Lyte привлекла $165 млн и более чем утроила оценку до $1,6 млрд на стыке робототехники и AI
Капитал продолжает идти в физические агенты, а модели получают более гибкие контуры рассуждения, речи и непрерывного обучения. Эти возможности повышают требования к evals, контролю дрейфа и эффективности инференса
🧠 Model
Речь без переобучения
Freeze-Omni подключает речевой ввод и вывод к замороженной LLM, сохраняя базовую модель неизменной во время обучения
Модульное добавление речи снижает стоимость адаптации и позволяет обновлять голосовой слой независимо от основной модели агента
Непрерывное мультимодальное обучение
Исследование систематизирует методы непрерывного обучения мультимодальных LLM в условиях неоднородных данных и последовательного появления новых задач
Агентам, обучающимся на реальной эксплуатации, нужны защита от забывания, контроль дрейфа и раздельные evals по каждой модальности
⚡ Big Labs
Astra меняет рассуждение
Новая модель OpenAI Astra использует recurrent depth, выходя за пределы последовательного рассуждения большинства reasoning-моделей
Новая схема вычислений требует отдельных evals качества, задержки, стоимости и наблюдаемости внутренних циклов до подключения модели к агентам
🚀 Funding
Lyte оценили в $1,6 млрд
Основанная выходцами из команды Apple Face ID компания Lyte привлекла около $165 млн и более чем утроила оценку до $1,6 млрд
Рост Lyte подтверждает спрос на инфраструктуру физического AI, где зрение, локальный инференс и безопасное исполнение объединены в одном контуре
🔧 Tools
Инференс требует инженерии
LLM Inference Handbook разбирает отличие генеративного инференса от одиночного прохода классических моделей и связанные сложности пакетирования и исполнения
Понимание механики инференса помогает управлять задержкой, пропускной способностью и стоимостью многошаговых агентных нагрузок