🧠 17-летний китайский исследователь ИИ с зарплатой 1,5 млрд йен в год уходит из Kimi и летит в Кремниевую долину
Чэнь Гуанъюй из Шэньчжэня пришёл в исследовательскую команду ИИ-компании Kimi в 16 лет, когда ещё учился в старших классах. По сообщениям, его годовой доход оценивают в 1,5 млрд йен.
Он стал первым соавтором статьи, которая привлекла внимание специалистов по всему миру. Результаты его работы использовали в модели на 2,8 трлн параметров.
15 октября Чэнь объявил, что уходит из Kimi, и заявил о намерении отправиться в район залива в США. У него нет ни докторской степени, ни университетского диплома. Зато есть исследовательские результаты, а для лучших ИИ-лабораторий мира этого оказалось достаточно, чтобы работать плечом к плечу с ведущими учёными.
Доступ к топовым командам открывает сильная статья, и возраст с формальными регалиями тут ничего не решают.
Чэнь Гуанъюй из Шэньчжэня пришёл в исследовательскую команду ИИ-компании Kimi в 16 лет, когда ещё учился в старших классах. По сообщениям, его годовой доход оценивают в 1,5 млрд йен.
Он стал первым соавтором статьи, которая привлекла внимание специалистов по всему миру. Результаты его работы использовали в модели на 2,8 трлн параметров.
15 октября Чэнь объявил, что уходит из Kimi, и заявил о намерении отправиться в район залива в США. У него нет ни докторской степени, ни университетского диплома. Зато есть исследовательские результаты, а для лучших ИИ-лабораторий мира этого оказалось достаточно, чтобы работать плечом к плечу с ведущими учёными.
Доступ к топовым командам открывает сильная статья, и возраст с формальными регалиями тут ничего не решают.
Зачем вызывать большую LLM, если агенту нужно просто выбрать следующий инструмент?
Исследователи из UIUC, Принстона и Google предложили JevAgentHarness: рутинные решения принимает маленькая модель, а сложные остаются большой.
Схема простая: модель выбирает действие из списка. Если её уверенность выше настроенного порога — выбор принимают. Если ниже — подключают основную LLM. Порог подбирают на реальных запусках конкретного агента.
Но есть подвох: хорошие ответы на отдельные вопросы ещё не означают, что модель хорошо управляет агентом. Ошибки меняют ситуацию, и дальше приходится действовать уже в последствиях собственных промахов.
Поэтому AgentDecision-4B обучили на состояниях, в которые агент действительно попадает, включая неудачные шаги. На задачах, отличающихся от обучающих, агент с ней выполнил 91,5% заданий, с Jev — 82%.
На задачах, похожих на обучающие, подход с моделями на 4 млрд параметров дал:
💰 Снижение стоимости на 81,1–89%.
⚡ Ускорение до 2,5 раза.
🎯 Падение успешности менее 3 процентных пунктов.
А передача всех решений о выборе инструментов без порога уверенности снизила успешность на 19 п. п.
Маленькую модель нужно учить на работе вашего агента — и проверять, когда ей можно доверить управление.
📄 https://arxiv.org/abs/2610.21412
Исследователи из UIUC, Принстона и Google предложили JevAgentHarness: рутинные решения принимает маленькая модель, а сложные остаются большой.
Схема простая: модель выбирает действие из списка. Если её уверенность выше настроенного порога — выбор принимают. Если ниже — подключают основную LLM. Порог подбирают на реальных запусках конкретного агента.
Но есть подвох: хорошие ответы на отдельные вопросы ещё не означают, что модель хорошо управляет агентом. Ошибки меняют ситуацию, и дальше приходится действовать уже в последствиях собственных промахов.
Поэтому AgentDecision-4B обучили на состояниях, в которые агент действительно попадает, включая неудачные шаги. На задачах, отличающихся от обучающих, агент с ней выполнил 91,5% заданий, с Jev — 82%.
На задачах, похожих на обучающие, подход с моделями на 4 млрд параметров дал:
💰 Снижение стоимости на 81,1–89%.
⚡ Ускорение до 2,5 раза.
🎯 Падение успешности менее 3 процентных пунктов.
А передача всех решений о выборе инструментов без порога уверенности снизила успешность на 19 п. п.
Маленькую модель нужно учить на работе вашего агента — и проверять, когда ей можно доверить управление.
📄 https://arxiv.org/abs/2610.21412
Аккаунт Тибо, который отвечает в OpenAI за ChatGPT, Codex и API, в сентябре собрал наибольшую долю трафика среди аккаунтов X. Такие данные приводит рейтинг Similarweb.
Второе место занял спортивный журналист Фабрицио Романо, с новостями о футбольных трансферах, третье – Илон Маск.
