275K subscribers
5.69K photos
1.35K videos
17 files
6.06K links
Погружаемся в машинное обучение и Data Science

Показываем как запускать любые LLm на пальцах.

По всем вопросам - @haarrp

@itchannels_telegram -🔥best channels

Реестр РКН: clck.ru/3Fmqri
Download Telegram
🌟 VeriHarness: обвязка для проверки работы агентов той же моделью

Google AI Research и Кембриджский университет открыли код VeriHarness, системы, которая проверяет результаты долгих агентных задач силами той же модели, что их сделала.

Вместе с кодом выложены около 26 тысяч трейсов агентов Gemini 3.5 flash и Opus 4.8, на генерацию которых ушло больше 100 тысяч долларов.


ИИ-агент решает одну и ту же задачу несколько раз, и каждая попытка даёт свой вариант отчёта, таблицы, документа или патча.

VeriHarness сверяет все эти варианты с файлами и данными рабочего пространства и выдаёт лучший вариант, исправленный по найденным ошибкам, вместе с журналом проверок, но эталонных ответов и критериев оценки проверяющий не видит.

Идею подсказали запуски Claude Opus 4.8 на бенчмарке APEX-Agents, где треть ответов, в которых сходились все десять попыток, оказалась ошибочной, а при расхождении верный вариант обычно был среди попыток, но голосование большинством выбирало его лишь примерно в половине случаев.


🟡 Механика

Проверка идёт в двух отдельных контекстах модели.

Первый разбирает утверждения, в которых прогоны расходятся, и подбирает проверку, которая лучше всего отделит верный вариант.

Второй ищет ошибки там, где все прогоны согласны, например пересчитывает итоги или сверяет валюту с метаданными источника.

Затем новый контекст сводит оба журнала, выбирает базовый прогон и план правок, а нерешённые вопросы помечает отдельно.

Что именно проверять, подсказывают 18 навыков, коротких инструкций со скриптами для таблиц, PDF, документов, презентаций и патчей.

Навыки умеют пополняться сами из разборов ошибок на отладочных задачах.

Протокол работает внутри Gemini CLI, Claude Code и Codex.


🟡Тесты

На пяти бенчмарках рабочих задач APEX-Agents, SpreadsheetBench 2 и JobBench, VeriHarness с правками поднял средний результат по сравнению с одиночным прогоном с 47,2 до 53,4 балла у Gemini 3.5 Flash и с 49,6 до 56,1 у Claude Opus 4.8.

Сильнее всего вырос APEX-Agents у Opus, с 35,8 до 47,5.

Без правок, в режиме выбора лучшего прогона, VeriHarness обошёл все сравниваемые методы, включая LLM-as-a-Verifier, на всех бенчмарках у обеих моделей.


📌Лицензирование: Apache 2.0


🟡Страница проекта
🟡Arxiv
🖥GitHub


@ai_machinelearning_big_data

#AI #ML #Agents #VeriHarness #Google
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍78👏62❤61🔥56💯51🤔46😁38🎉38🤓38👨‍💻8
GPU, токены и деньги: как балансировать на ИИ-арене?

15 октября на ежегодной конференции Orion soft «Большая игра» обсудят, что происходит после успешного ИИ-пилота. Промышленный сервис требует распределять GPU между моделями, управлять нагрузкой в Kubernetes, защищать обращения к LLM и понимать, какое подразделение сожгло месячный запас токенов за три дня.

На дискуссии «Deploy: Become AI-ready» топ-менеджеры ПИК, «Газпром нефти» и red_mad_robot разберут свой опыт внедрения ИИ: что меняется при переходе от эксперимента к промышленной эксплуатации, готова ли к этому корпоративная инфраструктура и как удержать расходы под контролем.

Техническая часть будет посвящена двум слоям корпоративного ИИ. Первый — запуск и масштабирование AI-нагрузок в Kubernetes с помощью Nova AI, включая распределение GPU между командами и сервисами. Второй — AI Gateway на базе StarGuard AI: единая точка доступа к моделям, через которую можно применять политики безопасности, контролировать запросы и ответы, маскировать чувствительные данные и вести аудит.

Отдельная премьера — новый продукт Orion soft для биллинга ИИ-токенов. Он должен ответить на вопрос, который быстро возникает после массового внедрения LLM: кто, какую модель и для каких задач использовал — и кому в итоге выставлять счёт.

