Coinbase сокращает около 700 человек - это примерно 14% штата.
CEO Coinbase Брайан Армстронг объясняет это просто: компания хочет стать меньше, быстрее и эффективнее, потому что ИИ уже позволяет небольшим командам делать то, для чего раньше требовалось больше людей.
Coinbase не единственная. Технокомпании всё чаще упаковывают сокращения не только в историю про рынок, но и в историю про AI-native операционку.
Похоже, главный эффект ИИ для бизнеса оказался не в красивых демках, а в очень скучной строке P&L: меньше людей, меньше затрат, быстрее выполнение задач.
bloomberg.com/news/articles/2026-05-05/coinbase-to-cut-14-of-workforce-citing-volatile-markets-ai
CEO Coinbase Брайан Армстронг объясняет это просто: компания хочет стать меньше, быстрее и эффективнее, потому что ИИ уже позволяет небольшим командам делать то, для чего раньше требовалось больше людей.
Coinbase не единственная. Технокомпании всё чаще упаковывают сокращения не только в историю про рынок, но и в историю про AI-native операционку.
Похоже, главный эффект ИИ для бизнеса оказался не в красивых демках, а в очень скучной строке P&L: меньше людей, меньше затрат, быстрее выполнение задач.
bloomberg.com/news/articles/2026-05-05/coinbase-to-cut-14-of-workforce-citing-volatile-markets-ai
❤5👍3🔥1
Эксклюзив: DeepSeek был только началом
Microsoft сейчас оценивает множество open models для Copilot Cowork.
Смысл простой: Microsoft всё меньше хочет быть жёстко привязана к одной модели или одному поставщику. Copilot постепенно превращается в систему, где важнее не конкретная LLM, а harness, маршрутизация задач, инструменты и возможность быстро менять модели под разные сценарии.
https://www.testingcatalog.com/exclusive-microsoft-evaluates-different-open-models-for-cowork/
Microsoft сейчас оценивает множество open models для Copilot Cowork.
> Это создаёт внутреннее давление на команды MAI, потому что модели GLM, MiniMax и Kimi развиваются быстрее.
> Microsoft хочет сделать модели «взаимозаменяемыми» и отделить саму обвязку Copilot от конкретных моделей под капотом.
> По мере развития малых моделей часть задач в будущем может выполняться локально.
Смысл простой: Microsoft всё меньше хочет быть жёстко привязана к одной модели или одному поставщику. Copilot постепенно превращается в систему, где важнее не конкретная LLM, а harness, маршрутизация задач, инструменты и возможность быстро менять модели под разные сценарии.
https://www.testingcatalog.com/exclusive-microsoft-evaluates-different-open-models-for-cowork/
🔥6❤3👍3
Forwarded from Machinelearning
В сети вирусится веб-приложение In the Weights, которое проверяет наличие информации о человеке или компании в GPT, Claude, Gemini и Llama и т.д.
Платформа работает через прямые запросы к моделям с принудительно отключенным доступом к сети, чтобы ИИ опирался исключительно на знания, полученные на трейне.
Анализируя выдачу, система высчитывает скоринг. Метрика оценивает вероятность того, что информация об объекте содержалась в обучающих датасетах и содержится в конкретной модели.
Помимо развлекательных целей, проект является наглядным аудитом того, как корпорации агрессивно скрейпят данные.
По мере того как чат-боты вытесняют поисковики, присутствие в памяти моделей становится новой метрикой публичной значимости.
Сервис напоминает о новых реалиях современной приватности: если информация о вас уже есть в весах LLM, стереть ее цифровой след практически невозможно.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2❤1
Environment-free verifier для coding-агентов.
Он проверяет патчи без запуска кода и без Docker, при этом обгоняет сильнейший open-source verifier на 14.3 AUC points.