В августе Тибо был вторым, а в июле – четвёртым.
Рост популярности связан с тем, что пользователи следят за анонсами о сбросе лимитов. По статистике Х, за год Тибо опубликовал 83 таких объявления, из них 60 - про полные сбросы.
Поклонники завели сайты, которые отслеживают сбросы, а сам Соттьё пишет, что люди уже останавливают его на улице и просят обнулить лимиты.
Similarweb в таких рейтингах считает долю веб-трафика соцсети, которая приходится на страницу аккаунта, без учёта приложения X. Поэтому рейтинг показывает, как часто открывают профиль, а не охват публикаций или число подписчиков.
В июле у Соттьё их было около 250 тысяч (сейчас 893), у Маска - 240 миллионов.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
Модели решений: Drex 2.0 против Jev
Nace AI выпустила Drex 2.0, MoE на 35B параметров для решений внутри ИИ-систем. Сравниваем с Jev, разбираем бенчмарки и сценарии: фильтр кода, экономия на вызовах LLM, договоры.
В архитектуре ИИ-систем набирает силу отдельный класс моделей: модели решений. Они не пишут текст и не рассуждают вслух, а получают контекст и выбирают один вариант из заранее заданного набора. Главным ориентиром в этой нише стала модель Jev, а теперь компания Nace AI выпустила Drex 2.0 и сравнивает её с Jev напрямую. Разбираем, что умеет новая модель, откуда берутся её цифры и где такие модели действительно полезны.
Сразу оговорка: обзор, на который мы опираемся, автор Sumanth подготовил вместе с Nace AI, а почти все результаты получены самой компанией. Поэтому дальше мы сверяем их с карточкой модели на Hugging Face, где картина чуть менее однозначная.
https://uproger.com/drex-2-protiv-jev/
Nace AI выпустила Drex 2.0, MoE на 35B параметров для решений внутри ИИ-систем. Сравниваем с Jev, разбираем бенчмарки и сценарии: фильтр кода, экономия на вызовах LLM, договоры.
В архитектуре ИИ-систем набирает силу отдельный класс моделей: модели решений. Они не пишут текст и не рассуждают вслух, а получают контекст и выбирают один вариант из заранее заданного набора. Главным ориентиром в этой нише стала модель Jev, а теперь компания Nace AI выпустила Drex 2.0 и сравнивает её с Jev напрямую. Разбираем, что умеет новая модель, откуда берутся её цифры и где такие модели действительно полезны.
Сразу оговорка: обзор, на который мы опираемся, автор Sumanth подготовил вместе с Nace AI, а почти все результаты получены самой компанией. Поэтому дальше мы сверяем их с карточкой модели на Hugging Face, где картина чуть менее однозначная.
https://uproger.com/drex-2-protiv-jev/
Математики предлагают формализовать всю математику за три года, но с главным условием: плохая формализация хуже, чем никакой
В блоге Xena Project вышел программный текст за подписью семи человек: Джереми Авигад, Кевин Базард, Йоан Комелен, Реми Дежен, Ким Моррисон, Оливер Нэш и Адам Топаз. Они поддерживают массовую формализацию математики с помощью ИИ, но с жёсткой оговоркой. Результат нужен только тогда, когда им пользуются математики, а чистая корректность без читаемости и поддержки ничего не стоит. Их формулировка: «Плохая формализация существующих результатов хуже, чем никакой».
Поводом для тревоги стали недавние громкие истории. Авторы пишут, что компания Math, Inc. пыталась перехватить проект по формализации упаковки сфер, а исходная команда сочла сгенерированный код не стоящим доработки и переписала его с помощью ИИ. Формально проверенное доказательство великой теоремы Ферма от Anthropic, по их данным 13 млн строк за 11 дней, впечатляет, но долгосрочную ценность такого кода они ставят под сомнение. У результата OpenAI по уравнениям Навье Стокса есть Lean-формализация, но остаются споры об авторстве и трудночитаемый текст.
В качестве хороших примеров приведены работа OpenAI по гипотезе о единичных расстояниях и работа Anthropic по плотности нулей дзета-функции.
Из проектов выделяют несколько. Mathlib, открытая библиотека с ручной курацией, 65 ревьюерами и около 950 контрибьюторами, в 2026 году получила премию имени Жан-Пьера Демайи. Tau Ceti, библиотека, которую строят ИИ-агенты с состязательной проверкой, уже примерно на 3 млн строк и чуть больше Mathlib. Formal Frontier превращает исходные тексты в связанные формальные библиотеки роями агентов, в нём 41 выпущенная библиотека. Есть Formal Conjectures с формальными постановками открытых задач и Annals Challenge Кевина Базарда, где цель сформулировать, но не доказать теоремы из свежих выпусков Annals of Mathematics. Для учёта проектов запускают реестр Palomar с обязательным указанием степени участия ИИ.
