✔️ OpenAI обновила спецификацию поведения моделей

Логика работы GPT опирается теперь на пять ценностей – верность намерениям человека, снижение вреда, честность, поддержку самостоятельности и внимание к контексту.

Там, где явных правил нет, модель должна взвешивать долгосрочные интересы пользователя и последствия своих действий.

В документе появилась цепочка инстанций, по которой модель разрешает конфликты между ограничениями OpenAI, системными промптами и запросами пользователей.

Большинство жёстких стилистических шаблонов компания убрала, тон ответов модель подбирает по истории диалогов и памяти.

В документации термин ассистент заменён на GPT.
openai.com

✔️ Anthropic увеличила максимальный размер запросов к API Claude в четыре раза

Новые лимиты действуют в интерфейсах Messages и Token Counting и рассчитаны на тех, кто передаёт в модель объёмные PDF-документы, графику или крупные вычисления, запас по размеру нагрузки снижает риск отклонения.

Заодно компания смягчила ограничения на обработку картинок пачками, в промпте больше 20 изображений предельное разрешение каждого выросло с 2000 до 3000 пикселей.

При доступе к Claude через сторонние облачные сервисы запросы по-прежнему могут блокироваться собственными ограничениями провайдеров.
claude.com

✔️ В каталоге расширений Cursor нашли вредоносный клон Claude Code

Поддельный плагин выдавал себя за официальный инструмент Anthropic и пробыл в доступе около 11 часов, по оценке Cursor его успели установить до 5000 пользователей.

Исследователи из OpenSourceMalware выяснили, что в начало обычного плагина добавили 66 строк вредоносного кода, он исполнялся сразу после загрузки редактора. Скрипт собирал имя компьютера, адрес почты, IP-адрес, добавлял ключ атакующего в список авторизации SSH и пытался поднять обратный туннель.

Служба SSH требовала прав администратора, которые плагину в macOS и Windows обычно не выдают, но кража данных и внедрение ключей во многих случаях удались.

Cursor подделку удалил, маркетплейс временно закрыл и помогает блокировать серверы злоумышленников. Удалить плагин недостаточно, бэкдор продолжит работать в фоне, пострадавшим нужно проверить файлы авторизации на запись svc-telemetry и выполнить официальный скрипт очистки.
cursor.com

✔️ Google добавила в Gemini Notebook больше 700 бесплатных учебников

Обновление вышло в рамках инициативы Expert Intelligence и открывает литературу OpenStax, Open Textbook Library и S Chand Publishing.

Gemini отвечает строго по выбранному материалу, а выжимки и объяснения снабжает цитатами и ссылками на страницы источника. Сервис превращает объёмные тексты в конспекты, тесты, карточки и карты знаний, переводит их в аудиодискуссию или видеоролик.

Библиотека доступна в веб-интерфейсе Gemini Notebook, в меню источников нужна категория Textbooks.
blog.google

✔️ Neuralink встроила в нейроимплант агента Grok

Пользователю достаточно подумать фразу «Эй, Neuralink» и мысленно сформулировать задачу, после чего Grok берёт управление операционной системой и выполняет действия сам. Обновление проверили в 72-часовой сессии дома у пациента с боковым амиотрофическим склерозом.

Вместе с агентом разработчики сделали распознавание речевых намерений и прямую связь с iPhone, так парализованный человек теперь может силой мысли звонить близким или заказывать еду, передавая сигналы мозга в синтезатор речи телефона.

Neuralink отчиталась и о клинических испытаниях базовой связи, в первую неделю пациент набирал 75 английских слов в минуту при доле ошибок по словам в 5,8%. 
Neuralink в X

@ai_machinelearning_big_data

#news #ai #ml

✔️ Pika Labs представил высокоскоростную версию MiniMax H3

H3 Flex - открытая модель для генерации видео, которая сокращает рендеринг с 50 до 6 шагов. Архитектура дообучена на базе MiniMax H3 с применением метода обучения на базе предпочтений.

На DiT-денойзинг 15-секундного ролика в 768p уходит 7 секунд. По данным Pika, H3 Flex работает в 1,8 раза быстрее и обходится на 80% дешевле версии H3 Max.

