Линус Торвальдс мог быть богаче Илона Маска. Но он выбрал другой путь.
В 2005 году его команда внезапно потеряла доступ к инструменту, с помощью которого управляла кодом Linux. Один разработчик сделал реверс-инжиниринг этой системы, и компания, которой она принадлежала, просто отключила проект без предупреждения.
Тысячи разработчиков. Никакого нормального способа совместной работы. Никакого запасного плана.
Торвальдс не стал паниковать. Он сел и написал собственную систему контроля версий с нуля.
За 10 дней.
Он назвал её Git. Уже в первый день Git отслеживал собственный исходный код. Через несколько недель на нём управлялся весь проект Linux. К концу 2005 года официально вышел Git 1.0.
А потом Линус просто отдал его бесплатно. Open source. Без компании. Без патентов. Без монетизации.
Через несколько месяцев он передал проект другим людям и вернулся к Linux, будто ничего особенного не произошло.
Зато другие быстро поняли, что он оставил на столе.
На Git вырос GitHub: 100 млн разработчиков, покупка Microsoft в 2018 году за $7,5 млрд. GitLab вышел на биржу в 2021 году с оценкой почти $12 млрд. Сегодня Git контролирует больше 85% рынка систем контроля версий.
Каждое приложение в вашем телефоне. Каждый сайт, который вы открываете. Почти всё это создаётся с помощью Git.
Торвальдс не заработал на этом $0.
Он создал самый используемый инструмент для разработчиков в истории просто потому, что его достала существующая система.
А потом отдал его бесплатно, потому что считал: такой инструмент должен быть доступен всем.
И он ни разу публично не сказал, что жалеет об этом.
В 2005 году его команда внезапно потеряла доступ к инструменту, с помощью которого управляла кодом Linux. Один разработчик сделал реверс-инжиниринг этой системы, и компания, которой она принадлежала, просто отключила проект без предупреждения.
Тысячи разработчиков. Никакого нормального способа совместной работы. Никакого запасного плана.
Торвальдс не стал паниковать. Он сел и написал собственную систему контроля версий с нуля.
За 10 дней.
Он назвал её Git. Уже в первый день Git отслеживал собственный исходный код. Через несколько недель на нём управлялся весь проект Linux. К концу 2005 года официально вышел Git 1.0.
А потом Линус просто отдал его бесплатно. Open source. Без компании. Без патентов. Без монетизации.
Через несколько месяцев он передал проект другим людям и вернулся к Linux, будто ничего особенного не произошло.
Зато другие быстро поняли, что он оставил на столе.
На Git вырос GitHub: 100 млн разработчиков, покупка Microsoft в 2018 году за $7,5 млрд. GitLab вышел на биржу в 2021 году с оценкой почти $12 млрд. Сегодня Git контролирует больше 85% рынка систем контроля версий.
Каждое приложение в вашем телефоне. Каждый сайт, который вы открываете. Почти всё это создаётся с помощью Git.
Торвальдс не заработал на этом $0.
Он создал самый используемый инструмент для разработчиков в истории просто потому, что его достала существующая система.
А потом отдал его бесплатно, потому что считал: такой инструмент должен быть доступен всем.
И он ни разу публично не сказал, что жалеет об этом.
В машинном обучении всё чаще важен не один конкретный пример, а то, как устроены данные целиком.
Например, модель обучали на одном распределении картинок, текстов или действий, а в реальности она получает немного другие данные. Обычная метрика может сказать: “распределения отличаются”. Wasserstein-подход показывает глубже: насколько далеко одно распределение нужно “перенести”, чтобы оно стало похоже на другое.
Идея пришла из оптимального транспорта. Представьте две кучи песка: одна форма - это первое распределение, другая второе. Расстояние Вассерштейна считает минимальную работу, которую нужно сделать, чтобы переложить песок из первой формы во вторую.
Почему это важно для ML:
* помогает анализировать сдвиг данных
* полезно для domain adaptation
* даёт инструменты для устойчивого обучения
* применяется в генеративных моделях
* помогает изучать обобщение нейросетей
* используется в reinforcement learning
В отличие от KL-дивергенции, Wasserstein distance учитывает геометрию пространства. Поэтому два распределения могут отличаться не просто “сильно” или “слабо”, а с учётом того, где именно находятся эти различия.