Кроме ИИ-трека, в программе — инфраструктура, DevOps, кибербезопасность, опыт импортозамещения и демо-лаборатории с продуктами Orion soft.

📌15 октября, Москва + онлайн
🕹Deploy: Become AI-ready → регистрация
🌚63🤔43👏42👍29❤28💯24🔥21🎉15🤣3🤩2⚡1
🌟 MIT CSAIL опубликовала модель разметки анатомии на рентгеновских снимках

MIT вместе с коллегами из Массачусетской больницы общего профиля и Гарвардской медицинской школы сделала модель FleXray, которая находит и выделяет на снимке 60 анатомических структур, от рёбер и позвонков до костей таза и конечностей.

Модель работает с разными областями тела, стандартными и косыми проекциями, кадрами рентгеноскопии во время операций, снимками взрослых и детей.

На размеченных структурах можно автоматически делать измерения, например угла искривления позвоночника при сколиозе, или сопоставлять кадры рентгеноскопии с трёхмерной КТ для навигации во время вмешательств.

Патологии модель не ищет, только анатомию, и правую сторону от левой не отличает.


Внутри свёрточная сеть U-Net, снимок перед обработкой приводится к размеру 256 на 256 пикселей. Для максимального качества пять таких сетей работают ансамблем.

🟡Тесты

На восьми наборах реальных снимков с разметкой FleXray набрала в среднем 0,875 по коэффициенту Dice, который показывает, насколько выделенная область совпадает с эталонной, от 0 до 1.

Универсальные PAXray, TotalSegmentator2D и FluoroSAM она обошла на семи наборах из восьми.

Сети nnU-Net, которые обучали отдельно под каждый набор, набрали в среднем 0,914.

В оценке сколиоза средняя ошибка в угле искривления составила 5,13 градуса против 6,38 у TotalSegmentator2D.

При совмещении кадров рентгеноскопии с КТ медианная ошибка снизилась с 335 до 1,2 мм.

Попробовать FleXray можно в браузерной демоверсии, которая работает локально через WebGPU.


📌Лицензирование: CC-BY-NC-4.0


🟡Страница проекта
🟡Модель
🟡Arxiv
🟡Демо
🖥GitHub


@ai_machinelearning_big_data

#AI #ML #CV #Medical #Segmentation #FleXray
Please open Telegram to view this post
VIEW IN TELEGRAM
🤩110👏59👍36❤35🔥35🎉30💯29🤔27😁18
⚡ Anthropic представила Claude Haiku 5.5

Claude Haiku 5.5
- самая быстрая и доступная модель в линейке Claude 5.5.

Она рассчитана на задачи, где важны скорость, низкая стоимость и масштабирование: массовая обработка запросов, классификация, автоматизация, простые агенты и API-нагрузки.

Линейка Claude 5.5 теперь выглядит так:

- Opus 5.5 - максимум возможностей
- Sonnet 5.5 - баланс качества и стоимости
- Haiku 5.5 - скорость и минимальная цена

Haiku 5.5 близкоподошла к более крупным моделям прошлых поколений по качеству.

https://www.anthropic.com/claude-haiku-5-5
🔥106👍62❤43⚡41👏32😁25💯24🎉22🥱9🤩3❤‍🔥2
Media is too big
VIEW IN TELEGRAM
✔️ Anthropic даёт стартапам год Claude Team и 1000 долларов на API

Программу Claude for Startups расширили - участникам полагается год тарифа Claude Team на пять премиальных мест и 1000 долларов кредитов на разработку с Claude.

Этим шагом компания стремится переманить разработчиков и фаундеров на ранних стадиях, напрямую конкурируя с программами поддержки от OpenAI и облачных гигантов Microsoft Azure и AWS.

К участию допускаются проекты, основанные в течение последних пяти лет. Подать заявку можно на странице программы Claude for Startups.
techcrunch.com

✔️ Google открыла веб-платформу генерации браузерных игр

Платформа Playground, запущенная в рамках партнерства Google и Unity, предоставляет возможность генерации браузерной игры по текстовому запросу с настраиваемой физикой, правилами механики, окружением и внешним видом персонажей. Созданную игру можно запустить в мобильном или десктопном браузере.

В сервис встроены публичная галерея проектов, лидерборды и мультиплеер для некоторых жанров. В будущем заявлена интеграция с Unity Spark. через который можно будет экспортировать текстовые наработки в движок Unity для добавления 3D-графики и игровой логики.