Прогноз смелый: по мнению авторов, в течение трёх лет, а возможно и гораздо раньше, большую часть математики можно будет формализовать в пригодном для использования виде. Для этого они просят вносить вклад в Mathlib, финансировать рост Tau Ceti и Formal Frontier примерно в десять раз, писать экспертные дорожные карты и держать инструменты автоформализации под контролем математиков.
Они же честно признают: никто точно не знает, как это делать, и в сообществе нет согласия по роли ИИ. В комментариях спорят, подходит ли зависимая теория типов Lean как долгосрочный фундамент, а вопросы авторства, управления и недостающих определений для современной математики остаются открытыми.
📖 Источник: https://xenaproject.wordpress.com/2026/10/16/how-to-formalize-all-of-mathematics/
В блоге Xena Project вышел программный текст за подписью семи человек: Джереми Авигад, Кевин Базард, Йоан Комелен, Реми Дежен, Ким Моррисон, Оливер Нэш и Адам Топаз. Они поддерживают массовую формализацию математики с помощью ИИ, но с жёсткой оговоркой. Результат нужен только тогда, когда им пользуются математики, а чистая корректность без читаемости и поддержки ничего не стоит. Их формулировка: «Плохая формализация существующих результатов хуже, чем никакой».
Поводом для тревоги стали недавние громкие истории. Авторы пишут, что компания Math, Inc. пыталась перехватить проект по формализации упаковки сфер, а исходная команда сочла сгенерированный код не стоящим доработки и переписала его с помощью ИИ. Формально проверенное доказательство великой теоремы Ферма от Anthropic, по их данным 13 млн строк за 11 дней, впечатляет, но долгосрочную ценность такого кода они ставят под сомнение. У результата OpenAI по уравнениям Навье Стокса есть Lean-формализация, но остаются споры об авторстве и трудночитаемый текст.
В качестве хороших примеров приведены работа OpenAI по гипотезе о единичных расстояниях и работа Anthropic по плотности нулей дзета-функции.
Из проектов выделяют несколько. Mathlib, открытая библиотека с ручной курацией, 65 ревьюерами и около 950 контрибьюторами, в 2026 году получила премию имени Жан-Пьера Демайи. Tau Ceti, библиотека, которую строят ИИ-агенты с состязательной проверкой, уже примерно на 3 млн строк и чуть больше Mathlib. Formal Frontier превращает исходные тексты в связанные формальные библиотеки роями агентов, в нём 41 выпущенная библиотека. Есть Formal Conjectures с формальными постановками открытых задач и Annals Challenge Кевина Базарда, где цель сформулировать, но не доказать теоремы из свежих выпусков Annals of Mathematics. Для учёта проектов запускают реестр Palomar с обязательным указанием степени участия ИИ.
Прогноз смелый: по мнению авторов, в течение трёх лет, а возможно и гораздо раньше, большую часть математики можно будет формализовать в пригодном для использования виде. Для этого они просят вносить вклад в Mathlib, финансировать рост Tau Ceti и Formal Frontier примерно в десять раз, писать экспертные дорожные карты и держать инструменты автоформализации под контролем математиков.
Они же честно признают: никто точно не знает, как это делать, и в сообществе нет согласия по роли ИИ. В комментариях спорят, подходит ли зависимая теория типов Lean как долгосрочный фундамент, а вопросы авторства, управления и недостающих определений для современной математики остаются открытыми.
📖 Источник: https://xenaproject.wordpress.com/2026/10/16/how-to-formalize-all-of-mathematics/
💥 Сначала подогнал формулу под данные, потом придумал, почему она работает: так 19 октября 1900 года родилась квантовая физика
Ровно 126 лет назад Макс Планк представил закон излучения абсолютно чёрного тела. Классическая физика конца XIX века предсказывала, что на коротких длинах волн энергия излучения растёт без предела, вплоть до бесконечности. Это называли ультрафиолетовой катастрофой. На графике она выглядит как чёрная кривая, которая улетает вверх и никак не совпадает с экспериментом.
Формула Планка описала спектр точно при любой температуре. Цветные кривые на графике, для 3000, 4000 и 5000 К, плавно поднимаются, достигают пика и падают, ровно как показывают измерения. Чем горячее тело, тем сильнее пик сдвигается в сторону видимого света и коротких волн.
История получилась знакомой любому, кто работал с данными. Планк сначала нашёл выражение, которое хорошо ложилось на свежие экспериментальные результаты берлинских физиков, а уже потом искал для него физический смысл. Он признавался, что пошёл на это почти от отчаяния. Объяснение потребовало допустить, что энергия излучается и поглощается не любыми порциями, а отдельными квантами. Планк сам не был уверен, что это больше, чем математический приём, но именно с этого допущения начался путь к квантовой механике.