На практике это важно там, где модель должна быть устойчивой: новые домены, шумные данные, генерация, перенос знаний, обучение агентов.
Wasserstein Learning Theory даёт более точный язык для современной ML-задачи: не просто подогнать модель под датасет, а понять, как она ведёт себя при изменении распределения данных.
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
В ближайшие 5 лет Пекин планирует объединить разрозненные дата-центры страны в общую инфраструктуру для форсированного развития ИИ-отрасли.
Операционным управлением займутся телеком-гиганты China Mobile и China Telecom, которые должны обеспечить полную связность сети к 2028 году. С учетом модернизации энергосистем общие затраты на проект могут достичь полутриллиона долларов. Основное финансирование обеспечат выпуск гособлигаций и целевые фонды.
План жестко квотирует закупки - не менее 80% оборудования, включая ИИ-чипы, должно поставляться локальными производителями. Для NVIDIA и AMD это означает радикальное сокращение присутствия на китайском рынке.
Масштабная инфраструктурная стройка вошла в государственную стратегию "Шести больших сетей" и призвана обеспечить КНР независимость для лидерства в глобальной ИИ-гонке.
bloomberg.com
Новинка генерирует аудио до окончания реплики спикера, балансируя между накоплением контекста и скоростью вывода. Алгоритм поддерживает более 70 языков и сохраняет оригинальную интонацию, темп и высоту голоса.
Технология сразу пошла в конечные продукты. Обновление разворачивается в мобильном Google Translate. Для корпоративных клиентов тестируется интеграция в Google Meet с поддержкой более 2000 языковых комбинаций в рамках одной конференции.
Превью-версия модели доступна в AI Studio и через Gemini Live API. Сгенерированные аудиодорожки маркируются SynthID.
blog.google
Китайская компания выпустила модель MiMo-V2.5-Pro-UltraSpeed на 1 трлн параметров со скоростью вывода 1000 токенов в секунду.
Пропускной способности добились совместно с разработчиками фреймворка TileRT за счёт квантования в FP4 и спекулятивного декодирования DFlash. Скорость генерации выросла в 10 раз по сравнению с прошлыми версиями. Xiaomi позиционирует модель для систем автоматизированного принятия решений с минимальной задержкой.
Доступ к UltraSpeed API стоит в 3 раза дороже базовой MiMo-V2.5-Pro. Открытая версия с весами FP4 опубликована на HuggingFace.
С 9 по 23 июня проходит закрытое корпоративное тестирование облачной версии. В день выделяется 10 слотов на сессии до 30 минут, доступ предоставляется по заявкам.
xiaomi.com
Гарвардская школа бизнеса и Perplexity опубликовали отчет об эффективности автономного агента Computer. По сравнению со стандартным поиском платформы агент экономит 87% времени на интеллектуальные задачи и снижает условные затраты на труд на 94% (на базе данных о зарплатах в США).
ИИ-поиск требует постоянных действий пользователя при средней сессии в 33 секунды, а основные часы съедает ручная работа человека. Агент Computer берет весь цикл на себя и работает автономно около 26 минут.
Опросы пользователей зафиксировали медианное ускорение рутины в 25 раз. Доля сессий с негативной оценкой результатов выдачи при переходе на агента снизилась с 2,9% до 1,3%.
perplexity.ai
Goldman Sachs и JPMorgan Chase разрабатывают фьючерсные контракты, привязанные к стоимости аренды GPU. Инструмент нужен для хеджирования рисков дефолта и обесценивания оборудования по кредитам, выданным на создание ИИ-инфраструктуры.
Чикагская товарная биржа и Межконтинентальная биржа планируют начать торги контрактами на компьют в этом году, если инициативу одобрит регулятор.
Механизм позволит банкам открывать короткие позиции для компенсации убытков при падении арендных ставок. Облачные провайдеры, в свою очередь, смогут фиксировать прибыль и защищаться от ценовой волатильности.