На старте Playground доступен пользователям из США. Лимиты на генерацию зависят от уровня подписки Google One.
blog.google

✔️ Nous Research представила бенчмарк оценки эффективности и стоимости агентов

Исследовательская группа собрала Hermes Index, публичный лидерборд для сравнения языковых моделей внутри фреймворка Hermes Agent при максимальной глубине рассуждения.

Итоговый балл формируется на основе четырёх тестов: Terminal-Bench 4, Terminal-Bench Science, SkillsBench и нового набора Hermes Bench. В последнем агент выполняет 150 разноплановых задач в реальном рабочем пространстве, оперируя файлами и внешними инструментами.

Первое место заняла Claude Opus 5.5 с расходом около $5 на задачу, опередив GPT 6 Astra, которая показала второй результат, но оказалась самой дорогой в рейтинге - $11,6. Тройку замкнула Sonnet 5.5 ($2,8).

В бюджетном сегменте на границу Парето вышли DeepSeek V4.1 Flash (36,91 балла при 26 центах за задачу) и GPT6 Luna (14 центов). Они стали наиболее выгодными с точки зрения баланса цены и продуктивности.
nousresearch.com

✔️ ElevenLabs запустила инструмент сборки и отладки голосовых агентов через диалог

Открылось альфа-тестирование специализированного ассистента Architect, помогающего создавать, конфигурировать и оптимизировать голосовых агентов с помощью текстовых или голосовых команд.

Инструмент понимает логику, структуру баз знаний, настройки синтеза речи и системных промптов. Ему достаточно передать системе лог сбоя, статистику эскалаций на операторов или общий запрос на улучшение, после чего Architect самостоятельно выполнит анализ транскриптов, выявит узкие места и предложит готовые решения.

Все предложенные обновления фиксируются в виде версионируемых черновиков и применяются в продакшене только после ручного подтверждения.

Architect доступен внутри ElevenLabs и в Cursor, Claude Code, ChatGPT и Grok Bot.
elevenlabs.io

✔️ Boston Dynamics показала новые манипуляторы для Atlas под ручной инструмент

Новинка получила 13 степеней свободы - четыре оси на противопоставленном большом пальце и по три на остальных. Инженеры отказались от мизинца для упрощения кинематики и снижения себестоимости. Конструкция позволяет удерживать дрели, горелки и пневмопистолеты с возможностью нажатия на курок.

Механика построена на закрытых электроприводах прямого действия без тросовых тяг и выдерживает нагрузку свыше 45 кг. Подушечки пальцев и ладонь оснащены матрицами тактильных датчиков давления.

Аппаратная часть оптимизирована под sim2real. Точная проприоцепция минимизирует динамическую погрешность при моделировании - манипулятивные политики обучаются через RL в симуляции и напрямую переносятся на физического робота.
bostondynamics.com


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍72❤40👏39🤔30🎉27😁25🔥23💯22🤣1
📌Baseten выпустила бесплатный учебник по инженерии инференса

Платформа, которая хостит модели Cursor, Notion и Harvey, выложила в открытый доступ книгу Inference Engineering за авторством Филипа Кайли. который четыре года работает в Baseten и написал её по интервью с инженерами компании и собственным докладам.

Среди рецензентов - автор FlashAttention Три Дао.


Книга собирает в одном месте путь от выбора модели и GPU до мониторинга работающего сервиса.

Baseten основана в 2019 году тремя выходцами из Gumroad, четвёртым сооснователем стал Панкадж Гупта из Uber.

Компания продаёт выделенные развёртывания открытых и собственных моделей клиентов, готовые Model APIs и инфраструктуру для дообучения, а также развивает открытый фреймворк упаковки моделей Truss.


Восемь глав объясняют, как сформулировать требования к продукту, как устроены модели и где они тормозят, прежде всего в механизме внимания, разбирают GPU NVIDIA поколений Hopper и Blackwell и программный уровень, от CUDA и PyTorch до движков vLLM, SGLang, TensorRT-LLM и Dynamo.

Отдельные главы посвящены методам ускорения, моделям для речи, изображений и видео, а также эксплуатации - от автомасштабирования и батчинга до постепенной выкатки новых версий.

Новичку книга даёт карту области и порядок действий - как определить задачу, бюджет задержки, стоимости и подобрать модель, а в последующем заняться оптимизацией.

