Команда PrismML представила Bonsai 27B — первую в мире модель класса 27B параметров, способную работать на смартфоне. Доступна в двух вариантах: Ternary (5.9 GB, для ноутбуков) и 1-bit (всего 3.9 GB — помещается на iPhone). И это не урезанная «игрушка»: Bonsai поддерживает multi-step reasoning, tool calling, agentic workflows и мультимодальное понимание. По сути, это уровень GPT-4-class модели, которая работает локально на вашем телефоне — без интернета, без задержек, без отправки данных в облако. PrismML называют это «ультра-плотным интеллектом»: датацентры не справляются с нагрузкой, а крупные модели не влезают на мобильные устройства — Bonsai решает обе проблемы сразу. Вывод: если Bonsai 27B действительно работает так, как заявлено, это переломный момент для on-device AI — мы переходим от облачных моделей к локальному интеллекту на каждом устройстве. PrismML · Обсуждение HN (522★, 187 комм.)
BonsaiPrismMLon-device27Bquantizationmobile522★breakthroughJules R. (создатель аудиофреймворка JUCE) выпустил Juggler — визуальный AI-агент для кодинга с уникальным подходом: сессия как дерево на Yjs (CRDT), навигация в стиле Miller columns, полный контроль над каждым tool call. В отличие от линейных чатов (как в Cursor или Claude Code), Juggler позволяет создавать под-треды из любой точки, возвращаться назад, сравнивать ветки, редактировать контекст. Всё построено на плагинной архитектуре: context items, slash-команды, стратегии LLM-лупов — каждый компонент можно форкнуть или заменить. Поддерживаются Claude Code, OpenAI (codex или API), Gemini, Ollama, DeepSeek, OpenRouter и другие. Бэкенд на Go + Wails (без Electron), фронтенд на чистом JS. Лицензия: AGPLv3 (ядро) / Apache 2.0 (SDK и экстеншены) — можно писать закрытые плагины. Установка: бинарники для macOS, Windows, Linux. Вывод: Juggler — возможно, самый продуманный open-source AI coding agent на сегодня. Древовидная структура сессий решает главную проблему AI-кодинга: невозможность вернуться и понять, «как мы пришли к этому коду». GitHub · juggler.studio · Обсуждение HN (212★, 92 комм.)
Jugglercoding-agentGUIopen-sourceJUCEtree-sessions212★ShowHNИсследовательская команда Mindgard опубликовала детали 0-day уязвимости в Cursor — популярном AI-редакторе кода на базе VS Code. Суть: атакующий может внедрить вредоносный промпт через файлы проекта (например, README, комментарии в коде, даже имена переменных), который будет выполнен AI-ассистентом без ведома пользователя — prompt injection с выполнением кода. Mindgard утверждает, что уведомила разработчиков Cursor (Anysphere) за 90 дней до публикации, но патч так и не был выпущен. В результате исследователи пошли на полное раскрытие (full disclosure) — «когда у пользователей нет защиты, знание — единственная защита». Cursor обещал исправление, но Mindgard сочли, что 90 дней — достаточный срок. На Hacker News разгорелась дискуссия: одни поддерживают Mindgard («безответственно держать用户在 90 дней в неведении»), другие считают, что full disclosure без патча подвергает опасности всех пользователей. Вывод: безопасность AI-инструментов остаётся «диким западом» — любой файл в репозитории может стать вектором атаки. Будьте осторожны с доверием AI-коду из ненадёжных источников. Полный отчёт Mindgard · Обсуждение HN (310★, 149 комм.)
Cursor0daysecurityprompt-injectionfull-disclosure310★MindgardBenjamin Bai (студент University of Waterloo, прошлый опыт: Databricks, Vercel, Meta, Shopify) опубликовал исследовательский проект LeMario — обучение V-JEPA (Video Joint Embedding Predictive Architecture) на игре Super Mario Bros. JEPA — это подход Янна ЛеКуна к обучению world models: вместо предсказания пикселей (как в генеративных моделях) JEPA учится предсказывать абстрактные представления в пространстве эмбеддингов. LeMario показывает, как агент может научиться понимать физику игрового мира (гравитация, столкновения, платформы, враги) просто наблюдая за gameplay — без доступа к внутренностям игры. Проект включает визуализации того, что «видит» JEPA: разделение объектов, предсказание траекторий, понимание причинно-следственных связей. Код и веса открыты. Вывод: LeMario — отличная демонстрация того, как world models могут учиться понимать среду без учителя. В перспективе — роботы, которые понимают физический мир так же, как LeMario понимает Super Mario. Статья · Обсуждение HN (75★, 10 комм.)
LeMarioJEPAworld-modelSuperMarioAI-research75★open-source← На главную ai-tools · Все дайджесты