Пока регуляторы США оценивают механизмы защиты от манипуляций, на зарубежных площадках уже работают альтернативные платформы ставок на динамику стоимости аренды NVIDIA H100.
theinformation.com
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Сэм Альтман и научный руководитель компании Якуб Пахоцки опубликовали программный текст под названием "Built to benefit everyone: our plan".
В нём авторы заявляют, что "полностью автоматизировать всё - не то будущее, которое мы хотим", называя такой сценарий не приносящим удовлетворения и опасным.
По мере роста возможностей ИИ роль человека не уменьшается. Люди должны задавать направление, расставлять приоритеты и решать, что вообще стоит делать.
Заявление контрастирует с тем, как компания описывала свои планы прошлой осенью
В октябре 2025 года, когда OpenAI сменила некоммерческий статус на коммерческий, Альтман и Пахоцки обозначили цель: создать к марту 2028 года полностью автономного ИИ-учёного, способного самостоятельно вести научные проекты, а к сентябрю 2026 года - ассистента уровня стажёра.
В новом тексте та же веха 2028 года сформулирована уже по другому
Компания рассчитывает, что к этому сроку значительная часть её исследований будет вестись ИИ в тандеме с людьми.
Альтман и Пахоцки называют нынешний момент началом "третьей фазы" OpenAI - перехода от разработчика продуктов к партнёру по внедрению.
С этой логикой связана дочерняя структура DeployCo, чьи инженеры работают внутри компаний-клиентов, встраивая ИИ в их процессы.
Реакция в сообществе трактует этот разворот как косвенное признание того, что внедрение ИИ даётся труднее, чем выпуск чат-бота.
Одновременно OpenAI предложила создать международную организацию для координации разработчиков ИИ и снижения катастрофических рисков. Этот орган должен позволять согласованные действия, включая замедление разработки передовых систем, когда это потребуется.
Похожую идею несколькими днями ранее высказала Anthropic.
Что стоит за смягчением риторики OpenAI в тексте не объясняется. Как компания намерена сочетать призыв к возможному замедлению разработок с собственными целями по их ускорению, тоже загадка.
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Вот это революция: в одном из офисов Google сотрудницам ввели ежемесячный доп выходной из-за месячных 😳
О нововведении рассказала одна из разработчиц компании. Теперь женщинам не придётся тратить на это больничный или брать отгул за свой счет.
Правда, в комментариях мнения разделились: одни сотрудники возмущены неравенством, другие считают, что девушки этого действительно заслуживают.
Что думаете?
О нововведении рассказала одна из разработчиц компании. Теперь женщинам не придётся тратить на это больничный или брать отгул за свой счет.
Правда, в комментариях мнения разделились: одни сотрудники возмущены неравенством, другие считают, что девушки этого действительно заслуживают.
Что думаете?
Please open Telegram to view this post
VIEW IN TELEGRAM
Выжимаем из Claude Mythos максимум — Anthropic выпустили официальный гайд по промтингу модели.
— Модель лучше следует инструкциям, поэтому правила можно прописывать проще и короче;
— Внутри есть готовые шаблоны промтов, лайфхаки и рекомендации;
— До 22 июня модель доступна в подписке — дальше за каждый токен придётся платить.
11 дней, чтобы освоить самую сильную LLM в мире — забираем.
— Модель лучше следует инструкциям, поэтому правила можно прописывать проще и короче;
— Внутри есть готовые шаблоны промтов, лайфхаки и рекомендации;
— До 22 июня модель доступна в подписке — дальше за каждый токен придётся платить.
11 дней, чтобы освоить самую сильную LLM в мире — забираем.
Дарио Амодеи опубликовал необычно откровенное эссе о том, куда движется ИИ.
Кратко, с цитатами.
Его новый текст Policy on the AI Exponential читается не как обычная колонка CEO, а как предупреждение от человека, который сам строит эту технологию.