Базовые понятия вроде предзаполнения, декодирования и KV-кэша объяснены с нуля, а незнакомые термины можно найти в глоссарии.

Опытным инженерам будут интересны пороги и практические правила. Для каждой техники ускорения автор объясняет, как она устроена, при каком трафике и размере модели окупается и чем рискует качество ответов.

Отдельно сравниваются движки инференса и разобраны задачи эксплуатации, которые обычно приходится решать методом проб и ошибок.

Последний раздел посвящён продуктам компании, а оборудование рассматривается почти целиком на примере NVIDIA, другим ускорителям отведено около двух страниц.

🔜 Запросить книгу бесплатно в форматах PDF, EPUB или аудиоверсию


@ai_machinelearning_big_data

#AI #ML #Inference #Book #Baseten
Please open Telegram to view this post
VIEW IN TELEGRAM
2👨‍💻119💯57❤56👍49👏48🔥25🤔20🎉18🤓7🤝2👌1
✔️ Организатора схемы накрутки ИИ-музыки приговорили к 18 месяцам тюрьмы

Федеральный суд США назначил полтора года тюремного заключения фигуранту первого уголовного дела о мошенничестве со стриминговыми сервисами с применением генеративного ИИ.

Злоумышленник загружал в каталоги платформ Spotify и Apple Music сотни тысяч сгенерированных треков, после чего симулировал прослушивания через распределённую сеть бот-аккаунтов для получения роялти.

Чтобы обходить антифрод стримингов, схема опиралась на дробление трафика - боты распределяли фиктивные стримы тонким слоем по огромной библиотеке композиций, не поднимаясь выше триггеров аномальной активности для единичных треков.

Прецедентный приговор подсветил уязвимость традиционных эвристик безопасности платформ и вынудил их ускорить внедрение поведенческого анализа и систем выявления синтетического контента в реальном времени.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔136💯50👏41😁37❤33🎉27👍24🔥22🤨11🤣3🤬2
✔️ Meta*, DeepMind и Isomorphic Labs присоединились к проекту симуляции живых клеток

Некоммерческая научно-исследовательская организация Biohub семейного фонда Цукербергов расширила программу Virtual Biology Initiative для симуляции клеточных процессов in silico.

К проекту присоединились Google DeepMind, Meta и Isomorphic Labs Демиса Хассабиса. Общий бюджет консорциума достиг $1,8 млрд.

Задача партнерства - создать фундаментальные модели для предсказания отклика клеток на лекарственные препараты до проведения клинических экспериментов.

Для обучения модели требуются датасеты на триллионы записей и первую партию верифицированных данных планируют собрать до конца 2027 года, а готовую архитектуру представят в течение пяти лет.

Техногиганты выделяют на проект $300 млн. Министерство энергетики США направит более $500 млн на вычислительные мощности, а Национальные институты здравоохранения предоставят накопленные биологические базы.

Результаты исследований и датасеты откроют для научного сообщества. Коммерческие участники консорциума получат годичный эксклюзивный доступ к данным, собранным на их средства.

*организация признана экстремистской, её деятельность на территории РФ запрещена.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍76👏55❤46🤔38🔥34💯27🎉25😁19🥱3🤩2🌭1
📌 Кейноут Windows and Surface event

На осенней презентации 7 октября Microsoft рассказала о своих новинках и планах.

Встроенная в Windows 11 песочница Microsoft Execution Containers (MXC), которая на уровне системы ограничивает, к каким файлам и сетям допущен агент, вышла из предварительной версии.

Вместе с ней компания показала маршрутизацию задач между локальными и облачными моделями, новый Copilot и компьютеры на чипе NVIDIA RTX Spark, рассчитанные на запуск локальный моделей.

MXC уже поддерживают Codex от OpenAI, GitHub Copilot, OpenClaw, LM Studio и OpenShell от NVIDIA, следом обещаны Claude Code, Perplexity, Manus и другие агенты.

Действия агента Windows записывает отдельно от действий пользователя, а корпоративные администраторы могут управлять агентами через Intune и Agent 365.

Также Microsoft показала квантованную трёхбитную версию своей кодинг-модели MAI Code 1.1 Flash для запуска на устройствах.

До конца октября GitHub Copilot в CLI, приложении и VS Code научится сам решать, отправить задачу локальной модели или в облако.

В среду выполнения Windows ML добавят llama.cpp для запуска открытых моделей.