А RL post-training полностью без окружения достигает 62.0% на SWE-bench Verified.
https://paperswithcode.co/paper/2606.28436
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1👍1
Most upvoted papers on huggingface this week (July 6-12):
- The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
- Vidu S1: A Real-Time Interactive Video Generation Model
- RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
- AlayaWorld: Long-Horizon and Playable Video World Generation
- Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning
- RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation
- OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers
- UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning
- Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling
- PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space
https://huggingface.co/papers/week/2026-W28
- The Mirage of Optimizing Training Policies: Monotonic Inference Policies as the Real Objective for LLM Reinforcement Learning
- Vidu S1: A Real-Time Interactive Video Generation Model
- RynnWorld-4D: 4D Embodied World Models for Robotic Manipulation
- AlayaWorld: Long-Horizon and Playable Video World Generation
- Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning
- RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation
- OmniOpt: Taxonomy, Geometry, and Benchmarking of Modern Optimizers
- UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning
- Hierarchical Sparse Attention Done Right: Toward Infinite Context Modeling
- PixWorld: Unifying 3D Scene Generation and Reconstruction in Pixel Space
https://huggingface.co/papers/week/2026-W28
❤1👍1
Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
aikarpov20 — скидка 20%Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
👎2❤1
Forwarded from Никита Иванов
Один из мифов вокруг ИИ-кодинга: если подобрать нужный промпт — модель сама напишет качественный код
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
На деле это проверяется за минуту. Два разработчика с одной и той же просьбой «собери сервис для регистрации пользователей» получат разные результаты. У одного выйдет чистый Litestar с типизацией и тестами. У второго — заготовка, которая ляжет при первой же доработке.
Дело не в тексте запроса.
Модель не видит ваш проект. Она не знает, какие соглашения приняты, какие библиотеки уже подключены, какой уровень покрытия тестами считается нормальным. Пока этой информации у нее нет — она отвечает по своему усредненному представлению, а не по вашему.
Поэтому вокруг модели нужно достроить то же самое, что и у обычного разработчика: набор правил, шаблоны, инструменты проверки, критерии приемки.
Именно это и делает Алексей Жиряков на воркшопе karpovꓸcourses «AI-first разработка на Python». За 4 часа собирает готовую агентную среду поверх живого проекта на Litestar и PostgreSQL — от настройки правил до автоматического ревью и подсчета вклада ИИ в цифрах.
Алексей покажет, как настроить правила проекта под задачу агента, как через OpenRouter поднять связку моделей «дешевая пишет — дорогая проверяет», которая помогает снижать стоимость генерации, как научить агента проверять код по чек-листу вашей архитектуры и как измерить вклад ИИ по коммитам.
С воркшопа забираете шаблон AI-first проекта, готовый к продакшену, набор правил и чек-листов, настроенную схему выбора модели под задачу и запись эфира в LMS. Тем, кто пишет на FastAPI, тоже подходит — это отдельно прописано в разделе с вопросами.
Соберите агентную среду, которая пишет код по правилам вашего проекта: https://clc.to/erid_2W5zFHgXtWd
С промокодом
aikarpov20 — скидка 20%Реклама. ООО «КАРПОВ КУРСЫ». ИНН 7811764627. erid: 2W5zFHgXtWd
Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность».
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/
Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?
Ответ оказался математическим.
Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.
Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.
Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.
В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.
То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.
Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.
Работа представлена на ICLR 2026, код экспериментов опубликован открыто.
https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/
👍6👎2❤1
Andrej Karpathy just dropped 12-page PDF on "Graph Engineering" for multi-agentic systems
the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever
here's the full system:
step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours
step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts
step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs
step 4 → ground your evaluator: it checks claims against graph edges, not vibes
step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight
step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session
Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture
https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view
the shift: Karpathy's loop runs 700 experiments and forgets all of them. A graph remembers forever
here's the full system:
step 1 → build one loop: generate, critique, revise. 630 lines, 700 experiments in 48 hours
step 2 → go parallel: agents in separate worktrees, same repo, different branches, no conflicts
step 3 → add a knowledge graph: extract entities, resolve aliases, assemble typed edges, query through subgraphs
step 4 → ground your evaluator: it checks claims against graph edges, not vibes
step 5 → plug the graph as shared memory. workers write to it. evaluators fact-check against it. Loops persist overnight
step 6 → the agent forgets. the graph does not. stop rebuilding context from scratch every session
Karpathy ran 1 agent in 1 direction. Anthropic's graph runs 1,000 with shared memory - same model, it's the architecture
https://drive.google.com/file/d/1-GOg0kxcp8tx1BMUECMj2yJq6JYGmfhb/view
❤9👍4
Forwarded from Rust
Компания выложила в open source pdf-inspector - библиотеку на Rust, которая превращает PDF в Markdown, сохраняя структуру документа, заголовки и таблицы.
По заявленным тестам, обработка одной страницы занимает около 0,002 секунды, а набор из 200 PDF был пройден примерно за 2,8 секунды.
