🙂 Цену покупки Hugging Face выбрали не случайно

Объявляя о покупке Hugging Face, сооснователь компании Томас Вольф написал:

... особые поздравления тому, кто найдёт отсылки к Hugging Face и Nvidia, спрятанные в цене сделки - 12 930 300 000 долларов.

Разгадывать бросились всем твиттером и первую нашли быстро.

Число 129 303 - это десятичная запись Unicode U+1F917, то есть эмодзи 🤗, который официально так и называется: Hugging Face.

Вольф подтвердил догадку и намекнул, что есть и вторая, связанная с Nvidia. С ней помучались.

Число разобрали на составные части 12, 93 и 03, объясняя, что двенадцать - это цена акции Nvidia на IPO 1999 года, девяносто три - год основания компании, ноль три - три сооснователя: Дженсен Хуанг, Крис Малаховски и Кёртис Прием.

Версия красивая, стройная и неверная.

Правильный ответ подсказал гендиректор Hugging Face Клеман Деланг, отправив комментатору ссылку на реестр названий цветов.

Если записать то же число как шестнадцатеричный код цвета #129303, получится зелёный, цвет Nvidia.

Педантичности ради - официальный зелёный Nvidia это #76B900, оттенок другой. Так что отсылка тут не к точному фирменному цвету бренда, а к зелёному цвету как таковому.

@ai_machinelearning_big_data

#news #ai #ml

✔️ OpenAI открыла доступ к GPT-6 Astra

Модель стала доступна подписчикам Pro, Enterprise и Business Premium - сразу в ChatGPT Work, в среде разработки Codex и через API.

Пользователям Plus и обычного Business её раскатают в течение нескольких дней.
OpenAI в X

✔️ Агенты Claude за 11 дней формализовали знаменитую теорему Ферма

За основу взята упрощенная версия доказательства Уайлса от Дармона, Даймонда и Тейлора. Сгенерировано 13 млн строк кода и 30 300 промежуточных теорем, из которых в финальное доказательство вошли 29 500. Результат проверил компилятор Lean и подтвердил математик Кевин Баззард, ведущий проект формализации этой теоремы с 2024 года.

Первые попытки проваливались. Агенты теряли состояние проекта и переставали координироваться, их неудачные заходы дали около 7% строк итогового кода. Сработало после перехода на платформу Prove2Me, которая держит граф теорем и позволяет агентам работать параллельно, смягчая деградацию памяти на длинной дистанции.

Полностью автономным процесс не был - человек изредка давал указания верхнего уровня. Смысл автоматизации в том, что люди-рецензенты уже не успевают проверять поток доказательств, а формализация снимает с них часть нагрузки.
anthropic.com

✔️ NVIDIA сделала роутер, который раскидывает запросы по видеокартам в локальной сети

PAIR (Personal AI Router) - открытый маршрутизатор, объединяющий видеокарты внутри локальной сети под одной точкой входа.

Он сам находит хосты с GeForce RTX, RTX Pro и машины на macOS. При локальном инференсе роутер следит за загрузкой оборудования, свободной видеопамятью и статусом запущенных моделей, а входящие запросы отправляет на наименее занятые узлы. Настраивать кластер руками не нужно.

Приложениям и средам разработки все это видится как один локальный эндпоинт, совместимый с API OpenAI.

Бета-версия доступна для Windows, macOS и Linux.
nvidia.com

✔️ Sakana AI предложила универсальный детектор ИИ-изображений

Японский стартап выпустил Percept-Lens - бенчмарк на 36 млн изображений и метод распознавания синтетики, основанный на связке визуальных энкодеров и линейном классификаторе а основе расстояния Махаланобиса.

Проблема, которую лечит метод - потеря от 20 до 36 процентных пунктов точности у существующих детекторов при смене модели или типа сжатия. Эксперименты Sakana показали, что обычные визуальные представления общего назначения уже содержат сигнал, разделяющий настоящие кадры и сгенерированные, - специально его выучивать не нужно.