Ноутбук Surface Laptop Ultra на RTX Spark с унифицированной памяти до 128 ГБ будет стоить от 2599 долларов и поступит в продажу 16 октября, свои компьютеры на этом чипе готовят Asus, Dell, Lenovo, HP и MSI.

Мини-ПК Surface RTX Spark Dev Box планируют продавать от 5999 долларов, поставки в США начнутся в ноябре.

До конца года Dell и HP выпустят рабочие станции DGX Station для Windows на суперчипе GB300.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍90👏66❤40🔥36🎉22🤔17💯16😁11🤩3
Media is too big
VIEW IN TELEGRAM
✔️ OpenAI начала развёртывание GPT-6 с динамическим интерфейсом

Главное новшество – система Intelligent UI. Вместо статичного текста модель собирает под задачу интерактивные компоненты, от схем и графиков до калькуляторов и мини-игр.

Внутри своя библиотека потоковых компонентов и компилятор, который отрисовывает интерфейс по мере генерации токенов, не дожидаясь конца ответа.

Поменялся и механизм рассуждений, теперь модель чередует скрытые вычисления с генерацией текста и отдаёт частичные результаты без пауз на размышление.

GPT-6 Sol открыта на платных тарифах Plus, Pro, Business и Enterprise, облегчённая GPT-6 Luna придёт на Free и Go.
openai.com

✔️ Google представила автономного агента для корпоративной среды

На конференции Gemini at Work компания анонсировала агента для многодневных инженерных и организационных задач. Работает он как сотрудник, со своей учётной записью, почтой, календарём и хранилищем.

Вычисления идут в облаке, контекст синхронизируется между CLI, Slack и Google Workspace, модели берутся из семейств Gemini и Claude, позже обещана поддержка открытых.

Память разделена на четыре уровня – сессионный, семантический, процедурный и эпизодический, – и это позволяет накапливать знания о внутренних регламентах. К инфраструктуре агент подключается через Git, Jira, BigQuery, Databricks и MCP.

Код запускается в песочницах, действия проходят криптографическую аутентификацию. Тарифы и сроки не раскрыты.
google.com

✔️ Grok Bot научился читать посты в X

Ассистент теперь читает данные платформы напрямую, без платного X API и отдельной авторизации. Так он собирает публикации, сводит отзывы и отслеживает новостные поводы, тогда как августовской версии требовались привязка учётной записи и расход квот API.

Встроенный планировщик позволяет разбирать X по расписанию, структурировать найденное и присылать сводки в чат. Публикация твитов от имени пользователя осталась отдельной функцией и по-прежнему требует настройки авторизованного коннектора.
x.com

✔️ GitHub открыла доступ к локальной песочнице для Copilot

Механизм изолирует автономные действия агентов в VS Code, десктопном приложении и Copilot CLI, закрывая терминальным командам файловую систему хоста, сетевые сокеты, связки ключей и переменные окружения.

Строится он на движке Microsoft eXecution Container, который переводит единые правила безопасности в средства ОС, то есть в bubblewrap на Linux, Seatbelt на macOS и ProcessContainer на Windows. Изоляция не тарифицируется и работает на ресурсах самой машины.

Администраторы могут включить песочницу принудительно и запретить разработчикам менять правила на своих устройствах. Вместе с ней в Copilot CLI появилась маршрутизация запросов к локальным моделям через Ollama и поддержка Microsoft MAI Code Flash для работы без облака.
github.blog

✔️ ByteDance профинансирует ИИ-кино

Компания запустила международную программу Dreamina Originals для авторов полнометражных ИИ-фильмов и сериалов. Команды и студии получат приоритетный доступ к мощностям для работы видеомоделей, инженерные консультации и ресурсы на продвижение.

Авторам полного метра выделят до 15 млн кредитов, а дистрибуцию и подачу работ на кинофестивали ByteDance берёт на себя.

Сериалы с суммарным хронометражем около 100 минут поделены на две категории. Проекты категории S получают неограниченный доступ к токенам на производство, а категории A – до 1 млн кредитов на эпизод и гранты до 10 тысяч долларов на продвижение в YouTube, TikTok и X.