Модель экспортирует пять независимых аудиодорожек (диалоги, саундтрек, спецэффекты, шумы, эмбиент) и принимает до 12 референсов, включая скетчи, аудиосэмплы и мудборды.

Поддерживается генерация черновиков, точечное редактирование персонажей или движений камеры, а также апскейл до 4K.

H3 Flex заняла восьмое место в общем рейтинге видеомоделей DesignArena.

Код инференса и веса модели опубликованы в открытом доступе, плюс запущен API.

Стоимость генерации начинается от 1 цента за секунду в режиме Text-to-Video до 3 центов при генерации видео по референесу.

Интеграция в платформу Pika.art запланирована на 2 ноября.


@ai_machinelearning_big_data

#news #ai #ml

Осенний Avito ML Cup: ранжирование ленты рекомендаций и призовой фонд 1,5 млн ₽ 😱

В этот раз задача про ранжирование, а призовой фонд вырос вдвое. Решать можно самостоятельно или в команде до четырёх человек.

Какую задачу решаем. Для каждой рекомендательной ленты Авито уже отобраны кандидаты. Изучите историю пользователя и признаки объявлений, а потом расставьте кандидатов так, чтобы выше оказались те, с которыми человек совершит целевое действие.

Как участвовать. Регистрируйтесь на сайте ODS до 8 декабря. Чем раньше начнёте, тем больше решений успеете отправить: в день доступно пять попыток.

Соревнование завершится 9 декабря.

Зарегистрироваться и решить задачу

✔️ RTX 5080 пропал из официального магазина NVIDIA

Вслед за флагманской RTX 5090 из каталога маркетплейса NVIDIA в США пропала видеокарта RTX 5080.

Оригинальная модель с 16 ГБ больше не отображается в фильтрах поиска, хотя на сайте по-прежнему указана ее стартовая цена в $999.

Фактически же купить ускоритель за эти деньги было крайне сложно - у крупных ритейлеров минимальный прайс давно зафиксировался на уровне $2000.

Снятие устройства с продажи связывают с планами компании по обновлению линейки.

По данным источников, производитель уже отгрузил вендорам последние запасы 16-гигабайтных чипов, которых должно хватить примерно на пару месяцев розничных продаж, и теперь готовится к релизу RTX 5080 с 24 ГБ видеопамяти.

Ожидается, что новая версия поступит на рынок на рубеже 2026 и 2027 годов.

Сама NVIDIA пока не дает официальных комментариев относительно доступности видеокарт и завышения цен на всю пятидесятую серию.

@ai_machinelearning_big_data

#news #ai #ml

⚡️ Google и XREAL представили XR-очки AURA

Устройство проецирует цифровые интерфейсы поверх реального мира благодаря прозрачным дисплеям с широким углом обзора в 70 градусов.

Новинка позиционируется как портативная замена физическим мониторам - интерфейс дает возможность запускать несколько окон одновременно и подключать Bluetooth-периферию.

Аккумулятор и всю вычислительную логику вынесли во внешний портативный модуль, подключаемый по кабелю, который работает на базе новой аппаратной архитектуры Snapdragon Reality Elite от Qualcomm.

Внутри устройства - ожидаемо ассистент Gemini. Он непрерывно анализирует обстановку вокруг пользователя и контент на виртуальных экранах, позволяя гибко управлять рабочими процессами с помощью контекстных запросов.

Функция Wired Mirroring позволяет напрямую подсоединить ноутбук по кабелю USB-C и транслировать его рабочий стол в приватное виртуальное пространство без установки дополнительных драйверов.

Помимо рабочих задач, очки подойдут для гейминга и потребления медиа, 3D-фильмов и пространственных галерей.

ОС Android XR открывает доступ к классическому каталогу Google Play и более чем 150 эксклюзивным XR-приложениям.

Стартовая цена устройства в конфигурации 12 Гб оперативной памяти и 256Гб постоянной составляет 1099 долларов, максимальный комплект на 16/512Гб с игровым контроллером и клавиатурой - в 1477 долларов.

Первые поставки на рынки США, Канады, Японии и Южной Кореи начнутся в середине ноября.


