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.
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.
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.
@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
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 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.
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.
@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
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
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
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
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
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
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
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.
@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
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
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
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
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
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
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
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
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
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-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
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
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
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
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
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
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
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
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
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%.
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