Главная проблема — скорость. ИИ развивается по экспоненте, и Амодеи говорит об этом прямо. Законы же принимаются со скоростью Древоборода из «Властелина колец»: дерева, которому нужен целый день, чтобы просто поздороваться с другим деревом. Пока Конгресс успеет что-то сделать, пишет Амодеи, ИИ может пройти путь от «забавной игрушки» до «целой страны гениев».
Его горизонт очень короткий:
> «Если эти законы масштабирования продолжатся хотя бы ещё год-два, мы, вероятно, получим то, что я называл Powerful AI, или “страну гениев в дата-центре”».
И он считает, что доказательства уже есть. Указывая на киберриски Claude Mythos Preview, Амодеи пишет, что их более широкий смысл в том, что они «вне всяких сомнений доказывают: ИИ-модели уже стали инструментами глобального и национального стратегического значения».
Поэтому он предлагает обязательные правила по аналогии с авиационным регулятором FAA: независимое тестирование frontier-моделей, обязательные проверки третьими сторонами и право государства блокировать или откатывать релиз, если он признан небезопасным. И это говорит человек, чьи собственные модели как раз могут попасть под такие блокировки.
Часть, к которой хочется возвращаться:
В экономике он реально видит обе стороны. Потенциал, который он описывает, огромен:
> «Если ИИ сможет выполнять большинство когнитивных задач намного лучше людей, логично ожидать, что это приведёт к крайне быстрому и устойчивому экономическому росту за счёт ускорения науки, технологий и операционной эффективности. Способность ИИ итеративно создавать ещё более сильный ИИ может дополнительно усилить этот рост».
Но он не пытается закрыть глаза на обратную сторону:
> «Есть вполне реальная вероятность, что, несмотря на все наши усилия, ИИ всё равно вызовет значительную и долгосрочную потерю рабочих мест, и что это может быть внутренним свойством технологии, которая широко воспроизводит человеческое мышление».
Среди возможных мер он доходит до безусловного базового дохода и повышения налогов на прирост капитала.
О власти он предупреждает, что ИИ в плохих руках может стать «ультимативным инструментом автократии». Но затем разворачивает то же недоверие и в сторону собственной индустрии: ИИ «нельзя безопасно полностью доверить ни государствам, ни компаниям». Включая Anthropic.
И он отказывается относиться к общественному страху как к проблеме пиара:
> «Люди тревожатся из-за ИИ, потому что правильно понимают: его риски реальны».
Не помню, когда в последний раз CEO крупной ИИ-компании так явно вставал на сторону обеспокоенной публики, а не собственного маркетингового отдела.
Весь текст написан не в настроении победы, а в настроении срочности. Амодеи считает, что есть узкое окно, когда доказательства, общественная тревога и политическая воля ещё могут совпасть, и что мы уже примерно на год опаздываем.
Финальный образ почти обнадёживающий:
> «Древобород и его лес просыпаются».
Успеют ли они проснуться достаточно быстро.
https://x.com/DarioAmodei/status/2064781775247950326
Кратко, с цитатами.
Его новый текст Policy on the AI Exponential читается не как обычная колонка CEO, а как предупреждение от человека, который сам строит эту технологию.
Главная проблема — скорость. ИИ развивается по экспоненте, и Амодеи говорит об этом прямо. Законы же принимаются со скоростью Древоборода из «Властелина колец»: дерева, которому нужен целый день, чтобы просто поздороваться с другим деревом. Пока Конгресс успеет что-то сделать, пишет Амодеи, ИИ может пройти путь от «забавной игрушки» до «целой страны гениев».
Его горизонт очень короткий:
> «Если эти законы масштабирования продолжатся хотя бы ещё год-два, мы, вероятно, получим то, что я называл Powerful AI, или “страну гениев в дата-центре”».
И он считает, что доказательства уже есть. Указывая на киберриски Claude Mythos Preview, Амодеи пишет, что их более широкий смысл в том, что они «вне всяких сомнений доказывают: ИИ-модели уже стали инструментами глобального и национального стратегического значения».
Поэтому он предлагает обязательные правила по аналогии с авиационным регулятором FAA: независимое тестирование frontier-моделей, обязательные проверки третьими сторонами и право государства блокировать или откатывать релиз, если он признан небезопасным. И это говорит человек, чьи собственные модели как раз могут попасть под такие блокировки.