@ai_machinelearning_big_data

#news #ai #ml

🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код

Проект называется dsh-superagent. Это экспериментальная система на базе DeepSeek Harness, рассчитанная на автоматизацию разработки в команде.

В отличие от обычных coding-ассистентов, агенту не обязательно каждый раз вручную передавать задачу в чат.

Что он умеет:

- Следит за событиями GitHub и сообщениями в Feishu.
- Принимает задачи от авторизованных участников команды.
- Создаёт отдельную рабочую сессию для каждой задачи.
- Самостоятельно работает с кодом и готовит Pull Request.
- Возвращает результат в исходное обсуждение.
- Показывает в веб-панели задачи, требующие участия человека.

Архитектурный принцип - минимум внимания разработчика, максимум полезной автономной работы.

Агент действует по запросу или заранее заданным правилам и не отвлекает команду без необходимости.

Сам DeepSeek предупреждает, что это исследовательский прототип, а не готовое production-решение. Часть кода проекта тоже была написана AI-агентами.

Стек: TypeScript, DeepSeek Harness. Лицензия MIT.

https://github.com/deepseek-ai/dsh-superagent-prototype

@ai_machinelearning_big_data

#DeepSeek #ai #ml

📌 Андрей Карпатый за два часа собрал клон Youtube

Проект, получивший название HackerTube, стал ответом на деградацию рекомендательной системы оригинального видеохостинга, который предлагает однообразный контент с кликбейтными превью.

В основу легла база видеороликов, которую сделали модели Anthropic из архива комментариев на Hacker News с 2007 по 2026 год.

Sonnet отфильтровали спам и собрал 6454 ролика по 150 темам, которые советовали пользователи новостного агрегатора .

HackerTube работает без регистрации, сохраняет персональные рекомендации в локальной сессии браузера и принципиально игнорирует загруженные авторами превью, показывая вместо них кадр из видео.

Андрей пишет, что этот проект - отличный пример того, как изменилась разработка.

Он признался, что больше не пишет код вручную - всю работу над HackerTube он вёл через Claude Code, где задачи выполнил Opus 5.5, включая написание интерфейса, настройку безопасности и деплой.

Андрей лишь зарегал домен, запустил VPS и создал API-ключ от Google для загрузки метаданных.

@ai_machinelearning_big_data

#news #ai #ml

🌟 NVIDIA выпустила Nemotron 3.5 Bolt E4B

Спустя чуть больше недели после релиза, когда вместе с мультимодальной Nemotron 3.5 Super VL вышла её сжатая версия Bolt на 74 млрд параметров, NVIDIA, как и обещала, опубликовала веса совсем компактной модели для периферийных устройств.

Происхождение у новинки другое, чем у старшего Bolt. Если тот получился сжатием Super VL, то E4B собран на Gemma 4 E4B от Google, которую NVIDIA дообучила с подкреплением под следование инструкциям, многошаговый вызов инструментов и диалоги.

В модели 8 млрд параметров, из которых на токен работают 4 млрд, контекст 64 тысячи токенов, поддерживается 35 языков.

Квантование до 4 бит сжимает её примерно до 4 ГБ потребления памяти, рассуждения включаются и выключаются, а их длину можно ограничить ради скорости.

Рассчитана модель на видеокарты GeForce RTX, платы Jetson и мини-компьютеры Spark.

🟡Тесты

На RTX 5070 первый токен появляется через 548 мс, дальше идёт 133 токена в секунду.

На плате Jetson Orin Nano те же замеры дают 5,8 секунды до первого токена и 15,5 токена в секунду, так что обещанная отзывчивость сильно зависит от железа.

По замерам NVIDIA, Bolt E4B в среднем на 40% лучше предыдущей Nemotron 3 Nano 4B и тратит до 80% меньше токенов на ответ.

Модель обходит родительскую Gemma 4 E4B почти везде, но Qwen3.5 4B остаётся сильнее в работе с инструментами, 61,7 против 52,3 на Tau2-Bench, и в длинном контексте, 95,4 против 85,8 на RULER.