Сама программа – глобальное расширение китайской Dreamina Studio, запущенной в августе, через которую ByteDance выстраивает экосистему контента, целиком созданного нейросетями.
Dreamina AI в X


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍144🔥56❤40👏31😁29🤔23🎉21💯20🤩5🏆3
This media is not supported in your browser
VIEW IN TELEGRAM
✔️ Odyssey выпустила модель мира Odyssey-3

Новая модель стартапа Odyssey, основанного выходцами из разработки беспилотных автомобилей, по текстовому запросу создаёт интерактивное окружение и в реальном времени просчитывает, как в нём двигаются и взаимодействуют объекты.

Попробовать её можно на сайте компании, вышли две версии, Odyssey-3 с разрешением 832х480 пикселей и Odyssey-3 Pro с разрешением 1280х720.


Модель продолжает видео кадр за кадром с опорой на предыдущие и на ходу принимает команды и запросы, а на каждый фрагмент тратит всего несколько шагов генерации, поэтому успевает отвечать в реальном времени.

По сгенерированному миру можно перемещаться от первого или третьего лица, отдельно управлять камерой и во время генерации добавлять события, на которые сцена реагирует.

Odyssey позиционирует новинку как симулятор для обучения роботов и других физических систем. Поверх неё обучают отдельные декодеры действий и политики управления.

На Physics-IQ Verified, который проверяет, насколько правдоподобно модель продолжает видео с физическими процессами, Odyssey-3 Pro набрала 66,1 балла, это лучший опубликованный результат на этом наборе.

На WorldMark модель заняла первое место в трёх категориях из четырёх, а в генерации реалистичных сцен от первого лица оказалась третьей, уступив Lyra 2.0 и AlayaWorld.

Доступ к API запрашивается через портал для разработчиков, стоимость неизвестна.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤩100👏47❤44👍43😁28🤔25🎉22🔥21💯18🙈1
🔍 Microsoft выпустила модель, которая только принимает решения. В 35 раз быстрее GPT-6 Sol, выходные токены бесплатно

Microsoft-Decision-1 получает запрос и фиксированный набор вариантов и за один проход выдаёт откалиброванную вероятность для каждого. Да/нет, выбор из списка, рейтинг, оценка ответа ИИ или действия агента по рубрике. Внутри Qwen3.5-9B после пост-трейна.

На 36 закрытых бенчмарках, почти 150 тысяч вопросов, модель показала лучшую точность среди LLM и других decision-моделей. По задержке она в 4,5 раза быстрее ближайшего конкурента и в 35 раз быстрее GPT-6 Sol. На перефразированных и перемешанных вариантах решение меняется лишь в 1,3% случаев.

Внутри Microsoft её уже используют. Xbox Research разметили 10 тысяч отзывов с качеством уровня GPT-6 Sol, но в 14 раз быстрее и в 200 раз дешевле. В Copilot модель оценивает ответы агентов в 100 раз быстрее GPT-5.6 Luna.

Цена $0,042 за миллион входных токенов. Уже в Microsoft Foundry, скоро на OpenRouter.

https://commandline.microsoft.com/microsoft-decision-1-model-foundry/

@ai_machinelearning_big_data

#Microsoft
Please open Telegram to view this post
VIEW IN TELEGRAM
👍182❤51👏44🎉44😁38🔥34💯31🤔22
📌 Humanity's Sixth Sense: мультимодальные модели все еще отстают в когнитивном восприятии

Исследовательское подразделение Scale Labs в партнерстве с Elorian представило бенчмарк Humanity's Sixth Sense, созданный для проверки способности ИИ интерпретировать скрытые социальные сигналы и пространственные взаимосвязи на изображениях и видео.

Набор тестов состоит из 522 вопросов по 288 статичным сценам и 234 видеофрагментам (оценка габаритов разъезда автомобилей, мотивы поведения людей, негласная иерархия в кадре и т.д)

Испытания 25 актуальных мультимодальных моделей зафиксировали заметное отставание от человека.

Контрольная группа людей набрала 93,1% точности, лидирующая GPT-6 Astra - 53,6%. Результаты GPT-6.1 Sol и Claude Opus составили 46,6% и 44,6%, медиана по выборке - 30,9%.


Детальный разбор более 8,5 тысяч неудачных ответов показал, что 94% из них вызваны сбоями первичного машинного зрения - модели пропускают маркеры в кадре и теряют контекст. На ошибки в логике рассуждений пришлось всего 5%.

Увеличение вычислительного бюджета (в среднем 4000 токенов на ответ) не решило проблему, а иногда еще и снижало точность. Эмуляция фокусировки через кроп также дала минимальный эффект.