На 39 датасетах энкодер PE-Core и метод Mah-NCM дали среднюю точность 94,46%. Причем хватило 219 размеченных опорных изображений, чтобы выйти на 90,89% и обойти существующие решения.
sakana.ai

✔️ Cohere измерила, насколько MCP-инструменты закрывают рабочие задачи

Cohere Labs выложила открытый датасет Agentic Task Ecosystem из 700 тысяч инструментов на базе MCP, собранных со 123 тысяч публичных серверов.

Анализ набора показал, что довести профессиональную задачу от начала до конца без человека способны только 2,6% инструментов. Для 419 профессий из 923 базы ONET не создано вообще ничего. Остальное - микрозадачи и инфраструктура для управления агентами. Лучше всего автоматизация приживается там, где работа и раньше шла через специализированный софт.

Роли делятся по-разному в зависимости от области. В юриспруденции, производстве и продажах агенты забирают рутину, а в ИТ и здравоохранении наоборот - ИИ берет на себя сложную аналитику, оставляя людям базовые процессы.
cohere.com

@ai_machinelearning_big_data

#news #ai #ml

✔️ Google DeepMind выпустила метеорологическую модель WeatherNext 3

WeatherNext 3 - глобальная модель прогноза погоды на архитектуре Functional Generative Network.

По независимым замерам сервиса Brightband, это самая точная глобальная модель погоды на сегодня.

В третьей версии отказались от тяжелых физических симуляций численного прогноза и модель напрямую обрабатывает потоковые мозаики с геостационарных спутников и показания наземных метеостанций.

Это позволило сократить цикл генерации нового прогноза до одного часа, а пространственное разрешение температуры и влажности повысить до сетки 5 × 5 км, что в пять раз детальнее чем у WeatherNext 2 с её сеткой в 25 километров.

Существенный прогресс достигнут и в моделировании осадков - обучение на спутниковых радарах и массивах NASA IMERG снизило вероятностную ошибку на величину до 60%, что дает модели точнее очерчивать границы штормовых фронтов без размытия.

Отдельно добавили величины для возобновляемой энергетики: скорость ветра на ста метрах (примерно на высоте турбины), плюс облачность и уровень солнечной радиации.

Данные доступны через BigQuery, Earth Engine и Cloud Storage. В Google Search, приложении Gemini, Google Maps и Weather API модель уже подключена.


@ai_machinelearning_big_data

#news #ai #ml

🖥 Дженсен Хуанг заявил, что с выходом GPT-6 Astra «AGI уже наступил»

Глава Nvidia сообщил, что модель обучалась на инфраструктуре с более чем 100 тысячами Grace Blackwell, объединёнными через NVLink. Путь от появления ChatGPT до Astra занял около четырёх лет.

Вскоре к инфраструктуре добавят ещё 400 тысяч ускорителей, и связывает дальнейшее масштабирование с возможным движением к ASI и рекурсивному самосовершенствованию AI-систем.

https://x.com/JensenHuang/status/2096700264569090384

@ai_machinelearning_big_data

#openai #agi #chatgpt

⚡️ OpenAI изменила расход квоты на Astra

Тибо, главный рупор сброса лимитов в сети X, сообщил об изменениях в том, как Astra расходует квоту подписки ChatGPT.

По его словам, качество модели остаётся прежним, а вот использование подписки значительно снижено, до трех-четырёх раз меньше, чем раньше.

Судя по формулировке, речь о пересчёте того, как потребление учитывается на стороне учётки ChatGPT.

🟡Предыстория

Astra сначала вышла ограниченным превью, платные подписчики её не увидели, и OpenAI начала начислять по одному отложенному сбросу квоты за каждый день ожидания.

5 сентября сентября OpenAI объявили о завершении раскатки и полном сбросе квот для всех Plus, Pro и Business.

Через двое суток на GitHub пошли жалобы на слишком быстрый расход лимитов - пользователи Plus сообщали, что упираются в лимит примерно за двадцать минут, а обладатели тарифов Pro - что за сутки сжигают заметную часть недельной квоты.

Ну и да, лимиты использования для всех тарифов опять сбросили.

@ai_machinelearning_big_data

#news #ai #ml