Вместе с весами в BF16 и GGUF, опубликованы отдельные вспомогательные модели-черновики по методу DFlash, которые предлагают сразу несколько следующих токенов, а основная модель их проверяет, что по словам NVIDIA даёт до 21% прироста скорости.

Поддержку уже завезли в llama.cpp, Ollama, LM Studio, vLLM и SGLang.

📌Лицензирование: ОpenMDW 1.1


🟡Блогпост
🟡Веса
🟡Техотчет


@ai_machinelearning_big_data

#AI #ML #SLM #Nemotron #Bolt #NVIDIA

Можешь описать словами идею для сайта или веб-приложения? Значит, можешь его создать

Идею можно игнорировать годами, а можно просто рассказать о ней ИИ. За один промпт Поехали соберёт сайт, лендинг или веб-приложение, а ты посмотришь и скажешь, что поменять.

Дизайн, база, хостинг и SEO уже внутри. Работает на русском, без VPN и разработчика.

🌸 Попробуй бесплатно c промокодом [ML50] → poehali.dev

📌 RWE-bench: бенчмарк на решение инженерных задач

Стартап Xplore собрал набор из 20 задач по механике, электронике и авиационной технике, где модель должна выдать работающую конструкцию.

Каждую задачу составил инженер команды, специалист в своей области, и к каждой приложено образцовое решение, удовлетворяющее всем требованиям.

Задачи устроены так, что в них приходится увязывать несовместимое.

В одной нужно спроектировать в системе автоматизированного проектирования цельный стальной коленчатый вал для трёхцилиндрового дизеля с масляными каналами, уложившись в пределы по напряжениям, жёсткости и нагрузке на подшипники при полной нагрузке на 2400 оборотах и выдержав миллионы циклов до усталостного разрушения.

В другой требуется развести на восьмислойной плате 32-разрядную шину памяти DDR3L от процессора Zynq-7000 к двум микросхемам, т. е. 71 цепь от корпуса с 484 выводами при почти 300 установленных компонентах, не выходя за допуски по рассинхронизации сигналов и сопротивлению.

В третьей надо построить расчётную сетку и досчитать до сходимости обтекание лопатки турбины, чтобы выдать коэффициент теплоотдачи по поверхности и общий тепловой поток.

Проверяемая модель работает в своей обычной обвязке на максимальном уровне рассуждений и получает песочницу с инженерными инструментами, среди которых CadQuery, Gmsh, CalculiX и Python.

Перед сдачей она может сама проверить результат. Готовую работу принимает специальная программа, которую Xplore не раскрывает.

Она пересчитывает каждое требование и для этого запускает физические решатели, а ошибка хотя бы по одному пункту означает незачёт. Человек и модель-судья в проверке не участвуют.

🟡Тесты

Лучший средний результат у GPT-6 Astra, 37%, за ней - Claude Opus 5.5 с 29% и GPT-6.1 Sol с 25%.

У Gemini 4 Argon 12%, у Claude Fable 5.1 7%, у Kimi K3.1 Pro 1%, а пять моделей не решили ни одной задачи, это DeepSeek V4.1 Flash, Qwen3.8 Max, GLM-5.3, Muse и Grok 4.7.

Sol обходится в 10,28 доллара, Astra стоит 58,83, а Opus 5.5 - 57,52. Самой дорогой оказалась Fable 5.1, 97,57 доллара за попытку при 7% решённых задач.

Дешевле всех работает DeepSeek V4.1 Flash, 1,03 доллара, но без единой решённой задачи.

Xplore продаёт тренировочные среды на основе этих задач отдельной услугой, а сами задачи никогда не передаются для обучения моделей.

Отдать модель на проверку можно только по договорённости с командой, и результат попадает в таблицу лишь с согласия заказчика.

Выкладывать тесты в открытый доступ стартап не обещает, а в планах у неё более сложные задания и новые области, биомеханика, строительство и материаловедение.

Похожий тест с инженерными задачами есть у коллектива китайских университетов во главе с Университетом Цинхуа.

Их EngiWorld открыт - выложены код, данные задач и статья с методикой.