Часть, к которой хочется возвращаться:
В экономике он реально видит обе стороны. Потенциал, который он описывает, огромен:
> «Если ИИ сможет выполнять большинство когнитивных задач намного лучше людей, логично ожидать, что это приведёт к крайне быстрому и устойчивому экономическому росту за счёт ускорения науки, технологий и операционной эффективности. Способность ИИ итеративно создавать ещё более сильный ИИ может дополнительно усилить этот рост».
Но он не пытается закрыть глаза на обратную сторону:
> «Есть вполне реальная вероятность, что, несмотря на все наши усилия, ИИ всё равно вызовет значительную и долгосрочную потерю рабочих мест, и что это может быть внутренним свойством технологии, которая широко воспроизводит человеческое мышление».
Среди возможных мер он доходит до безусловного базового дохода и повышения налогов на прирост капитала.
О власти он предупреждает, что ИИ в плохих руках может стать «ультимативным инструментом автократии». Но затем разворачивает то же недоверие и в сторону собственной индустрии: ИИ «нельзя безопасно полностью доверить ни государствам, ни компаниям». Включая Anthropic.
И он отказывается относиться к общественному страху как к проблеме пиара:
> «Люди тревожатся из-за ИИ, потому что правильно понимают: его риски реальны».
Не помню, когда в последний раз CEO крупной ИИ-компании так явно вставал на сторону обеспокоенной публики, а не собственного маркетингового отдела.
Весь текст написан не в настроении победы, а в настроении срочности. Амодеи считает, что есть узкое окно, когда доказательства, общественная тревога и политическая воля ещё могут совпасть, и что мы уже примерно на год опаздываем.
Финальный образ почти обнадёживающий:
> «Древобород и его лес просыпаются».
Успеют ли они проснуться достаточно быстро.
https://x.com/DarioAmodei/status/2064781775247950326
“Steering LLMs? Actually, Sparse Autoencoders can outperform simple baselines”
В статье утверждается, что sparse autoencoders, возможно, не такие уж плохие инструменты для steering, как считалось раньше. Значительная часть прошлых неудач могла быть связана не с самими автоэнкодерами, а с тем, что исследователи выбирали и называли неправильные признаки.
Проблема в том, что ранние работы выставляли sparse autoencoders слабыми: их features размечали так, что названия могли не совпадать с тем, что эти признаки реально вызывают внутри модели.
Sparse autoencoder - это небольшая вспомогательная модель, которая раскладывает скрытую активность LLM на множество возможных «признаков»: тему, стиль, концепт или другое внутреннее направление.
То есть sparse autoencoder может найти направление внутри модели, но неназванное направление ещё не становится удобной ручкой управления.
Авторы заменяют размытые или унаследованные названия supervised-пайплайном: они проверяют, действительно ли активность конкретного feature стабильно совпадает с реальной меткой в данных.
Механизм примерно такой: если feature срабатывает на тему «алкоголь», а искусственное усиление этого feature заставляет модель чаще говорить об алкоголе, то метка перестаёт быть просто описательной. У неё появляется причинный смысл.
Ещё один важный вывод: экстремальная разреженность может быть не обязательна. Feature не обязан быть сверхредким, чтобы быть полезным для steering.
Важно и сравнение с prompting. И prompting, и feature steering пытаются подтолкнуть LLM к нужному поведению.
Но prompting обычно сильнее, потому что модель специально обучали следовать промптам. Feature steering работает грубее: мы как будто напрямую нажимаем на внутренний механизм модели и надеемся, что остальная система не развалится.
Prompting говорит модели во входе: «напиши про алкоголь». Feature steering делает иначе: он усиливает внутренний «alcohol-related» feature и проверяет, сдвинется ли ответ в эту сторону.
Ссылка: arxiv.org/abs/2605.31183
В статье утверждается, что sparse autoencoders, возможно, не такие уж плохие инструменты для steering, как считалось раньше. Значительная часть прошлых неудач могла быть связана не с самими автоэнкодерами, а с тем, что исследователи выбирали и называли неправильные признаки.