Главное здесь не одна скорость: парсер старается сохранить исходную логику документа, поэтому результат удобнее сразу отдавать в RAG, поиск, анализ или пайплайн подготовки данных.
Проект полностью открыт.
https://github.com/firecrawl/pdf-inspector
@rust_code
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍3🔥2
История кликов, просмотров и действий пользователя сама по себе мало что даёт. Гораздо интереснее — собрать всё это в единое представление его интересов.
Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов.
В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах.
Именно такой подход разобрали в VK: трансформерная модель строит нейропрофиль пользователя на сигналах из разных сервисов.
В статье — токенизация событий, временные и контентные признаки, attention, двухбашенная архитектура и обучение на больших каталогах.
❤1
🚨 Цукерберг опубликовал большой текст о будущем ИИ - и его позиция довольно жёсткая: сверхинтеллект не должен принадлежать нескольким закрытым лабораториям.
Главные тезисы:
- задержка релиза американских моделей даже на месяц может ослабить лидерство США;
- самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений;
- «единого доброжелательного сверхинтеллекта» не существует;
- опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе;
- frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки.
Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку.
#AI #LLM #OpenSource #Superintelligence
Главные тезисы:
- задержка релиза американских моделей даже на месяц может ослабить лидерство США;
- самоулучшающийся ИИ теоретически способен в разы повысить эффективность вычислений;
- «единого доброжелательного сверхинтеллекта» не существует;
- опаснее всего сценарий, где несколько лабораторий создают самые мощные модели и оставляют их только себе;
- frontier-лаборатории, по его мнению, должны заранее передавать государству промежуточные чекпоинты для проверки.
Мощный ИИ должен распространяться шире, а контроль - строиться не через тотальное закрытие моделей, а через прозрачность и проверку.
#AI #LLM #OpenSource #Superintelligence
👍2🔥2
Forwarded from AI VK Hub
Большинство современных рекомендательных моделей решает локальную задачу — предсказать следующее взаимодействие или следующий положительный фидбэк. Мы сформулировали задачу как RL на уровне сессии и обучили кандидатогенератор через off-policy REINFORCE на логах.
На индустриальных данных такая модель выигрывает у next-item и next-positive prediction по всем оценкам награды за сессию, сохраняя качество кандидатогенерации по recall-метрикам.
#aivkhub #ml #recsys
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2🔥1
Generalist AI представила GEN-1.5 - foundation model для роботов, которая умеет учиться новому физическому действию по одному короткому примеру, без дообучения.
Модели показывают действие длиной всего 3–12 секунд, после чего робот сразу пытается выполнить его сам. В тестах на 10 разных задачах такой one-shot подход дал в среднем 59% успешных выполнений.
Если дать модели 5 минут демонстраций и всего 10 шагов градиентного обучения, результат поднимается до 83%.
Есть и более странные примеры. GEN-1.5 умеет соединять два отдельных навыка в один сценарий, переносить демонстрацию из симуляции на реального робота и в некоторых случаях повторять действие, которое человек показал руками прямо перед камерой.
Модель также импровизирует: например, вместо щётки может использовать банан, чтобы сдвинуть предмет, или придумать другой способ работы с совком.
Пока задачи короткие и показатели далеко не идеальны. Но направление интересное: роботов постепенно начинают не программировать под каждый новый сценарий, а просто показывать им, что нужно сделать.
https://generalistai.com/blog/gen-1.5
Модели показывают действие длиной всего 3–12 секунд, после чего робот сразу пытается выполнить его сам. В тестах на 10 разных задачах такой one-shot подход дал в среднем 59% успешных выполнений.
Если дать модели 5 минут демонстраций и всего 10 шагов градиентного обучения, результат поднимается до 83%.
Есть и более странные примеры. GEN-1.5 умеет соединять два отдельных навыка в один сценарий, переносить демонстрацию из симуляции на реального робота и в некоторых случаях повторять действие, которое человек показал руками прямо перед камерой.
Модель также импровизирует: например, вместо щётки может использовать банан, чтобы сдвинуть предмет, или придумать другой способ работы с совком.
Пока задачи короткие и показатели далеко не идеальны. Но направление интересное: роботов постепенно начинают не программировать под каждый новый сценарий, а просто показывать им, что нужно сделать.
https://generalistai.com/blog/gen-1.5
❤2👍1
KDD 2026: что происходит с рекомендательными системами
Рекомендательные системы постепенно становятся заметно сложнее обычного «предскажем следующий клик». На KDD 2026 AI VK Research представила две работы, которые хорошо это доказывают.