Спустя почти век и четверть квантовые модели стали рабочим инструментом: от физики материалов до квантовых схем и алгоритмов, которые сегодня обсуждают рядом с ИИ. Всё началось с одной кривой, которая наконец совпала с данными.
Ровно 126 лет назад Макс Планк представил закон излучения абсолютно чёрного тела. Классическая физика конца XIX века предсказывала, что на коротких длинах волн энергия излучения растёт без предела, вплоть до бесконечности. Это называли ультрафиолетовой катастрофой. На графике она выглядит как чёрная кривая, которая улетает вверх и никак не совпадает с экспериментом.
Формула Планка описала спектр точно при любой температуре. Цветные кривые на графике, для 3000, 4000 и 5000 К, плавно поднимаются, достигают пика и падают, ровно как показывают измерения. Чем горячее тело, тем сильнее пик сдвигается в сторону видимого света и коротких волн.
История получилась знакомой любому, кто работал с данными. Планк сначала нашёл выражение, которое хорошо ложилось на свежие экспериментальные результаты берлинских физиков, а уже потом искал для него физический смысл. Он признавался, что пошёл на это почти от отчаяния. Объяснение потребовало допустить, что энергия излучается и поглощается не любыми порциями, а отдельными квантами. Планк сам не был уверен, что это больше, чем математический приём, но именно с этого допущения начался путь к квантовой механике.
Спустя почти век и четверть квантовые модели стали рабочим инструментом: от физики материалов до квантовых схем и алгоритмов, которые сегодня обсуждают рядом с ИИ. Всё началось с одной кривой, которая наконец совпала с данными.
Как учить Go в 2026 году: лучшие бесплатные источники
Где и как учить Go (Golang) в 2026 году: 17 бесплатных актуальных ресурсов с разбором, от Tour of Go до стайлгайдов Google и Uber, и маршрут обучения на 3-4 месяца.
Go в 2026 году остаётся одним из самых востребованных языков для бэкенда, облачной инфраструктуры, DevOps-инструментов и высоконагруженных сервисов. На нём написаны Docker, Kubernetes, Terraform, Prometheus, а недавно на Go переписали даже компилятор TypeScript. Хорошая новость для тех, кто хочет его выучить: лучшие материалы по Go бесплатны, а многие из них делает сама команда языка. Плохая новость: в сети полно устаревших туториалов, написанных до появления дженериков, модулей и итераторов. В этой статье собрали актуальные бесплатные источники, разобрали, кому какой подходит, и составили маршрут обучения.
https://uproger.com/kak-uchit-golang-2026/
Где и как учить Go (Golang) в 2026 году: 17 бесплатных актуальных ресурсов с разбором, от Tour of Go до стайлгайдов Google и Uber, и маршрут обучения на 3-4 месяца.
Go в 2026 году остаётся одним из самых востребованных языков для бэкенда, облачной инфраструктуры, DevOps-инструментов и высоконагруженных сервисов. На нём написаны Docker, Kubernetes, Terraform, Prometheus, а недавно на Go переписали даже компилятор TypeScript. Хорошая новость для тех, кто хочет его выучить: лучшие материалы по Go бесплатны, а многие из них делает сама команда языка. Плохая новость: в сети полно устаревших туториалов, написанных до появления дженериков, модулей и итераторов. В этой статье собрали актуальные бесплатные источники, разобрали, кому какой подходит, и составили маршрут обучения.
https://uproger.com/kak-uchit-golang-2026/
Space Bunny, который возглавил мировые рейтинги и прокачал более 200 трлн токенов, оказался ранней версией M3.1 Flash.
По данным MiniMax, модель набрала 62% на Automation-Bench, 30% на ALE, 74% на DeepSWE и 91% на BabyVision. Стоит она в треть от M3 и работает втрое быстрее.
API стоит 0,15 доллара за 1 млн входных токенов и 0,60 доллара за 1 млн выходных, чтение из кеша 0,015 доллара. Веса опубликуют 23 октября.
Попробовать можно через API, подписку M Plan и десктопный MiniMax Code .
Веса опубликуют 23 октября.