Проблема в том, что ранние работы выставляли sparse autoencoders слабыми: их features размечали так, что названия могли не совпадать с тем, что эти признаки реально вызывают внутри модели.
Sparse autoencoder - это небольшая вспомогательная модель, которая раскладывает скрытую активность LLM на множество возможных «признаков»: тему, стиль, концепт или другое внутреннее направление.
То есть sparse autoencoder может найти направление внутри модели, но неназванное направление ещё не становится удобной ручкой управления.
Авторы заменяют размытые или унаследованные названия supervised-пайплайном: они проверяют, действительно ли активность конкретного feature стабильно совпадает с реальной меткой в данных.
Механизм примерно такой: если feature срабатывает на тему «алкоголь», а искусственное усиление этого feature заставляет модель чаще говорить об алкоголе, то метка перестаёт быть просто описательной. У неё появляется причинный смысл.
Ещё один важный вывод: экстремальная разреженность может быть не обязательна. Feature не обязан быть сверхредким, чтобы быть полезным для steering.
Важно и сравнение с prompting. И prompting, и feature steering пытаются подтолкнуть LLM к нужному поведению.
Но prompting обычно сильнее, потому что модель специально обучали следовать промптам. Feature steering работает грубее: мы как будто напрямую нажимаем на внутренний механизм модели и надеемся, что остальная система не развалится.
Prompting говорит модели во входе: «напиши про алкоголь». Feature steering делает иначе: он усиливает внутренний «alcohol-related» feature и проверяет, сдвинется ли ответ в эту сторону.
Ссылка: arxiv.org/abs/2605.31183
Готовимся: РКН готовит большой апгрейд машины блокировок — на расширение инфраструктуры хотят потратить ещё 1,3 млрд (!) рублей.
По данным CNews, Роскомнадзор ранее столкнулся с «нехваткой ресурсов на проведение необходимого комплекса работ». Так что теперь компания ДЦОА, которая занимается инфраструктурой для работы ТСПУ и является ключевым подрядчиком РКН, закупает не менее 154 новых российских серверов на 1,3 млрд рублей.
К 2030 году, кстати, пропускную способность системы блокировок хотят увеличить в 2,5 раза.
💀 💀 💀
По данным CNews, Роскомнадзор ранее столкнулся с «нехваткой ресурсов на проведение необходимого комплекса работ». Так что теперь компания ДЦОА, которая занимается инфраструктурой для работы ТСПУ и является ключевым подрядчиком РКН, закупает не менее 154 новых российских серверов на 1,3 млрд рублей.
К 2030 году, кстати, пропускную способность системы блокировок хотят увеличить в 2,5 раза.
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Сэм Альтман сообщил сотрудникам, что выход на биржу откладывается на год. Поданный проспект эмиссии он назвал маневром для сохранения тактической свободы. В качестве альтернативы сотрудникам предложили выкупить их акции по цене $687,69 за штуку.
Задержка объясняется прогрессом в разработке самообучающегося ИИ. По мнению главы OpenAI, в период непредсказуемого развития технологий компании безопаснее оставаться непубличной.
Дополнительный фактор переноса - размещение акций Anthropic. Конкурент показывает лучшие метрики роста, тогда как OpenAI сжигает капитал.
В июне компания планирует выпустить новую модель с индексом 5.6, которую внутри оценивают как серьезный шаг вперед по сравнению с GPT-5.5.
theinformation.com
Данные компании разместят в сервисе Hugging Face Buckets, который оснащен встроенной CDN и оптимизирован для работы с весами моделей.
Главная причина миграции в отсутствии платы за исходящий трафик. Единое хранилище позволит Arcee AI избежать вендор-лока и запускать обучающие кластеры у любых облачных провайдеров без затрат на перенос данных.
На Hugging Face лаборатория поддерживает более 200 проектов. Среди них - файнтюн SuperNova на базе Llama 3.1, семейство моделей Trinity и открытый датасет The-Tome, включающий 1,75 млн образцов для обучения ИИ-агентов.
huggingface.co
Google обновила платформу NotebookLM. Система перешла на Gemini 3.5 и движок Antigravity, получила поддержку автономных агентов и возможность запуска кода.