Scale Labs по итогу тестов пришли к выводу, что масштабирование логического вывода не компенсирует ограничения базовой архитектуры компьютерного зрения.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
1🤔109👏52❤50😁44👍35🔥32🎉29💯29💔9😐5🙉1
Media is too big
VIEW IN TELEGRAM
✔️ Anthropic апрувнул все заявки на Claude Code Projects

Все, кто подавался с тарифов Pro и Max - проверяйте.

Для тех кто не в курсе, Anthropic записали видеообзор новой сущности, разработанной на основе Projects, но для Claude Code.

В отличие от стандартных проектов в веб-интерфейсе, которые работают как изолированные базы знаний для чата, Claude Code Projects превращают рабочее пространство в среду для полноценного автономного агента, способного координировать сложную разработку.



@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🎉138👍49❤34💯31🔥28🤩28🤔27👏26😁20👌2💔1
Media is too big
VIEW IN TELEGRAM
✔️ Главы ИИ-компаний готовятся к жёсткой реакции властей на крупный инцидент

Руководители ведущих лабораторий проводят закрытые учения, моделируя кризис после крупного инцидента с участием ИИ.

Инсайдеры индустрии ждут крупной кибератаки с отключением банковских систем, связи или энергосетей в ближайшие 6–12 месяцев и считают, что первый же серьёзный ущерб вызовет резкую реакцию общества, а ответственность возложат на создателей моделей.

Кроме стресс-тестов самой защиты лаборатории озабочены политикой и опасаются, что Конгресс США, не разбираясь в деталях, в панике примет радикальные меры.

В OpenAI подтвердили, что проводят такие учения, Anthropic комментировать отказалась.
axios.com

✔️ Создатели модели принятия решений Jev привлекли 870 млн долларов

Раунд стартапа TypeSafe AI возглавил Andreessen Horowitz при участии Sequoia Capital. В команде чуть больше двадцати человек, в основном выходцы из OpenAI, Google и лаборатории Цукерберга.

Несмотря на раннюю стадию, стартап заявил о выходе на чистую прибыль, точных показателей не раскрыв. Единственный его продукт – модель Jev, представленная несколько недель назад.

По словам TypeSafe, она обрабатывает десятки миллиардов токенов в день, набрала больше миллиона пользователей, а тестирует её примерно треть компаний из Fortune 500.

Деньги пойдут на инфраструктуру, найм инженеров и закупку мощностей.
bloomberg.com

✔️ Anthropic выпустила ИИ-сканер уязвимостей для открытого кода

OSS Scanner – бесплатный аудит безопасности открытых проектов, который выполняют модели компании.

Предварительную проверку в отделе ИБ Anthropic отчёты не проходят, зато содержат описание уязвимости, способ её воспроизвести и, если нужно, предложения по правке.

В пилоте участвовали PostgreSQL, wolfSSL, OpenSSL и curl, и, по словам создателя curl Даниэля Стенберга, сканер нашёл одну из самых серьёзных уязвимостей библиотеки за последние годы.

Проекты подключают через пул-реквест в репозитории на GitHub.
anthropic.com

✔️ JetBrains представила открытую модель для кодинг-агентов

Mellum 2.1 – обновление модели на архитектуре MoE с 12 млрд параметров, из которых активны 2,5 млрд.

Этап посттренинга переработан, обучение с подкреплением перенесли в реальные изолированные среды и прогнали миллионы запусков в песочницах. Модель теперь ориентируется в кодовой базе, сама правит файлы и проверяет результат собственными тестами.

Предсказание нескольких токенов разом ускорило генерацию одиночных запросов примерно в 1,6 раза, а под высокой нагрузкой на одном ускорителе H200 модель выдаёт почти вдвое большую пропускную способность, чем Qwen3.5-9B.

Веса лежат на Hugging Face под лицензией Apache 2.0, сборки GGUF для llama.cpp, Ollama и LM Studio обещают выпустить в ближайшее время.
jetbrains.com

✔️ OpenRouter отдала отдел продаж агенту

Инструмент Rasp на собственном движке Ori экономит команде из пяти менеджеров около 600 часов в месяц.

Агент взял на себя оценку заявок, справки перед звонками, выжимки из расшифровок и заполнение CRM, время на одно обращение упало со 103 до 44 минут. По данным компании, цикл закрытия сделок ускорился на 34%, конверсия выросла вдвое.