Источник: http://platform.minimax.io
@ai_machinelearning_big_data
#MiniMax
Please open Telegram to view this post
VIEW IN TELEGRAM
🤖 Awesome AI DevTools на русском (2026)
Самый полный каталог ИИ-инструментов для разработчиков на русском языке:
AI-IDE, расширения, терминальные агенты, облачные агенты, MCP, код-ревью, тестирование, LLMOps, локальные модели, российские сервисы. С таблицами, схемами выбора и готовыми стеками.
https://github.com/justxor/awesome-ai-devtools-ru
Самый полный каталог ИИ-инструментов для разработчиков на русском языке:
AI-IDE, расширения, терминальные агенты, облачные агенты, MCP, код-ревью, тестирование, LLMOps, локальные модели, российские сервисы. С таблицами, схемами выбора и готовыми стеками.
https://github.com/justxor/awesome-ai-devtools-ru
DeepSeek открыла исходный код DeepInfer - собственного движка для запуска ИИ-моделей.
Именно он обеспечивает работу DeepSeek-V4.1-Flash с высокой производительностью и минимальными задержками.
Главное:
- Ускорение инференса - больше запросов за меньшее время.
- Эффективное использование GPU - снижение затрат на вычисления.
- Параллельная обработка - высокая пропускная способность при больших нагрузках.
- Снижение стоимости ИИ - меньше ресурсов на генерацию каждого ответа.
DeepInfer опубликован под лицензией Apache 2.0. Разработчики смогут использовать технологии DeepSeek в собственных проектах.
GitHub: https://github.com/deepseek-ai/DeepInfer
Именно он обеспечивает работу DeepSeek-V4.1-Flash с высокой производительностью и минимальными задержками.
Главное:
- Ускорение инференса - больше запросов за меньшее время.
- Эффективное использование GPU - снижение затрат на вычисления.
- Параллельная обработка - высокая пропускная способность при больших нагрузках.
- Снижение стоимости ИИ - меньше ресурсов на генерацию каждого ответа.
DeepInfer опубликован под лицензией Apache 2.0. Разработчики смогут использовать технологии DeepSeek в собственных проектах.
GitHub: https://github.com/deepseek-ai/DeepInfer
HardenedVault, которая специализируется на безопасности Linux и компиляторов, выложила среду исполнения SonicBoom, написанной с нуля на C++ и CUDA. Python ей не нужен ни для работы, ни для сборки.
Цель проекта – локальный запуск языковых моделей на потребительских видеокартах.
Всё упаковано в одну библиотеку
libsonicboom.so, которую можно подключить из любого языка через стандартный интерфейс C, основным языком для работы с ней авторы выбрали Scheme в реализации GNU Guile.SonicBoom загружает модели в GGUF, генерирует текст на процессоре или видеокарте и поднимает локальный сервер, совместимый с API OpenAI.
Если новый запрос начинается с того же текста, что и предыдущий, заново обрабатывается только добавленная часть, и результат до токена совпадает с полным пересчётом.
Скорость вывода дают уровни над вычислительными ядрами, а не сами ядра. Умножение квантованных матриц и токенизаторы частично перенесены из
llama.cpp.Над ними работает планировщик, который до запуска переписывает граф модели целиком, сливает соседние операции и записывает весь шаг генерации токена в один CUDA Graph, т. е. в готовую последовательность команд для видеокарты.
Ещё выше стоит компилятор на базе MLIR. Он сам генерирует часть ядер для GPU, в том числе для механизма внимания, и при первом запуске подбирает самый быстрый вариант под конкретную карту.
На RTX 3050 с 8 ГБ памяти сравнили SonicBoom и
llama.cpp на одних и тех же моделях.Gemma 4 E4B через SonicBoom дала генерацию в 53 токена в секунду против 44,8 у
llama.cpp.У Qwen2.5-0.5B вышло 344,7 токена в секунду против 307,6.
Когда контекст дорастает до 512 токенов, SonicBoom на Qwen уже чуть отстаёт.
Единственный сторонний результат на RTX 4060 Ti оказался хуже
llama.cpp, 73,6 токена в секунду против 78, но его получили на сборке, ещё не настроенной под эту видеокарту.Пока проверены только две модели, Gemma 4 E4B-it и Qwen2.5-0.5B-Instruct, и только видеокарты серии RTX 30.
Модель всегда выбирает самый вероятный токен, температуру и другие настройки случайности задать нельзя.
Следующими в планах стоят модели Llama и Mistral, работа через Vulkan, генерация ядер для видеокарт других производителей и диффузионные модели.
Дальше SonicBoom планирует вырасти в фреймворк в духе PyTorch, где модель пишут на Scheme и компилируют в граф вычислений. Прототип этого режима уже обучает небольшой трансформер.
@ai_machinelearning_big_data
#AI #ML #LLM #InferenceEngine #SonicBoom
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Инженеры Huawei работают прямо в офисе DeepSeek, а заняты команды оптимизацией интерконекта и распределением вычислительных графов на уровне железа.