Каждый блокнот теперь оснащается облачным инстансом, который включает более 100 скиллов для выполнения кода и анализа данных. В тестах новая архитектура превосходит предыдущую в 65% случаев по 5 ключевым метрикам.
В сервисе появилась возможность начинать исследования без загрузки данных через агентный поиск релевантных материалов. Результаты попадают в базу с сохранением атрибуции.
Расширились форматы экспорта: PDF-отчеты с графиками, структурированные данные, таблицы Excel, презентации PowerPoint, а также изображения с помощью Nano Banana.
Обновление доступно пользователям с подпиской AI Ultra и корпоративным клиентам.
blog.google
North Mini Code - open-source модель для программирования и координации агентов, построена на архитектуре MoE с 30 млрд общих и 3 млрд активных параметров. Модель обучена управлять субагентами, проектировать архитектуру систем и проводить код-ревью.
В бенчмарке Artificial Analysis Coding Index новинка набрала 33,4 балла. В сравнении с Devstral Small 2 на аналогичной аппаратной нагрузке пропускная способность генерации текста выше в 2,8 раза. Задержка между токенами ниже на 30% при сопоставимом времени до вывода первого токена.
Веса опубликованы на Hugging Face. Тестовый доступ открыт через API и платформу Model Vault.
cohere.com
Технология Sureel AI создает цифровые отпечатки аудиозаписей, декомпозируя их на базовые элементы. Алгоритмы определяют, попал ли контент артиста в тренировочный датасет ИИ-модели или использовался при генерации нового трека.
Дополнительный модуль системы выявляет дипфейки, клонирование голоса и копирование визуального стиля. Архитектура платформы поддерживает работу с видео и изображениями, в базе стартапа проиндексированы миллионы цифровых активов.
Лейбл сохранит проект как независимую платформу, рассчитывая сделать ее стандартом для музыкальной индустрии.
wmg.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Этим летом функции интерактивной визуализации, обычно доступные только на тарифах Pro и Ultra, станут временно бесплатными для всех пользователей поиска Google.
Компания уже делала нечто подобное в 2022 году, но тогда возможности были далеко не такими функциональными, как сейчас.
На сложные запросы о тактике команд поисковик сможет генерировать не просто текстовые ответы, а интерактивные графические схемы, наглядно объясняющие расстановку сил и конкретные игровые ситуации на поле.
Помимо этого, компания существенно обновляет спортивный интерфейс и функциональность приложения Gemini. Оно научилось в реальном времени подтягивать актуальные результаты матчей, генерируя динамические виджеты со статистикой, анимациями и медиафайлами.
Изменения также затронули страницу live-результатов: появилась обновленная панель турнирных таблиц и улучшенная интеграция с сервисами трансляций.
Развертывание функционала уже идет полным ходом и станет доступно к началу турнира.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
NVIDIA показала CPO-switch, сделанный вместе с Lambda.
CPO, или co-packaged optics, переносит оптическую связь ближе к главному сетевому чипу. Путь сигнала становится короче, потерь меньше, энергопотребление ниже, а потенциальных точек отказа меньше.
NVIDIA объясняет это через экономику токенов: сеть сама токены не генерирует, но без неё GPU простаивают. Чем больше энергии и сбоев в сети, тем дороже каждый токен.
Для масштаба: дата-центр на 128 000 GPU с обычными оптическими модулями требует около 655 000 трансиверов. Каждый из них может сломаться. CPO убирает этот класс компонентов.
CPO, или co-packaged optics, переносит оптическую связь ближе к главному сетевому чипу. Путь сигнала становится короче, потерь меньше, энергопотребление ниже, а потенциальных точек отказа меньше.
NVIDIA объясняет это через экономику токенов: сеть сама токены не генерирует, но без неё GPU простаивают. Чем больше энергии и сбоев в сети, тем дороже каждый токен.
Для масштаба: дата-центр на 128 000 GPU с обычными оптическими модулями требует около 655 000 трансиверов. Каждый из них может сломаться. CPO убирает этот класс компонентов.
Руководитель Codex Тибо Соттио объявил в соцсети X о 100-дневной программе: каждый день компания будет выбирать одного пользователя, который, по её оценке, делает с Codex впечатляющую или особенно полезную работу, и на месяц повышать ему лимиты использования в 10 раз.
В комментариях ожидаемо начался ад: часть твиттерских назвала акцию щедрым стимулом, другие интересуются, зачем сильному продукту подобные активности, а третьи просто стали публиковать свои проекты.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
OpenAI рассматривает возможность резко снизить цены для пользователей, чтобы переманить клиентов у конкурента Anthropic.
По словам людей, знакомых с ситуацией, компания обсуждает значительное снижение стоимости токенов, через которые AI-компании тарифицируют использование своих продуктов.
Этот шаг может быть сделан заранее, поскольку OpenAI ожидает похожего снижения цен со стороны Anthropic.
По словам людей, знакомых с ситуацией, компания обсуждает значительное снижение стоимости токенов, через которые AI-компании тарифицируют использование своих продуктов.
Этот шаг может быть сделан заранее, поскольку OpenAI ожидает похожего снижения цен со стороны Anthropic.
Telegram заработает в России вслед за Roblox, считают в Госдуме. Депутат Андрей Свинцов заявил, что требования Роскомнадзора к мессенджеру несложные. При желании руководства платформы они сделают всё необходимое «за 2-3 месяца».
This media is not supported in your browser
VIEW IN TELEGRAM
Запустил новый Linux-сервер? Не спеши сразу ставить сайт, бота или базу.
Сначала закрой базу безопасности.
Обнови систему, чтобы убрать старые уязвимости. Создай отдельного пользователя и не работай постоянно из-под root. Защити SSH: отключи root-вход, убери пароли и используй ключи.
Дальше включи firewall и оставь открытыми только нужные порты. Поставь Fail2ban, чтобы сервер сам блокировал подозрительные попытки входа.
И обязательно настрой бэкапы, логи и мониторинг. Сервер без резервных копий это лотерея.
Эти шаги занимают немного времени, но сильно снижают риск взлома и проблем в будущем.
Сначала закрой базу безопасности.
Обнови систему, чтобы убрать старые уязвимости. Создай отдельного пользователя и не работай постоянно из-под root. Защити SSH: отключи root-вход, убери пароли и используй ключи.
Дальше включи firewall и оставь открытыми только нужные порты. Поставь Fail2ban, чтобы сервер сам блокировал подозрительные попытки входа.
И обязательно настрой бэкапы, логи и мониторинг. Сервер без резервных копий это лотерея.
Эти шаги занимают немного времени, но сильно снижают риск взлома и проблем в будущем.
Демис Хассабис и Илья Суцкевер подняли главный вопрос: мы строим научный инструмент или пытаемся создать Бога?
Демис Хассабис считает, что ИИ это всего лишь продвинутый инженерный инструмент.
Его ценность в том, что он помогает расшифровывать структуры белков, решать сложные задачи физики и ускорять эмпирические открытия.
Илья Суцкевер смотрит иначе:
Он считает, что глубокое сжатие данных может быть не просто техническим процессом, а формой предельного понимания реальности.
Один взгляд сводит ИИ к практическому инструменту для решения материальных задач.
Другой видит в нём нечто почти высшее, выходящее за пределы биологического мышления.
Кто прав?
Демис Хассабис считает, что ИИ это всего лишь продвинутый инженерный инструмент.
Его ценность в том, что он помогает расшифровывать структуры белков, решать сложные задачи физики и ускорять эмпирические открытия.
Илья Суцкевер смотрит иначе:
> «Большие нейросети, возможно, уже слегка сознательны».
Он считает, что глубокое сжатие данных может быть не просто техническим процессом, а формой предельного понимания реальности.
Один взгляд сводит ИИ к практическому инструменту для решения материальных задач.
Другой видит в нём нечто почти высшее, выходящее за пределы биологического мышления.
Кто прав?