Расходы на бота упали с 800 долларов у первых прототипов до 30 долларов в день, из которых 18 уходит на инференс модели GLM 5.2.

Снизить стоимость удалось слоем маршрутизации Ori, который сам подбирает модель под подзадачу.
openrouter.ai

@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍142❤51👏47🤔47😁34🎉24💯22🔥16🤣2😎2👌1
✔️ Криптоиндустрии пора готовиться к взлому кошельков с помощью ИИ

Исследователь Джастин Дрейк предложил блокчейн-индустрии готовиться к режиму бункера, то есть к массовому переводу средств на новые адреса на случай, если ИИ поможет взломать ECDSA.

На этой схеме цифровой подписи держатся кошельки Bitcoin и Ethereum.


По словам Дрейка, теперь разумно допускать, что ECDSA сломают раньше, чем появятся достаточно мощные квантовые компьютеры, и в худшем случае счёт пойдёт на месяцы.

Взломом он считает возможность за неделю восстановить закрытый ключ на кластере GPU.


Поводом Дрейк называет недавние математические результаты, полученные с помощью ИИ, в том числе 722 работы внутренней модели OpenAI.

Защита, которую он предлагает, опирается на устройство адресов. Пока с адреса не отправили ни одной транзакции, в блокчейне виден только хеш открытого ключа, а восстановить ключ по хешу нельзя.

Первая же подпись раскрывает открытый ключ, и тогда при взломе ECDSA по нему можно вычислить закрытый.

Поэтому Дрейк советует держать средства на адресах, которые ещё ничего не подписывали, а после каждой подписи переводить остаток на новый адрес. Новой криптографии и новых кошельков для этого не нужно.

Крупных игроков, Binance, Robinhood и Tether, он призвал заранее укрепить холодное хранение и при этом предостерёг от паники и спешки.

Сооснователь Ethereum Виталик Бутерин в ответе согласился с Дрейком, но не советует никому срочно переводить средства.

На неудачных миграциях, по его словам, он сам потерял больше денег, чем на взломах.


Бутерин считает, что успехи ИИ в математике могут ударить и по решёточным схемам вроде ML-DSA, которые сейчас считают устойчивыми к квантовым атакам, поэтому в будущем предлагает строить защиту по возможности только на хеш-функциях.

Ни одной практической атаки на ECDSA пока не известно, предупреждение Дрейка - оценка рисков.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔115🔥90❤31👍28🎉20💯19👏18🤨12🙏7👌6🥰3
📌 Астрофизик Брис Менар собрал с помощью Claude Science первую полную карту неба в ультрафиолете

Карту всего неба в дальнем и ближнем ультрафиолете исследователь Университета Джонса Хопкинса собрал вместе с ИИ-агентами Claude Science, рабочего пространства Anthropic для учёных.

Агенты сами нашли и скачали открытые данные нескольких космических миссий, очистили их, привели к общей калибровке, разрешению и свели в одну карту.

Менар, по его словам, только ставил задачи и проверял результаты, а Claude часами считал самостоятельно. Работа заняла несколько дней этим летом и претерпела больше десятка версий.

Основа карты – около 38 тысяч снимков телескопа NASA GALEX, который в 2003–2013 годах покрыл примерно две трети неба, но обходил яркие области, в том числе большую часть плоскости Галактики.

Часть пробелов закрыли данные Swift и корейской FIMS/SPEAR, а оставшуюся треть неба, где ультрафиолет никто не измерял, пришлось высчитывать.

Для этого Claude по измеренной части неба выучил, как яркость в ультрафиолете связана с яркостью в видимом, инфракрасном и радиодиапазоне по данным Planck и Gaia.

На проверке, когда участки с известными измерениями скрывали и восстанавливали заново, прогноз расходился с реальными данными примерно на 10%.

🟡 Совсем без человека не обошлось

На ранних версиях остались едва заметные круглые следы от свечения атмосферы на отдельных снимках GALEX, и две проверки агентов их пропустили.

Заметил их Менар, после чего Claude за несколько часов исправил все 38 тысяч снимков.

Карту Менар предлагает использовать прежде всего в обучении, а другим учёным советует вернуться к отложенным проектам, которые теперь можно поручить агентам.

Интерактивная версия с измеренными и предсказанными слоями открыта на сайте Университета Джонса Хопкинса.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👨‍💻97👍49❤44👏41🤔24🤩22💯21🎉18😁12🔥11🌭1