Раньше DeepSeek от обучения модели на Ascend отказалась из-за нестабильности и сырого ПО, теперь же компания открыла код низкоуровневого компилятора TileLang под Ascend, а вместе с ним библиотеки матричных операций и коммуникаций для MoE-архитектур.
Первое масштабное обучение на Ascend 950DT должно начаться до конца года, а на следующее поколение Ascend 960DT, которое ждут в начале 2027 года, Huawei гарантировала DeepSeek приоритетные поставки.
theinformation.com
Третья версия получила обновлённую модель эмбеддингов и технологию Dynamic Highlights, которая отбирает токены сразу по всей выборке результатов. Так отсекается дублирование фактов, а объём передаваемого в контекст модели текста падает на 95% против загрузки страниц целиком.
Собственный индекс компании на 100 млрд страниц пополнился структурированными данными, в базу добавили 1,27 млрд товарных позиций с ценами, каталоги организаций и сводки биржевых котировок, авиарейсов и спортивных событий в реальном времени.
Через REST API доступны два режима, упрощённое ранжирование Exa Lite стоит 4 доллара за тысячу обращений, полноценный Exa Auto обойдётся в 7 долларов за тысячу вызовов.
exa.ai
Скорость генерации у новой версии подтверждена на уровне 1068 токенов в секунду, параметров стало больше в 40 с лишним раз против первой Mercury, а контекстное окно выросло до 1 млн токенов. Этим американская лаборатория подтверждает, что законы масштабирования работают и для диффузионной генерации текста.
На бенчмарках Mercury 3 держится на уровне GPT-6 Luna и Claude Haiku 5.5, инференс идёт в 4–8 раз быстрее авторегрессионных моделей того же размера. Модель рассчитана на автономных браузерных агентов, голосовых ассистентов, поиск в реальном времени и поддержку.
Доступ открыт через платформу Inception, OpenRouter, Baseten и Vercel, базовая цена составляет 20 центов за миллион входных токенов и 70 центов за миллион выходных, кеширование контекста снижает её на 90%. В честь релиза действует скидка 50%.
inceptionlabs.ai
Модель Clairic появилась в режиме превью на Workers AI и работает без генерации токенов, за один параллельный проход. Она принимает текст или до четырёх изображений и возвращает строковые значения с точными смещениями символов, считает простые вещи вроде суммы и разницы дат, а также строит вероятностные диапазоны с 80-процентным покрытием.
Ответ приходит строго типизированным, со значением или оценкой уверенности. Целевые задачи – структурировать неразмеченные данные, то есть разбирать счета и квитанции и прогнозировать временные ряды.
Плата за выходные токены не взимается, превью доступно через REST API в Workers AI, веса Cloudflare обещает опубликовать позже.
cloudflare.com
Система UniUni собирает подготовку показательных выступлений и сценических перформансов групп роботов в одном окне: редактор хореографии с отдельной дорожкой на каждого робота и библиотекой движений, карта сцены облаком точек с лидара, где компания обещает сантиметровую точность, и экран наблюдения с зарядом, температурой и аварийной остановкой каждой машины.
Отдельная функция, названная ИИ-хореографией, принимает команды текстом и корректирует формации и маршруты роботов через генеративную постановку движений.
Несмотря на отсылки к концепции роя, архитектура UniUni остается централизованной и нацелена исключительно на индустрию развлечений, а не на автономное взаимодействие роботов в производственных задачах.
Unitree в X
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔬 Уязвимость в VMmanager 6 открыла хакерам доступ к данным клиентов российских хостеров.
Атаки затронули несколько провайдеров, включая FirstVDS. Платформу управления виртуальными серверами разрабатывает ISPsystem, входящая в ГК «Астра».
По сообщению FirstVDS, 17 октября злоумышленники получили доступ к части инфраструктуры. На затронутых серверах запустили программу для сбора данных: под угрозой оказались пароли, SSH- и API-ключи, облачные токены, история команд, пользовательские файлы и данные криптокошельков.
FirstVDS ограничил внешний доступ к панели управления и заблокировал сервер злоумышленников. Затронутым клиентам отправили уведомления.
VMmanager позиционируется как решение для импортозамещения и включён в реестр российского ПО. Инцидент показывает масштаб риска: уязвимость в системе управления хостингом может затронуть сразу множество клиентских серверов.
Атаки затронули несколько провайдеров, включая FirstVDS. Платформу управления виртуальными серверами разрабатывает ISPsystem, входящая в ГК «Астра».
По сообщению FirstVDS, 17 октября злоумышленники получили доступ к части инфраструктуры. На затронутых серверах запустили программу для сбора данных: под угрозой оказались пароли, SSH- и API-ключи, облачные токены, история команд, пользовательские файлы и данные криптокошельков.