@ai_machinelearning_big_data

#news #ai #ml

✔️ GPT-6 Astra исправила нейросеть, изменив всего 0,016% её весов. Без дообучения

Исследователи MIT CSAIL дали GPT-6 Astra доступ к весам Qwen3.5-0.8B через Python и разрешили провести до 50 тестовых прогонов.

Задача - улучшить математические способности модели, не используя градиенты и обучение.

Astra обнаружила, что Qwen часто зацикливается в рассуждениях, повторяет одни и те же фрагменты и достигает лимита токенов, так и не выдав ответ.

Причину удалось локализовать в MLP-блоках 15-го и 19-го слоёв. Astra нашла направление в пространстве весов, связанное с зацикливанием, и скорректировала 131 072 параметра из 800 млн.

Результаты:

- MATH-500: с 7,9% до 48,1%
- GSM8K: с 13,8% до 67,1%
- Доля ответов, достигших лимита токенов: с 93% до 33,1%

Никакого fine-tuning, backpropagation или обновления весов через оптимизатор.

Astra устранила механизм, мешавший модели завершать рассуждения, на которые та уже была способна.

На Gemma 3 270M, у которой не было аналогичной проблемы, подход почти не помог.

Работа интересна для mechanistic interpretability: LLM смогла найти конкретный механизм нежелательного поведения и исправить его напрямую в весах.

Авторы называют подход Weight-Space Programming.

https://rikiyat.github.io/blog/weight-space-programming/

@ai_machinelearning_big_data

#GPT #astra #ml

📌Claude спроектировал белки, которые связывают токсины скорпиона

Научная команда Anthropic отчиталась об эксперименте, в котором внутренняя исследовательская модель Claude почти без участия людей провела кампанию по белковому дизайну.

Мишенями стали пять нейротоксинов скорпионов, а придумать модель должна была минибиндеры, небольшие белки, которые прочно цепляются к заданной мишени.

Укусы скорпионов ежегодно дают больше миллиона пострадавших и тысячи смертей. Нынешние противоядия получают из сыворотки живого биоматериала, они дороги и долго производятся.

Белок, спроектированный с нуля, в перспективе мог бы лечь в основу более дешёвого препарата.

Люди написали начальный запрос и четыре уточнения, а дальше модель вела работу сама.

Она нашла структуры токсинов в открытых базах, выбрала участки для связывания, задала себе пороги качества, скомбинировала двенадцать инструментов дизайна и написала отчёт по результатам.

Из примерно 318 тысяч вариантов она отобрала на синтез 180, люди добавили ещё 31. Вся кампания заняла около 64 часов и примерно 10 тысяч часов работы ускорителей совокупно.

Две независимые лаборатории проверили все 211 белков, и критериям связывания удовлетворили 17, каждый против одного токсина.

Среди кандидатов на один токсин сработали 11 из 60, и такую долю авторы называют обычной для белкового дизайна.

Два лучших белка связывают токсин Cn2 с силой в единицы наномолей, слабее известных антител против него.

А вот кандидаты, которых проектировали сразу против всех пяти токсинов, провалились целиком, ни один из 91 не связал больше одного.

Нейтрализацию токсина не проверяли ни на клетках, ни на животных, так что противоядием Anthropic свою работу не называет.

Все 211 конструкций и данные по ним компания выложила в открытый доступ.


@ai_machinelearning_big_data

#news #ai #ml

✔️ Абу-Даби подписал с OpenAI четыре соглашения о переводе госуправления на ИИ

Власти эмирата начали переводить госрегламенты в форматы, понятные моделям. Пилотный проект автоматизирует проверки лицензий и сертификатов на импорт продуктов питания, алгоритм сверяет заявки с правилами и выдаёт предварительное заключение со ссылкой на конкретный закон, окончательное решение остаётся за чиновником.

Все вычисления выполняются в дата-центрах ОАЭ на локальном сервисе инференса OpenAI. По остальным трём соглашениям инвестфонд Mubadala будет оценивать риски и искать перспективные активы, компания G42 получила пятилетний контракт на внедрение моделей OpenAI в образование, бизнес и госсектор эмирата, а нефтяная ADNOC получила доступ к платформе OpenAI Frontier.

