Интересные / перспективные модели ИИ / Агенты / MCP
- Автор темы Sleepwalker
- Дата начала
mem-agent — агент с памятью в стиле Obsidian
Лёгкая LLM-модель, которая умеет хранить знания в человеко-читаемой памяти (Markdown-файлы) и использовать их для ответов. Агент не просто отвечает на запросы, а действительно «помнит» факты и обновляет их по ходу работы.
Это агент на 4B с локальной, совместимой памятью для Claude, ChatGPT и LM Studio.
Как работает память:
- Вся информация лежит в Markdown: memory/user.md и отдельные файлы для сущностей.
- Связи между файлами сделаны как в Obsidian: [[entity]].
- Агент может извлекать факты, обновлять их или задавать уточняющие вопросы, если запрос неполный.
Вместо огромных контекстов и упора в лимиты, Mem-Agent извлекает нужные фрагменты из локальных документов, сжимает их и передаёт агенту.
Как обучали:
- Базовая модель: Qwen3-4B-Thinking-2507.
- Использовали метод онлайн-RL (GSPO).
- Тестировали на md-memory-bench.
Результаты:
- mem-agent уверенно решает задачи памяти, близко к уровню больших моделей.
- Даже в сжатых версиях (4-bit и 8-bit) сохраняет почти то же качество.
Чем хорош:
- Память можно читать и редактировать вручную.
- Агент работает быстро и эффективно, даже в маленьком размере.
- Удобен как компонент в более крупных системах (например, через MCP).
Model: https://huggingface.co/driaforall/mem-agent
Blog: https://huggingface.co/blog/driaforall/mem-agent
Repo: https://github.com/firstbatchxyz/mem-agent-mcp
@ai_machinelearning_big_data
Лёгкая LLM-модель, которая умеет хранить знания в человеко-читаемой памяти (Markdown-файлы) и использовать их для ответов. Агент не просто отвечает на запросы, а действительно «помнит» факты и обновляет их по ходу работы.
Это агент на 4B с локальной, совместимой памятью для Claude, ChatGPT и LM Studio.
Как работает память:
- Вся информация лежит в Markdown: memory/user.md и отдельные файлы для сущностей.
- Связи между файлами сделаны как в Obsidian: [[entity]].
- Агент может извлекать факты, обновлять их или задавать уточняющие вопросы, если запрос неполный.
Вместо огромных контекстов и упора в лимиты, Mem-Agent извлекает нужные фрагменты из локальных документов, сжимает их и передаёт агенту.
Как обучали:
- Базовая модель: Qwen3-4B-Thinking-2507.
- Использовали метод онлайн-RL (GSPO).
- Тестировали на md-memory-bench.
Результаты:
- mem-agent уверенно решает задачи памяти, близко к уровню больших моделей.
- Даже в сжатых версиях (4-bit и 8-bit) сохраняет почти то же качество.
Чем хорош:
- Память можно читать и редактировать вручную.
- Агент работает быстро и эффективно, даже в маленьком размере.
- Удобен как компонент в более крупных системах (например, через MCP).
Model: https://huggingface.co/driaforall/mem-agent
Blog: https://huggingface.co/blog/driaforall/mem-agent
Repo: https://github.com/firstbatchxyz/mem-agent-mcp
@ai_machinelearning_big_data
Используем API ChatGPT бесплатно (ну почти) — вышла тулза, которая позволяет использовать ваш диалог с нейронкой вместо запросов по API.
ChatMock создает виртуальный сервер, через него делает запросы к ChatGPT, а вы получаете API, который можно использовать в любых сторонних сервисах — хоть для вайбкодинга, хоть для написания книг.
Нужна хотя бы базовая подписка и пробуем
https://github.com/RayBytes/ChatMock
Не модель, но оч полезная штука =)
ChatMock создает виртуальный сервер, через него делает запросы к ChatGPT, а вы получаете API, который можно использовать в любых сторонних сервисах — хоть для вайбкодинга, хоть для написания книг.
Нужна хотя бы базовая подписка и пробуем
https://github.com/RayBytes/ChatMock
Не модель, но оч полезная штука =)
На днях начал гонять https://chat.qwen.ai/
Скажу, что очень достойно и абсолютно бесплатно.
Короткий код пишет без ошибок, контекст помнит.
Не гпт, но бесплатно и не ноет, что нарушаю закон =)
Скажу, что очень достойно и абсолютно бесплатно.
Короткий код пишет без ошибок, контекст помнит.
Не гпт, но бесплатно и не ноет, что нарушаю закон =)
Agent S: Use Computer Like a Human
Релиз Agent S3 - продвинутый агент для работы с компьютером, который приближается к человеческому уровню.
Вместо того, чтобы усложнять одну модель, авторы запускают несколько агентов параллельно и затем выбирают лучший результат.
Метод назвили **Behavior Best-of-N (https://arxiv.org/pdf/2510.02250)(bBoN).
Как работает:
- Каждый агент пробует решить задачу.
- Его действия переводятся в поведенческий нарратив - короткое описание, что реально изменилось на экране.
- Специальный судья сравнивает эти нарративы и выбирает лучший.
Результаты:
- GPT-5 с 10 параллельными агентами → 69.9% успеха
- Для примера у GPT-5 Mini → 60.2%
- Agent S3* набирает на +10% выше предыдущей SOTA
https://github.com/simular-ai/Agent-S
Релиз Agent S3 - продвинутый агент для работы с компьютером, который приближается к человеческому уровню.
Вместо того, чтобы усложнять одну модель, авторы запускают несколько агентов параллельно и затем выбирают лучший результат.
Метод назвили **Behavior Best-of-N (https://arxiv.org/pdf/2510.02250)(bBoN).
Как работает:
- Каждый агент пробует решить задачу.
- Его действия переводятся в поведенческий нарратив - короткое описание, что реально изменилось на экране.
- Специальный судья сравнивает эти нарративы и выбирает лучший.
Результаты:
- GPT-5 с 10 параллельными агентами → 69.9% успеха
- Для примера у GPT-5 Mini → 60.2%
- Agent S3* набирает на +10% выше предыдущей SOTA
https://github.com/simular-ai/Agent-S
ИИИИИИИИИИИ конечно же n8n!
https://github.com/n8n-io/n8n
Это просто имба.
От работы за станками и с кодом до абсюлютно любых задач.
Локально. Мощно. Развивается.
Поразительная штука!
https://github.com/n8n-io/n8n
Это просто имба.
От работы за станками и с кодом до абсюлютно любых задач.
Локально. Мощно. Развивается.
Поразительная штука!