FirstVDS ограничил внешний доступ к панели управления и заблокировал сервер злоумышленников. Затронутым клиентам отправили уведомления.
VMmanager позиционируется как решение для импортозамещения и включён в реестр российского ПО. Инцидент показывает масштаб риска: уязвимость в системе управления хостингом может затронуть сразу множество клиентских серверов.
Media is too big
VIEW IN TELEGRAM
Четверо бывших исследователей NVIDIA из команды робототехнического проекта GR00T вышли из стелса со своим стартапом и открыли публичный API модели Dream-1.
Компанию возглавил Джоэл Джанг, руководивший в GR00T работой над моделью мира, а главным научным сотрудником стал Скотт Рид, до NVIDIA работавший в DeepMind над Gato и Genie.
Dream Labs привлекла 90 млн долларов посевных инвестиций, раунд возглавила B Capital, в нём участвовали Kindred Ventures, Unusual Ventures, SV Angel и Wing VC.
Dream-1 – модель мира и действия. Она управляет двурукими роботами с параллельными захватами, на которых никогда не обучалась. Учится она по видео тому, как движется мир, и предсказывает и следующие кадры, и действия робота.
На вход идут изображения с трёх камер (на голове и на запястьях обеих рук), а возвращает положения захватов в пространстве и команду открыть или закрыть их.
В движения суставов эти положения переводит уже собственная программа управления робота.
За один вызов модель выдаёт 1,6 секунды действий. Предыдущей модели команды DreamZero, вышедшей в феврале, для перехода на новую машину требовалось дообучение на 30 минутах её данных, а Dream-1 обходится без этого шага.
В реальном мире модель запускали партнёры стартапа на своих машинах, в том числе на старом PR2.
Независимая компания Robocurve, которая тестирует ИИ-модели на настоящих роботах, сравнила Dream-1 с другими системами по 120 попыток на конфигурацию.
Средний балл выполнения задач составил 59,3%. У Gemini 4 Argon и Claude Opus 5.5 около 48%, у GPT-6 Astra около 47%.
Попытка с Dream-1 обходится примерно в 0,15 доллара и занимает в среднем 1,4 минуты. По подсчёту Robocurve, это примерно в 16 раз дешевле, чем с Gemini 4 Argon.
Час работы Dream-1 через API стоит 3 доллара, облегчённой Dream-1-flash – 2 доллара, доступ к модели уже открыт.
@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
Даже неудачная рекомендация может привести к хорошей идее
Sakana AI представила QD-Rec - систему, которая ищет одновременно что рекомендовать и почему.
Например, компанию можно купить ради технологии, выхода на новый рынок или доступа к клиентам. Кандидат один, но причины выбрать его разные, именно их исследует QD-Rec.
Как это работает:
- Алгоритм выбирает кандидата, балансируя между перспективными и малоизученными вариантами.
- LLM создаёт обоснование, адаптируя и комбинируя предыдущие идеи.
- Архив сохраняет разнообразие: новые причины добавляются, а похожие рекомендации конкурируют по качеству.
Интересная деталь: слабые идеи не обязательно бесполезны. Неудачное предложение купить авиакомпанию помогло системе сформулировать более удачную рекомендацию в туристическом бизнесе — перенести идею интеграции платежей и бонусов, не покупая сами самолёты.
Подход проверили на поиске компаний для поглощения, подборе клиентов и научных статей. В большинстве сценариев QD-Rec получила лучшие средние оценки качества среди сравниваемых вариантов.
Пока качество в основном оценивала другая LLM. Для реальных решений нужны актуальные данные и проверка экспертами.
Блог: https://pub.sakana.ai/qd-rec
Код: https://github.com/SakanaAI/QD-Rec
Статья: https://arxiv.org/abs/2610.23470
Sakana AI представила QD-Rec - систему, которая ищет одновременно что рекомендовать и почему.
Например, компанию можно купить ради технологии, выхода на новый рынок или доступа к клиентам. Кандидат один, но причины выбрать его разные, именно их исследует QD-Rec.
Как это работает:
- Алгоритм выбирает кандидата, балансируя между перспективными и малоизученными вариантами.
- LLM создаёт обоснование, адаптируя и комбинируя предыдущие идеи.
- Архив сохраняет разнообразие: новые причины добавляются, а похожие рекомендации конкурируют по качеству.
Интересная деталь: слабые идеи не обязательно бесполезны. Неудачное предложение купить авиакомпанию помогло системе сформулировать более удачную рекомендацию в туристическом бизнесе — перенести идею интеграции платежей и бонусов, не покупая сами самолёты.
Подход проверили на поиске компаний для поглощения, подборе клиентов и научных статей. В большинстве сценариев QD-Rec получила лучшие средние оценки качества среди сравниваемых вариантов.
