📌 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

✔️ Nvidia ограничила долю китайских клиентов в дата-центрах по всему миру

Nvidia неофициально уведомила операторов дата-центров, что они обязаны следить за составом клиентской базы, на заказчиков из КНР должно приходиться не больше 49% арендуемых мощностей, минимум 51% резервируется для компаний из других стран.

Правило действует во всём мире и касается лишь новых контрактов. По информации источников, эта директива пока спускается клиентам устно через отделы продаж, без публикации официальных регламентов.

Вашингтон продолжает изолировать китайских разработчиков от передовых ускорителей, но оборудование Nvidia попадает в КНР через теневой рынок, и квоты закрывают обход через аренду зарубежных серверов.

Nvidia ситуацию пока не комментировала.
ft.com

✔️ OpenAI повысила выплаты по программе bug bounty

Базовое вознаграждение за критические уязвимости в ChatGPT и Codex выросло до 30 тысяч долларов, за отдельные находки заплатят до 100 тысяч, а с учётом всех бонусов максимум доходит до 172 тысяч.

OpenAI добавила пятиуровневую систему лояльности и временные кампании с повышенными ставками под выход новых функций, а разницу в тарифах по уязвимостям за последние 30 дней компенсируют задним числом.

Заодно готовитcz закрытый спринт по информационной безопасности с фирмой Cathedral, её специалисты вместе с инженерами OpenAI будут нагружать инфраструктуру на отказ. 
openai.com

✔️ Anthropic запустила Message Threads

Раньше весь контекст приходилось отправлять заново на каждом шаге, и в разросшейся сессии задержка до первого токена росла. С параметром thread в запросе к API полный массив данных передаётся один раз, дальше идут только новые сообщения и идентификатор предыдущего ответа.

Между запросами Anthropic держит контекст в оперативной памяти в зашифрованном виде, поток живёт пять минут после последнего обращения и дальше историю нужно передавать заново.

На расход токенов функция не влияет, модель по-прежнему обрабатывает весь объём, выигрыш только в скорости. Для агентов и сессий от 500 тысяч до миллиона токенов ожидание старта ответа сокращается в среднем на 35%.

Публичная бета доступна на платформе Claude, в AWS, Microsoft Foundry и Google Cloud. 
claude.com

✔️ Названы лауреаты Притцкеровской премии за ИИ в науке 2026 года

Чикагский университет наградил Кристин Перссон из Калифорнийского университета за The Materials Project, открытую платформу машинного обучения и анализа данных о материалах, которая ежедневно отдаёт терабайты данных больше чем 800 тысячам инженеров и учёных.

Впервые премию разделила команда, Реджина Барзилай и Джеймс Коллинз из MIT, применили глубокое обучение для поиска новых классов антибиотиков и спроектировали соединения против устойчивых к лекарствам патогенов.

Каждая награда идёт с грантом в 50 тысяч долларов.
uchicago.edu

✔️ Робот Xiaomi отработал восьмичасовую смену на заводском конвейере

На Всемирной интернет-конференции 2026 Xiaomi рассказала о двух результатах робототехнического направления.

Гуманоидный робот впервые отработал восьмичасовую смену на станции сортировки деталей, выполнил норму, сам исправлял ошибки и работал в связке с другим оборудованием.

Домашних помощников на модели Xiaomi-Robotics-1 проверяли в комплексе Xiaomi Youth Apartments, где управляемый агентом робот за 30 минут выполнил больше 50 задач подряд, перемещаясь между тремя комнатами.

Подразделение Xiaomi Robotics получило на конференции награду за технологическое лидерство.
futunn.com

@ai_machinelearning_big_data

#news #ai #ml

✔️ Anthropic запустила сайт грядущего IPO

Компания открыла лаконичный портал ipo.anthropic.com. Пока на главной странице отображается только минималистичная анимация и надпись о скором появлении деталей.

Anthropic планирует привлекать частный капитал через партнерские брокерские площадки, среди которых заявлены Interactive Brokers, Revolut и SBI. Согласно нормативным документам, только на японском рынке объем размещения может составить до 3,5 млрд долларов.

Официальная подача проспекта эмиссии состоялась 26 октября. Создатель Claude выйдет на биржу Nasdaq под тикером ANT.

Ожидается, что традиционное роуд-шоу для инвесторов стартует на неделе с 9 ноября, а сам листинг будет полностью завершен до конца этого месяца.


@ai_machinelearning_big_data

#news #ai #ml