Обе посвящены разным этапам recommendation pipeline, но объединяет их общий сдвиг: модель рассматривает рекомендации не как набор независимых предсказаний, а как последовательность действий.
Интересно было посмотреть, какие ещё темы оказались в центре внимания KDD и что сейчас происходит с research в recsys.
Рекомендательные системы постепенно становятся заметно сложнее обычного «предскажем следующий клик». На KDD 2026 AI VK Research представила две работы, которые хорошо это доказывают.
Обе посвящены разным этапам recommendation pipeline, но объединяет их общий сдвиг: модель рассматривает рекомендации не как набор независимых предсказаний, а как последовательность действий.
Интересно было посмотреть, какие ещё темы оказались в центре внимания KDD и что сейчас происходит с research в recsys.
Telegram
AI VK Hub
Репортаж с KDD 2026 ⬆️
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
OpenAI начнет показывать рекламу пользователям из 31 европейской страны. Блоки будут только на тарифах Free и Go, платные подписки их не увидят. В США и еще восьми регионах рекламная платформа работает с февраля 2026 года.
Деньги от рекламы, по словам компании, пойдут на поддержку бесплатного доступа к моделям. OpenAI обещает помечать объявления, не давать им влиять на ответы модели, не показывать рекламодателям содержание чатов и не продавать данные пользователей третьим лицам.
Заявки на размещение бизнес уже может подавать здесь.
openai.com
На конференции Supernova в Сан-Франциско Cerebras Systems представила CS-4. По заявлению компании, система до 30 раз быстрее кластеров на GPU Nvidia и AMD.
Производительность - 750 PFLOPS, в основе три процессора Wafer-Scale Engine нового поколения. Пропускная способность памяти 129,6 ПБ/с, скорость ввода-вывода 7,2 Тбит/с.
По сравнению с CS-3 производительность выросла вдвое, а памяти на каждый потребляемый ватт стало в 10 раз больше.
Первым заказчикам CS-4 начнут отгружать в текущем квартале.
cerebras.ai
Пекин смягчил собственные ограничения на ввоз ИИ-ускорителей - ByteDance и Tencent получили разрешения примерно на 10 000 чипов H200 каждая, следующие компании стоят в очереди.
Со стороны США ограничения ослабли раньше - Вашингтон предварительно согласовал продажу в Китай до 100 000 чипов на корпорацию.
Nvidia зарезервировала под китайских заказчиков около 500 000 H200, а производители серверов снова принимают заявки на машины с этими ускорителями.
ft.com
CISA, ФБР, АНБ и еще два ведомства выпустили совместное предупреждение об атаках на программируемые логические контроллеры Siemens S7. По их данным, уязвимые устройства ищут и взламывают скриптами, которые сгенерировал ИИ.
Код собран на открытых библиотеках автоматизации и притворяется легитимным инструментом мониторинга. Он позволяет менять конфигурацию контроллера, читать и записывать его память.
По оценке ведомств, ИИ снизил порог входа для атак на промышленные объекты - электростанции, заводы и коммунальные системы. Нынешние вторжения выглядят как разведка, но со временем те же приемы могут пойти на остановку производств и отключение систем безопасности.
Рекомендации стандартные: обновить прошивки контроллеров и полностью убрать их из интернета.
cisa.gov
Команда Научно-технического университета Китая связала запутанностью два удаленных модуля памяти на холодных атомах через оптоволокно длиной 420 км.
Достижение важно тем, что превзойден предел PLOB - теоретический потолок для прямой передачи запутанности по каналу без ретрансляции, который начинает мешать после 230 км. Обойти его удалось как раз потому, что квантовая память играет роль промежуточного узла. Это один из кирпичей для будущих квантовых повторителей и квантового интернета.
Чтобы уменьшить потери, квантовую память перевели с длины волны 795 нм на 780 нм и перестроили схему преобразования частот, подогнав сигнальные фотоны под окно сверхнизких потерь волокна. Рассинхронизацию фаз убрали автоподстройкой на двух длинах волн и трех частотах. Интерференция фотонов оставалась стабильной на всех 420 км.
Работа опубликована в Physical Review Letters.
cas.cn
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍1