Anthropic разрабатывает собственные ИИ-чипы с помощью Claude
По данным The Information, команда всего из 15 инженеров Anthropic использует Claude для проектирования собственных ИИ-ускорителей.
Разработчики утверждают, что нейросеть заметно ускоряет работу по сравнению с их оценками традиционного процесса проектирования микросхем.
Anthropic идёт по пути OpenAI, которая также разрабатывает собственный чип под кодовым названием Jalapeño.
Интересно, что Claude уже помогает создавать аппаратное обеспечение, на котором в будущем могут работать сами ИИ-модели.
https://www.theinformation.com/articles/anthropic-touts-claudes-chip-design-skills-ipo-investors
По данным The Information, команда всего из 15 инженеров Anthropic использует Claude для проектирования собственных ИИ-ускорителей.
Разработчики утверждают, что нейросеть заметно ускоряет работу по сравнению с их оценками традиционного процесса проектирования микросхем.
Anthropic идёт по пути OpenAI, которая также разрабатывает собственный чип под кодовым названием Jalapeño.
Интересно, что Claude уже помогает создавать аппаратное обеспечение, на котором в будущем могут работать сами ИИ-модели.
https://www.theinformation.com/articles/anthropic-touts-claudes-chip-design-skills-ipo-investors
👍26❤24🔥24😁24🤔20👏19💯19🎉17🤣8
У OpenAI уже есть модели значительно мощнее публичных
Два графика из публикаций OpenAI показывают, насколько далеко продвинулись внутренние модели компании в решении сложных научных задач.
Слева результаты из свежей публикации, справа из предыдущей работы, посвящённой уравнениям Навье - Стокса.
Судя по представленным результатам, экспериментальные модели OpenAI демонстрируют заметный прогресс. Причём речь может идти о гораздо более серьёзных улучшениях, чем обычное обновление ChatGPT.
Пока эти модели недоступны пользователям, а их реальные возможности за пределами опубликованных тестов остаются неизвестными.
Источник: https://x.com/OpenAI/status/2117692475775258785
Два графика из публикаций OpenAI показывают, насколько далеко продвинулись внутренние модели компании в решении сложных научных задач.
Слева результаты из свежей публикации, справа из предыдущей работы, посвящённой уравнениям Навье - Стокса.
Судя по представленным результатам, экспериментальные модели OpenAI демонстрируют заметный прогресс. Причём речь может идти о гораздо более серьёзных улучшениях, чем обычное обновление ChatGPT.
Пока эти модели недоступны пользователям, а их реальные возможности за пределами опубликованных тестов остаются неизвестными.
Источник: https://x.com/OpenAI/status/2117692475775258785
😁42💯42❤33🔥33👍31🎉29🤔27👏26🤣10
Tencent выпустила Hy4. Новая модель конкурирует с GPT и Claude
Китайская Tencent представила Hy4 с поддержкой изображений, программирования и управления компьютером через интерфейс и терминал.
По результатам опубликованных тестов модель пока уступает лидерам, но уже показывает неплохие результаты:
ProgramBench: Hy4 - 30 баллов, GPT-6.1 Sol - 46, Claude Opus 5.5 - 56,5.
Terminal Bench 4.0: Hy4 - 44,4, GPT - 55,5, Claude - 66,4.
OSWorld 2.1: Hy4 - 78,9, GPT - 75,2, Claude - 81,8.
. В тесте управления компьютером Hy4 обходит GPT и приближается к Claude.
Модель поддерживает контекст до 1 млн токенов и ориентирована на разработку, работу с документами, автоматизацию и создание интерфейсов.
https://hy.tencent.ai/research/hy4?langVersion=en
Китайская Tencent представила Hy4 с поддержкой изображений, программирования и управления компьютером через интерфейс и терминал.
По результатам опубликованных тестов модель пока уступает лидерам, но уже показывает неплохие результаты:
ProgramBench: Hy4 - 30 баллов, GPT-6.1 Sol - 46, Claude Opus 5.5 - 56,5.
Terminal Bench 4.0: Hy4 - 44,4, GPT - 55,5, Claude - 66,4.
OSWorld 2.1: Hy4 - 78,9, GPT - 75,2, Claude - 81,8.
. В тесте управления компьютером Hy4 обходит GPT и приближается к Claude.
Модель поддерживает контекст до 1 млн токенов и ориентирована на разработку, работу с документами, автоматизацию и создание интерфейсов.
https://hy.tencent.ai/research/hy4?langVersion=en
❤32💯22🔥18😁16👍15🤔13🎉12👏11🥰3🤣2
Инженеры Google дали Gemini 4 Argon через Antigravity научную модель океана FVCOM. В исходном проекте было 174 тысячи строк Fortran и C, накопленных за десятилетия.
Агент самостоятельно изучил код, составил план миграции, переписал основные вычислительные модули на Rust, запустил тесты и оптимизировал производительность.
Результаты эксперимента:
- 59 минут на миграцию основного вычислительного ядра.
- Ускорение симуляции в 1,88 раза.
- Потребление памяти снизилось на 54%.
- Обнаружено 6 старых ошибок, включая переполнения и выходы за границы массивов.
- 96,8% покрытия ветвей тестами.
- Численные результаты совпали с оригиналом до 12 знаков после запятой на 100 тестовых сценариях.
В новом коде полностью запретили
unsafe. Для ускорения агент убрал лишние выделения памяти внутри циклов, переработал структуры данных и применил LLVM PGO.При первом запуске один тест упал из-за ошибки в расчётах для мелководья. Агент сам разобрал трассировку, исправил код и повторно прогнал тесты.
Google выложила использованный workflow в виде открытого skill для Antigravity. Запуск миграции выглядит так:
/migrate-to-rust <github-repo-url>https://antigravity.google/blog/modernizing-40-year-old-scientific-code-with-gemini-4-argon
@data_analysis_ml
#rust #Google #Argon
Please open Telegram to view this post
VIEW IN TELEGRAM
❤50👍27🔥18💯17😁15👏13🤔11🎉11
This media is not supported in your browser
VIEW IN TELEGRAM
🤣39❤23🤔18😁17🔥15👏15🎉14👍13💯10
🔥️️️️️️ Google научила ИИ самостоятельно уточнять правила, когда даже человек не знает, чего хочет
Google Research представила Agile Deliberation, систему для создания ИИ-классификаторов, которым приходится работать с субъективными понятиями.
Например, как научить нейросеть отличать здоровую еду от нездоровой? Салат подходит, бургер нет. А фруктовый смузи с большим количеством сахара?
Обычный подход требует заранее написать подробные правила. Agile Deliberation сама находит спорные изображения и предлагает человеку решить, к какой категории их отнести.
На основе ответов LLM автоматически уточняет инструкции для визуальной модели. Причём без дообучения и изменения весов.
В исследовании использовали Gemini 2.5 Pro и Flash.
Результаты экспериментов:
- До 11% прироста F1 относительно базового классификатора.
- На 7,5% выше F1 по сравнению с автоматическим разбиением категорий.
- Более чем на 3% выше F1 по сравнению с ручной настройкой.
- Все 18 участников исследования предпочли новый подход ручному редактированию промптов.
Google открыла исходный код и опубликовала демонстрацию в Colab.
Исследование: https://research.google/blog/agile-deliberation-how-ai-helps-humans-define-the-gray-areas/
Google Research представила Agile Deliberation, систему для создания ИИ-классификаторов, которым приходится работать с субъективными понятиями.
Например, как научить нейросеть отличать здоровую еду от нездоровой? Салат подходит, бургер нет. А фруктовый смузи с большим количеством сахара?
Обычный подход требует заранее написать подробные правила. Agile Deliberation сама находит спорные изображения и предлагает человеку решить, к какой категории их отнести.
На основе ответов LLM автоматически уточняет инструкции для визуальной модели. Причём без дообучения и изменения весов.
В исследовании использовали Gemini 2.5 Pro и Flash.
Результаты экспериментов:
- До 11% прироста F1 относительно базового классификатора.
- На 7,5% выше F1 по сравнению с автоматическим разбиением категорий.
- Более чем на 3% выше F1 по сравнению с ручной настройкой.
- Все 18 участников исследования предпочли новый подход ручному редактированию промптов.
Google открыла исходный код и опубликовала демонстрацию в Colab.
Исследование: https://research.google/blog/agile-deliberation-how-ai-helps-humans-define-the-gray-areas/
❤38👍24🔥17👏14🎉13💯13🤔11😁8🥱2
Модель на 65 млрд параметров обошла 501-миллиардную модель в тесте для ИИ-агентов
Ricursive Intelligence представила Ripple-65B Preview, открытую модель для программирования и работы ИИ-агентов.
По опубликованным разработчиками результатам, Ripple набрала 80,5% в Terminal-Bench 2.1, обойдя Reflection Beam-501B с результатом 80,1%.
При этом есть нюанс: Ripple использует все 65 млрд параметров при каждом запросе, а Beam построена на архитектуре MoE и активирует только 23 млрд из 501 млрд параметров.
Характеристики Ripple-65B:
- 65 млрд параметров.
- Контекст до 1 млн токенов.
- Обучение на 12 трлн токенов.
- Заявленный вычислительный бюджет обучения $32 млн.
- Лицензия Apache 2.0.
- Открытые веса и возможность локального запуска.
Особенно интересно, что модель обучали с нуля, а не дорабатывали существующую LLM.
Terminal-Bench проверяет способность ИИ-агентов выполнять реальные задачи в терминале: работать с кодом, инструментами и окружением.
Разница в 0,4 процентного пункта сама по себе невелика, а результаты пока основаны на заявлениях разработчиков. Но появление открытой модели такого размера с конкурентоспособными показателями в агентном программировании заслуживает внимания.
https://ricursive.com/ripple
Ricursive Intelligence представила Ripple-65B Preview, открытую модель для программирования и работы ИИ-агентов.
По опубликованным разработчиками результатам, Ripple набрала 80,5% в Terminal-Bench 2.1, обойдя Reflection Beam-501B с результатом 80,1%.
При этом есть нюанс: Ripple использует все 65 млрд параметров при каждом запросе, а Beam построена на архитектуре MoE и активирует только 23 млрд из 501 млрд параметров.
Характеристики Ripple-65B:
- 65 млрд параметров.
- Контекст до 1 млн токенов.
- Обучение на 12 трлн токенов.
- Заявленный вычислительный бюджет обучения $32 млн.
- Лицензия Apache 2.0.
- Открытые веса и возможность локального запуска.
Особенно интересно, что модель обучали с нуля, а не дорабатывали существующую LLM.
Terminal-Bench проверяет способность ИИ-агентов выполнять реальные задачи в терминале: работать с кодом, инструментами и окружением.
Разница в 0,4 процентного пункта сама по себе невелика, а результаты пока основаны на заявлениях разработчиков. Но появление открытой модели такого размера с конкурентоспособными показателями в агентном программировании заслуживает внимания.
https://ricursive.com/ripple
❤14🎉14👏11👍7🤔7🤣7💯6😁5🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Исследователи Стэнфорда сравнили четыре ИИ-ускорителя на 220 реальных профессиональных задачах. На каждом запускали одну и ту же модель Qwen3.6-27B, оценивая полезный результат относительно потреблённой энергии.
По опубликованным результатам, NVIDIA B200 превзошла AMD MI350X по двум показателям:
- Более чем в 4 раза по денежной ценности выполненной работы на единицу энергии.
- Более чем в 9 раз по времени экспертов, сэкономленному на единицу энергии.
Исследователи оценивали не только скорость генерации токенов, но и экономическую полезность ответов модели.
Ускоритель может показывать хорошие результаты в стандартных бенчмарках, но уступать конкуренту по количеству действительно полезной работы на каждый потреблённый киловатт-час.
Модель оставалась неизменной, различались аппаратная платформа и условия выполнения.
Результаты не означают, что B200 всегда выгоднее MI350X: для полной оценки стоимости эксплуатации нужно учитывать цену оборудования, загрузку, охлаждение и программные оптимизации.
Источник: https://x.com/JonSaadFalcon/status/2118079242340814896
Please open Telegram to view this post
VIEW IN TELEGRAM
👍27🔥17❤11🤔10😁9💯8🎉7👏4🥴4
Claude восстановил сотни файлов после атаки шифровальщика без ключа дешифрования
На Reddit пользователь рассказал, как с помощью Claude смог восстановить около двух третей из 700 файлов, зашифрованных вирусом-вымогателем ещё в 2019 году.
Сначала Claude объяснил, что расшифровать данные практически невозможно. Вредоносная программа использовала AES с отдельным ключом для каждого файла, а сами ключи защищались RSA. Перебор здесь бесполезен.
Но при сравнении повреждённых файлов с исходными образцами обнаружилась интересная деталь: шифровальщик изменял только первые 16 КБ каждого файла. Остальное содержимое оставалось нетронутым.
Claude написал отдельные инструменты восстановления для JPEG, PNG, PSD, Excel, PDF и MP4. Они использовали особенности форматов, чтобы попытаться восстановить заголовки, структуру и доступ к сохранившимся данным.
В результате, по словам автора, удалось вернуть значительную часть файлов без получения ключей шифрования.
История интересна тем, что Claude не взламывал AES или RSA. Он нашёл слабость в реализации конкретного шифровальщика и использовал знание файловых форматов.
Это единичный пользовательский отчёт, а не независимо подтверждённый результат. Метод применим только к некоторым случаям частичного шифрования и не гарантирует полного восстановления содержимого.
https://www.reddit.com/r/ClaudeAI/comments/1xn6tu3/i_gave_claude_700_ransomware_encrypted_files_it/
На Reddit пользователь рассказал, как с помощью Claude смог восстановить около двух третей из 700 файлов, зашифрованных вирусом-вымогателем ещё в 2019 году.
Сначала Claude объяснил, что расшифровать данные практически невозможно. Вредоносная программа использовала AES с отдельным ключом для каждого файла, а сами ключи защищались RSA. Перебор здесь бесполезен.
Но при сравнении повреждённых файлов с исходными образцами обнаружилась интересная деталь: шифровальщик изменял только первые 16 КБ каждого файла. Остальное содержимое оставалось нетронутым.
Claude написал отдельные инструменты восстановления для JPEG, PNG, PSD, Excel, PDF и MP4. Они использовали особенности форматов, чтобы попытаться восстановить заголовки, структуру и доступ к сохранившимся данным.
В результате, по словам автора, удалось вернуть значительную часть файлов без получения ключей шифрования.
История интересна тем, что Claude не взламывал AES или RSA. Он нашёл слабость в реализации конкретного шифровальщика и использовал знание файловых форматов.
Это единичный пользовательский отчёт, а не независимо подтверждённый результат. Метод применим только к некоторым случаям частичного шифрования и не гарантирует полного восстановления содержимого.
https://www.reddit.com/r/ClaudeAI/comments/1xn6tu3/i_gave_claude_700_ransomware_encrypted_files_it/
❤37🔥20👍15👏6😁6🎉4🤔3💯2
Google раскрыла устройство EmbeddingGemma 2: мультимодальная модель на 740 млн параметров, работающая прямо на смартфоне
Google DeepMind опубликовала технический отчёт EmbeddingGemma 2 с подробностями архитектуры, обучения и результатами экспериментов.
Модель преобразует текст, код, изображения, аудио и видео в единое векторное пространство. Например, можно искать нужный фрагмент видео текстовым запросом или находить изображения по описанию.
Ключевые цифры:
- 740 млн параметров в полной мультимодальной конфигурации.
- 270 млн достаточно для работы только с текстом и кодом.
- 567 МБ памяти для весов полной модели с int4-квантованием.
- 768 измерений у эмбеддингов с возможностью сокращения до 512, 256 или 128 благодаря Matryoshka Representation Learning.
- 8192 токена контекстного окна.
По результатам авторов, EmbeddingGemma 2 превосходит ряд специализированных моделей и конкурентов, которые в 2–12 раз крупнее, на задачах мультимодального поиска.
Архитектура модульная: ненужные энкодеры можно отключать, экономя память. Например, для семантического поиска по кодовой базе не требуется загружать компоненты обработки аудио и изображений.
В отчёте также разобраны этапы обучения и ablation studies, показывающие вклад отдельных архитектурных решений.
Модель доступна с открытыми весами под Apache 2.0. Для разработчиков особенно интересны локальный RAG, поиск по репозиториям, мультимодальные базы знаний и приложения без передачи пользовательских данных в облако.
Исследование: https://arxiv.org/abs/2610.37364
Модель: https://huggingface.co/google/embeddinggemma-2
Google DeepMind опубликовала технический отчёт EmbeddingGemma 2 с подробностями архитектуры, обучения и результатами экспериментов.
Модель преобразует текст, код, изображения, аудио и видео в единое векторное пространство. Например, можно искать нужный фрагмент видео текстовым запросом или находить изображения по описанию.
Ключевые цифры:
- 740 млн параметров в полной мультимодальной конфигурации.
- 270 млн достаточно для работы только с текстом и кодом.
- 567 МБ памяти для весов полной модели с int4-квантованием.
- 768 измерений у эмбеддингов с возможностью сокращения до 512, 256 или 128 благодаря Matryoshka Representation Learning.
- 8192 токена контекстного окна.
По результатам авторов, EmbeddingGemma 2 превосходит ряд специализированных моделей и конкурентов, которые в 2–12 раз крупнее, на задачах мультимодального поиска.
Архитектура модульная: ненужные энкодеры можно отключать, экономя память. Например, для семантического поиска по кодовой базе не требуется загружать компоненты обработки аудио и изображений.
В отчёте также разобраны этапы обучения и ablation studies, показывающие вклад отдельных архитектурных решений.
Модель доступна с открытыми весами под Apache 2.0. Для разработчиков особенно интересны локальный RAG, поиск по репозиториям, мультимодальные базы знаний и приложения без передачи пользовательских данных в облако.
Исследование: https://arxiv.org/abs/2610.37364
Модель: https://huggingface.co/google/embeddinggemma-2
🔥15❤11👍8😁8🤔6🎉5💯5👏3
ИИ ускорил разработку новых моделей Anthropic почти вдвое
Исследовательская организация METR получила доступ к внутренним исследованиям Anthropic, включая результаты трёх ещё не выпущенных моделей, обученных с июля по октябрь 2026 года.
Ключевые цифры:
1,9 раза ускорился прогресс Anthropic на бенчмарках. За год компания прошла путь, на который раньше требовалось около двух лет.
80% ускорения, по предварительной оценке METR, связано с использованием ИИ в собственных исследованиях Anthropic.
12-кратное ускорение работы сообщили сотрудники компании при использовании самой мощной внутренней модели. Это субъективная оценка, а не подтверждённый прирост производительности.
Закрытая Model 4 набрала более 50% на всех 15 бенчмарках внутреннего индекса Anthropic.
METR отмечает, что такой прогресс нельзя объяснить одним лишь увеличением вычислительных мощностей.
Исследование: https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
Исследовательская организация METR получила доступ к внутренним исследованиям Anthropic, включая результаты трёх ещё не выпущенных моделей, обученных с июля по октябрь 2026 года.
Ключевые цифры:
1,9 раза ускорился прогресс Anthropic на бенчмарках. За год компания прошла путь, на который раньше требовалось около двух лет.
80% ускорения, по предварительной оценке METR, связано с использованием ИИ в собственных исследованиях Anthropic.
12-кратное ускорение работы сообщили сотрудники компании при использовании самой мощной внутренней модели. Это субъективная оценка, а не подтверждённый прирост производительности.
Закрытая Model 4 набрала более 50% на всех 15 бенчмарках внутреннего индекса Anthropic.
METR отмечает, что такой прогресс нельзя объяснить одним лишь увеличением вычислительных мощностей.
Исследование: https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
❤17🤔12🔥10👍9😁9👏8💯5🎉4🤣1
This media is not supported in your browser
VIEW IN TELEGRAM
🤣44❤🔥5❤4👍4🔥2👏2🎉2
5 мощных нейросетей без встроенной цензуры, которые можно скачать бесплатно
На Hugging Face появились модифицированные версии известных LLM с ослабленными механизмами отказа. Никакой подписки и обязательного облачного API: веса доступны для самостоятельного запуска.
1. Qwen 3.8 27B - версия от Huihui AI с изменёнными весами для уменьшения количества отказов.
https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated
2. Google Gemma 4 31B - модификация Heretic в формате GGUF для локального инференса.
https://huggingface.co/llmfan46/gemma-4-31B-it-uncensored-heretic-GGUF
3. OpenAI GPT-OSS 120B - версия HauhauCS Aggressive с ослабленными ограничениями. Доступна в MXFP4 GGUF.
https://huggingface.co/HauhauCS/GPTOSS-120B-Uncensored-HauhauCS-Aggressive
4. DeepSeek V4.1 Flash - модифицированная версия большой MoE-модели, распространяемая в GGUF.
https://huggingface.co/huihui-ai/Huihui-DeepSeek-V4.1-Flash-1017-abliterated-GGUF
5. NVIDIA Nemotron 3.5 Bolt 74B - модель с ослабленным механизмом отказов и несколькими вариантами квантования.
https://huggingface.co/AtomicChat/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-Uncensored-GGUF
Как убирают ограничения? Часто используют *abliteration*: находят в активациях модели направления, связанные с отказами, и изменяют соответствующие веса. Это позволяет уменьшить число отказов без полноценного дообучения.
На Hugging Face появились модифицированные версии известных LLM с ослабленными механизмами отказа. Никакой подписки и обязательного облачного API: веса доступны для самостоятельного запуска.
1. Qwen 3.8 27B - версия от Huihui AI с изменёнными весами для уменьшения количества отказов.
https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated
2. Google Gemma 4 31B - модификация Heretic в формате GGUF для локального инференса.
https://huggingface.co/llmfan46/gemma-4-31B-it-uncensored-heretic-GGUF
3. OpenAI GPT-OSS 120B - версия HauhauCS Aggressive с ослабленными ограничениями. Доступна в MXFP4 GGUF.
https://huggingface.co/HauhauCS/GPTOSS-120B-Uncensored-HauhauCS-Aggressive
4. DeepSeek V4.1 Flash - модифицированная версия большой MoE-модели, распространяемая в GGUF.
https://huggingface.co/huihui-ai/Huihui-DeepSeek-V4.1-Flash-1017-abliterated-GGUF
5. NVIDIA Nemotron 3.5 Bolt 74B - модель с ослабленным механизмом отказов и несколькими вариантами квантования.
https://huggingface.co/AtomicChat/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-Uncensored-GGUF
Как убирают ограничения? Часто используют *abliteration*: находят в активациях модели направления, связанные с отказами, и изменяют соответствующие веса. Это позволяет уменьшить число отказов без полноценного дообучения.
❤11👍5😁3🔥2💯2🥰1👏1🤔1🎉1
Qwen 4 могут представить уже сегодня
Alibaba опубликовала тизер нового поколения Qwen. В прошлый раз после подобного намёка модель вышла всего через несколько часов.
Ранее технический директор Alibaba Cloud заявил, что Qwen 4 появится на следующей неделе.
Ожидаются четыре версии: Max, Plus, Flash и 27B.
От нового поколения ждут улучшений в программировании, сложных рассуждениях, работе ИИ-агентов и мультимодальности.
Предыдущая Qwen3.8-27B уже конкурирует с гораздо более крупными моделями на отдельных агентных бенчмарках.
Cможет ли Alibaba сократить отставание от флагманов DeepSeek и сохранить открытые веса?
https://x.com/Alibaba_Qwen/status/2118674834632978755
Alibaba опубликовала тизер нового поколения Qwen. В прошлый раз после подобного намёка модель вышла всего через несколько часов.
Ранее технический директор Alibaba Cloud заявил, что Qwen 4 появится на следующей неделе.
Ожидаются четыре версии: Max, Plus, Flash и 27B.
От нового поколения ждут улучшений в программировании, сложных рассуждениях, работе ИИ-агентов и мультимодальности.
Предыдущая Qwen3.8-27B уже конкурирует с гораздо более крупными моделями на отдельных агентных бенчмарках.
Cможет ли Alibaba сократить отставание от флагманов DeepSeek и сохранить открытые веса?
https://x.com/Alibaba_Qwen/status/2118674834632978755
🔥43❤11👍7🤔4👏2
Google научила обычные смарт-часы выявлять признаки гипертонии без измерения давления
Google Research представила ИИ-систему AI-PPG-ACC-HTN, которая определяет вероятность повышенного артериального давления по данным стандартных датчиков умных часов. Исследование опубликовано в Nature.
Модель использует два сигнала: PPG, оптические измерения пульсовой волны, и акселерометр, который улавливает микровибрации запястья, связанные с работой сердца.
Нейросеть обучали на 492 347 часах записей от 2109 участников. Затем проверили на 196 добровольцах, сравнивая результаты с суточным мониторингом давления.
Результаты:
90% специфичности и 65,8% чувствительности при первичном выявлении гипертонии.
90,9% специфичности и 78,4% чувствительности при подтверждающей проверке у участников с ранее выявленным повышенным давлением.
Интересна сама архитектура: одномерная CNN извлекает признаки из 15-секундных фрагментов сигналов, затем эмбеддинги усредняются за несколько дней и передаются в логистическую регрессию.
Модель не пытается предсказать точные значения 120/80. Она анализирует долговременные физиологические изменения, характерные для гипертонии.
Пока это исследовательская технология. Она не заменяет тонометр и медицинскую диагностику, но потенциально позволит обнаруживать повышенный риск с помощью часов, которые человек уже носит каждый день.
Исследование: https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/
Google Research представила ИИ-систему AI-PPG-ACC-HTN, которая определяет вероятность повышенного артериального давления по данным стандартных датчиков умных часов. Исследование опубликовано в Nature.
Модель использует два сигнала: PPG, оптические измерения пульсовой волны, и акселерометр, который улавливает микровибрации запястья, связанные с работой сердца.
Нейросеть обучали на 492 347 часах записей от 2109 участников. Затем проверили на 196 добровольцах, сравнивая результаты с суточным мониторингом давления.
Результаты:
90% специфичности и 65,8% чувствительности при первичном выявлении гипертонии.
90,9% специфичности и 78,4% чувствительности при подтверждающей проверке у участников с ранее выявленным повышенным давлением.
Интересна сама архитектура: одномерная CNN извлекает признаки из 15-секундных фрагментов сигналов, затем эмбеддинги усредняются за несколько дней и передаются в логистическую регрессию.
Модель не пытается предсказать точные значения 120/80. Она анализирует долговременные физиологические изменения, характерные для гипертонии.
Пока это исследовательская технология. Она не заменяет тонометр и медицинскую диагностику, но потенциально позволит обнаруживать повышенный риск с помощью часов, которые человек уже носит каждый день.
Исследование: https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/
👍17❤8🔥5