Инвесторы из ОАЭ входят в число крупнейших спонсоров раундов финансирования и OpenAI, и Anthropic.
mediaoffice.abudhabi

✔️ С декабря OpenAI переведёт ChatGPT и Codex на единый баланс токенов

Изменение касается всех платных тарифов. Лимиты будут считать только в токенах, скорость расхода квоты зависит от модели и вычислительной сложности задачи - продвинутые модели обойдутся дороже. Исключение составят базовые диалоги в режиме Instant, они останутся без лимита и на общий счётчик не повлияют.

Общий расход и время до сброса квоты будут видны в настройках профиля, а при исчерпанном лимите работу можно продолжить тремя способами: дождаться обновления квоты, перейти на более дорогой тариф или докупить пакет кредитов.
openai.com

✔️ Anthropic запретила перепродажу и проксирование доступа к Claude

Новые правила платформы вступают в силу 12 ноября, в раздел о борьбе со злоупотреблениями добавили два ограничения.

Первое запрещает зарабатывать на личных аккаунтах, перепродавать доступ к Claude через сторонние прокси с обычных подписок, а также искажать сведения о продукте или конечных пользователях при встраивании моделей.

Второе прямо запрещает украденные данные, фиктивные методы оплаты и другие несанкционированные способы обхода оплаты.

Это второе ужесточение регламента с сентября 2025 года.
anthropic.com

✔️ У Antigravity появился маркетплейс плагинов

Агент Google получил каталог сторонних расширений, который упрощает настройку связи с внешними системами. Низкоуровневые настройки, конечные точки MCP, переменные окружения и свои субагенты, собраны в готовые модули.

На старте есть интеграции от Atlassian, Figma, Canva, Datadog, CrowdStrike и Unity. Расширения ищутся по категориям, а ставить их можно и в десктопном приложении Antigravity, и через интерфейс командной строки.
antigravity.google

✔️ Meituan представила мультимодальную модель LongCat-2.5

Модель построена на смеси экспертов, рассчитана на долгие агентные задачи и активирует 48 млрд параметров на токен при общем их количества в 1,6 трлн.

Главное отличие от прошлой версии в работе со зрением и кодом, LongCat-2.5 кодирует визуальные сигналы в многоуровневые дискретные токены и обрабатывает их в одном потоке с текстом, что даёт и разбор картинок, и визуальное программирование.

В бенчмарке Terminal Bench v2.1 модель набрала 88,4 балла, это выше результата GPT-5.5 и на балл ниже лидера рейтинга Claude Opus 5.

Попробовать модель можно на сайте платформы или через API, открытые веса на GitHub и Hugging Face пока не выложены.
longcat.ai

@ai_machinelearning_big_data

#news #ai #ml

📌 Сбер открыл исходный код Kandinsky Avatar 1.0 для генерации говорящих видеоаватаров

Модель создаёт ролики продолжительностью до 60 секунд с частотой 24 кадра в секунду. Для генерации достаточно изображения, аудиозаписи и текстового описания сцены.

Kandinsky Avatar 1.0 синхронизирует артикуляцию с речью, добавляет мимику, движения головы и жесты. Поддерживаются разные языки, для обучения использовали более миллиона видеофрагментов на 95 языках.

Разработчикам доступны две версии:
Pro — генерация видео в HD, по оценке Сбера, качество сопоставимо с HeyGen IV.
Lite — создание роликов в SD, модель можно запустить на домашней видеокарте.

Сбер открыл модели для коммерческого использования. На их основе можно разрабатывать виртуальных консультантов, образовательные сервисы, инструменты локализации и приложения для создания видеоконтента

https://huggingface.co/kandinskylab/Kandinsky-S2V-1.0-Pro-distill-Diffusers

@ai_machinelearning_big_data
#AI #Kandinsky #opensource

📌CLEAR измерила налог на токенизатор в разных языках

Объединение Coalition for Language Equity in AI Research (CLEAR), опубликовало первое из своих исследований языкового равенства.

Поставщики моделей берут плату за токен независимо от языка, а токенизаторы обучены в основном на английском и десятке высокоресурсных языков, поэтому текст на остальных распадается на более мелкие куски и обходится дороже при том же смысле.

