация, управляемая ИИ, увеличила пропускную способность обучения на 45% до 60% и ускорила декодирование в 1,6–1,8 раза.

Все результаты бенчмаркинга, опубликованные с выпуском, получены в результате собственной оценки компании. На основании этих данных Apex Intelligence заявляет, что Apex-35B-V1.0 превосходит как Qwen3.6-35B-A3B, так и Flint от Recursive SuperIntelligence во всех шести представленных исследовательских бенчмарках. Модель также показывает лучшие результаты, чем GLM-5.3 на тестах FrontierScience и PaperBench, превосходит DeepSeek-V4.1-Flash-1017 в разделении BioMysteryBench, сложном для человека, и демонстрирует самый высокий балл BFCL V4 среди сравниваемых моделей.

В двух робототехнических испытаниях, RoboRSI и Real2Sim, модель показала результаты 44,5 и 21,55 соответственно, что близко к показателям более крупной модели GLM-5.3-Flash (52,4 и 21,4).

Тест Real2Sim требует от модели восстановления работающей физической симуляции по одной фотографии: необходимо идентифицировать объекты, выбрать симуляционные ресурсы с аналогичными визуальными и физическими характеристиками и воссоздать их расположение для тестирования действий робота. RoboRSI оценивает способность модели управлять симулированными роботами путем написания и корректировки кода на основе визуальной обратной связи.

Компания была основана Чэнь Юнчао, доцентом Колледжа ИИ Университета Цинхуа. Он описывает эту работу как рекурсивное самосовершенствование — концепцию, при которой системы ИИ помогают создавать своих преемников. В беседе с Tencent Technology он отметил, что ИИ добился явного прогресса в выполнении исследований, однако ему все еще не хватает «исследовательского вкуса», то есть способности определять, какие проблемы стоят того, чтобы ими заниматься.

Rock Matrix, в сотрудничестве с Университетом науки и технологий Гонконга и Карнеги-Меллонским университетом, выпустила в открытый доступ модель EdgeRock-4B. Эта небольшая языковая модель отличается тем, что ее потребление памяти остается постоянным независимо от длины контекста.

Базовой моделью для EdgeRock-4B является Qwen3.5-4B от Alibaba, согласно информации, представленной на странице проекта в GitHub и в соответствующей статье на arXiv, по данным QbitAI.

Модель EdgeRock не была обучена с нуля; команда провела поэтапную конвертацию Qwen3.5-4B. Были сохранены 24 слоя Gated DeltaNet, которые уже содержат состояние фиксированного размера. При этом 8 слоев полного внимания, которые обычно хранят ключи и значения для каждого предыдущего токена, были преобразованы в механизм внимания с движущимся окном, охватывающим последние 1024 токена.

Чтобы предотвратить забывание информации, выходящей за пределы этого окна, разработчики внедрили «Якоря памяти Rock» (Rock Memory Anchors). Для каждой группы голов KV модель сохраняет в небольшом банке якорей 1024 наиболее полезных из 256 кандидатов токенов.

В результате удалось добиться фиксации кеша KV на уровне 72 МБ при контексте в 256K, что представляет собой колоссальное сокращение по сравнению с 8 ГБ, требуемыми Qwen3.5-4B, то есть снижение на 99.1%. Полное состояние на последовательность составляет 97.76 МБ.

При работе на одном графическом процессоре Hopper мощностью 80 ГБ, EdgeRock обеспечил обслуживание 512 одновременных потоков со скоростью 12 124 токена в секунду, что в 6,42 раза превышает показатель Qwen3.5-4B (1 889 токенов в секунду) при ограничении пакета в 64. Максимальное потребление памяти составило 61.26 ГБ. При обработке 128K токенов на входе и 128K на выходе EdgeRock поддерживал стабильную скорость 233.7 токена в секунду, тогда как Qwen замедлился с примерно 169 до 151.3 токена в секунду. Время работы GPU снизилось до 24.9% от времени Qwen при вводе 4K и до 15.6% при вводе 32K.

По мнению команды, компромисс в точности минимален. EdgeRock сохраняет 96.3% балла AIME Qwen3.5-4B и 97.5% на MATH-500, превосходит его по 8 бенчмаркам и сохраняет 95.3% показателей зрения. Его средний показатель pass@1 по AIME за период с 2024 по 2026 составляет 82.9%, против 18.8% у самой сильной протестированной модели с ограниченным состоянием, RWKV-7 G1j 13.3B. Кроме того, он занимает первое место среди моделей с ограниченным состоянием по 24 из 29 текстовых бенчмарков. В ходе абляционного исследования задача поиска информации показала 94.1% с использованием якорей памяти и всего 0.4% без них.

Веса модели принимают текстовый и изобразительный ввод и доступны в квантованных сборках. Они выпущены под лицензией EdgeRock model license, которая, по словам команды, разрешает коммерческое использование. Планируется выпуск более крупных версий.

Компания Dubai Airports проводит испытания автономных технологий с целью повышения удобства перемещения для людей с ограниченными возможностями. Moza Saleed Al Mahi, менеджер по доступным поездкам в dnata, сообщила, что компания демонстрировала эту технологию на выставке в понедельник, 19 октября, в рамках поиска новых решений, которые могли бы упростить путешествие пассажиров с инвалидностью.

Al Mahi подчеркнула, что компания постоянно ищет новые инициативы и сотрудничает с другими заинтересованными сторонами для внедрения технологий, помогающих клиентам на протяжении всего их пребывания в аэропорту.

Автономная технология проходит испытания в одном из терминалов, чтобы оценить, как она может способствовать передвижению людей с ограниченными возможностями в Международном аэропорту Дубая. Более подробная информация о самой технологии и планах ее внедрения не была раскрыта.

Поскольку пассажиропоток продолжает расти, dnata также уделяет внимание кадровому обеспечению, обучению персонала и операционному планированию для поддержания стандартов обслуживания при одновременном удовлетворении потребностей людей с ограниченными возможностями.

Al Mahi уточнила, что сотрудники проходят обучение для поддержки пассажиров с различными видами инвалидности. Кроме того, компания отслеживает спрос и анализирует операционные данные, чтобы определить, где может потребоваться дополнительная помощь.

Подход компании позволяет заранее готовиться и распределять ресурсы для удовлетворения спроса без ущерба для качества предоставляемой помощи пассажирам. Выставка также предоставляет dnata возможность напрямую взаимодействовать с пассажирами, собирать отзывы и повышать осведомленность о доступной помощи для людей с ограниченными возможностями, путешествующих через Международный аэропорт Дубая.

Al Mahi отметила, что dnata участвует в этой выставке седьмой год подряд, используя площадку для демонстрации своих услуг и установления контактов с клиентами и потенциальными поставщиками технологий, способных улучшить опыт путешествия.

Она указала, что некоторые пассажиры могут не знать о доступной помощи или о том, как ее запросить при прохождении через аэропорт Дубая. Выставка служит для разъяснения имеющихся услуг и способов их получения, а также дает dnata шанс услышать мнение непосредственно от пользователей этих сервисов.

В рамках оценки удовлетворенности клиентов dnata использует QR-коды на выставке для сбора отзывов посредством анкет, доступных на арабском и английском языках. Эти опросы касаются опыта посетителей, интересующих их услуг и их мнений об имеющихся решениях для обеспечения доступности.

Al Mahi добавила, что после завершения выставки компания изучит полученные отзывы, чтобы лучше понять ожидания пассажиров и выявить области, требующие улучшения в предоставлении услуг.