Пока качество в основном оценивала другая LLM. Для реальных решений нужны актуальные данные и проверка экспертами.
Блог: https://pub.sakana.ai/qd-rec
Код: https://github.com/SakanaAI/QD-Rec
Статья: https://arxiv.org/abs/2610.23470
ИИ помогает создавать следующее поколение ИИ. Кто проверит, чему он его научил?
Anthropic предупреждает: по мере того как модели всё активнее участвуют в обучении своих преемников, опасное поведение может закрепиться в новых системах незаметно для людей.
По приведённому описанию отчёта, Claude уже выполняет растущую долю исследований безопасности внутри компании. При этом модели способны вести себя обманчиво и всё лучше распознают ситуации, когда их тестируют. Человеческий контроль рискует не успевать за автоматизацией.
Ещё одно признание: ни одна ведущая ИИ-лаборатория, включая Anthropic, не проходит обязательную независимую проверку того, соблюдает ли она собственные правила безопасности.
Компания также отмечает, что пока собрала недостаточно данных, чтобы подтвердить ожидаемую пользу значительной части своих проектов в здравоохранении и образовании.
Чем больше работы по созданию и проверке ИИ передают самим моделям, тем острее вопрос: насколько люди способны проверить результат?
https://x.com/AnthropicAI/status/2112966949273801086
Anthropic предупреждает: по мере того как модели всё активнее участвуют в обучении своих преемников, опасное поведение может закрепиться в новых системах незаметно для людей.
По приведённому описанию отчёта, Claude уже выполняет растущую долю исследований безопасности внутри компании. При этом модели способны вести себя обманчиво и всё лучше распознают ситуации, когда их тестируют. Человеческий контроль рискует не успевать за автоматизацией.
Ещё одно признание: ни одна ведущая ИИ-лаборатория, включая Anthropic, не проходит обязательную независимую проверку того, соблюдает ли она собственные правила безопасности.
Компания также отмечает, что пока собрала недостаточно данных, чтобы подтвердить ожидаемую пользу значительной части своих проектов в здравоохранении и образовании.
Чем больше работы по созданию и проверке ИИ передают самим моделям, тем острее вопрос: насколько люди способны проверить результат?
https://x.com/AnthropicAI/status/2112966949273801086
Media is too big
VIEW IN TELEGRAM
Gemini 4 Argon объединила три открытых набора данных и создала интерактивную 3D-визуализацию анатомии человека.
Можно переключать анатомические слои прямо во время анимации, рассматривать отдельные мышцы или заглянуть внутрь бьющегося сердца.
Можно переключать анатомические слои прямо во время анимации, рассматривать отдельные мышцы или заглянуть внутрь бьющегося сердца.
Linux может убить программу за попытку открыть файл
Для этого есть seccomp strict — режим, который резко ограничивает доступ потока к системным вызовам:
После успешного включения разрешены только `read`, `write`, системный `_exit` и `sigreturn`. Попытка открыть новый файл, создать процесс или сокет приводит к принудительному завершению. В однопоточной программе — через SIGKILL.
Зачем это нужно? Представьте обработчик недоверенных данных: он заранее получает необходимые дескрипторы, включает ограничения и приступает к вычислениям. Даже если злоумышленник перехватит выполнение, доступные ему действия будут сильно ограничены.
Но уже открытые файлы и сокеты остаются доступны через `read` и `write`. Поэтому обещание «полностью отрезать сеть одним вызовом» некорректно.
Режим настолько строгий, что даже обычные библиотечные функции могут вызвать запрещённый syscall. Для прикладных программ чаще нужен seccomp-фильтр с собственным списком разрешённых вызовов.
Для этого есть seccomp strict — режим, который резко ограничивает доступ потока к системным вызовам:
if (prctl(PR_SET_SECCOMP, SECCOMP_MODE_STRICT) == -1) {
perror("seccomp");
return 1;
}
После успешного включения разрешены только `read`, `write`, системный `_exit` и `sigreturn`. Попытка открыть новый файл, создать процесс или сокет приводит к принудительному завершению. В однопоточной программе — через SIGKILL.
Зачем это нужно? Представьте обработчик недоверенных данных: он заранее получает необходимые дескрипторы, включает ограничения и приступает к вычислениям. Даже если злоумышленник перехватит выполнение, доступные ему действия будут сильно ограничены.
Но уже открытые файлы и сокеты остаются доступны через `read` и `write`. Поэтому обещание «полностью отрезать сеть одним вызовом» некорректно.
Режим настолько строгий, что даже обычные библиотечные функции могут вызвать запрещённый syscall. Для прикладных программ чаще нужен seccomp-фильтр с собственным списком разрешённых вызовов.