На одну фразу токенизатор GPT-5 расходует 13 токенов в английском варианте, 26 в малаялам и 78 в амхарском, потому что каждый знак эфиопского письма разбивается на два токена по одному байту.

Ввод на амхарском выходит в шесть раз дороже английского при том же содержании и почти том же числе символов.

Замеры проводили на наборе фраз FLORES-200, в анализ взяли 203 пары языка и письменности.

Главная метрика - отношение числа токенов у самого дорогого языка к самому дешёвому, в дополнение считали коэффициент Джини, взятую из экономики меру неравномерности распределения, которой обычно описывают расслоение доходов.

CLEAR придумала шкалу оценки: до трёх раз A, до шести B, до девяти C, до двенадцати D, выше - F.

🟡 Результаты

На двадцати самых представленных в интернете языках модели почти равны между собой, разброс от 1,5 до 3,1 раза.

На всех 200 языках единственная модель, кто получил высший грейд А - это переводческая NLLB-200, собранная под 200+ языков изначально.

Gemini и Gemma получили оценку B.

Китайский стек (Qwen 3, DeepSeek V4.1 Flash и Kimi K3) вместе с Fable 5, Opus 4.8 и Llama 4 Scout - D , у GPT-5 - F.

🟡Письменность важнее числа говорящих

Латинские языки экономнее даже при малом распространении - астурийский в данных Common Crawl не встречается, но выигрывает от латиницы и родственных романских языков.

Хуже всего приходится бирманскому, тибетскому, тифинагу, кхмерскому, лаосскому и ол-чики.

Под налог попадают и крупные языки - урду с 288 млн говорящих, бенгальский с 266 млн, панджаби с 200 млн.

Кроме цены авторы называют ещё два следствия, которые идут от того же лишнего объёма токенов:

🟠задержка ответа растёт, потому что на тот же текст модель считает больше токенов;

🟠полезная ёмкость контекста уменьшается - в редком языке в те же номинальные 128 тысяч токенов влезает лишь часть текста, который по-английски уместился бы целиком.

От ИИ-вендоров CLEAR просит публиковать обе метрики в карточках моделей, закладывать долю языков в словарь следующего поколения токенизаторов и, поскольку токенизатор до обучения новой базовой модели не поменять, прямо сейчас нормировать цену по символам.

Код для запуска теста на других моделях лежит в репозитории проекта.

Продолжение про равенство качества ответов по языкам CLEAR обещает опубликовать позже.

@ai_machinelearning_big_data

#AI #ML #NLP #Research #CLEAR

✔️ OpenAI рассказала, как тестирует агентов на реальных повседневных задачах пользователей

Для этого используется внутренний бенчмарк LifeVal, который оценивает практическую пользу нейросетей в быту.

К созданию теста OpenAI привело понимание, что простой проверки базовых знаний ИИ уже недостаточно.

За последний год компания существенно улучшила навыки GPT по работе с браузерами, операционными системами и внешними интеграциями.

LifeVal помогает команде разработки объективно измерять этот прогресс, ускоряя трансформацию ChatGPT из обычного чат-бота в полноценного ассистента, способного брать на себя настоящую рутину.

Чтобы понять, где именно людям нужна помощь ассистента, инженеры компании проанализировали международные исследования о повседневной жизни и распределении времени у жителей разных стран, плюс дополнительно опросили около четырех тысяч человек о том, в каких задачах они хотели бы видеть ИИ-помощников.

На основе этих данных в LifeVal интегрировали сценарии из реальной жизни - от управления личными финансами и онлайн-покупок до взаимодействия с государственными сервисами и уходом за близкими.

Результаты, опубликованные OpenAI, показывают, что средний балл GPT-5.2 составляет 49,3%, а GPT-6 Astra – уже 80,6%.

Прогресс в основном наблюдается на ранних моделях -: GPT-5.4 набрал 73%, GPT-5.6 – 80%, а самая новая версия Astra улучшила результат всего на 0,6 процентных пункта.

О планах публикации бенчмарка ничего не сказано, это внутренняя система тестирования, разработанная и оцениваемая самой OpenAI.

@ai_machinelearning_big_data

#news #ai #ml