Forwarded from Machinelearning
Anthropic выпустила Claude Sonnet 5.5 - новую модель с упором на код, агентные задачи и повседневную работу.
Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5,
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями
Особенно заметный скачок - в программировании.
Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.
Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID:
https://www.anthropic.com/claude-sonnet-5-5
Что нового:
30%+ быстрее Sonnet 5
до 30% дешевле на задачу за счёт меньшего расхода токенов
70,6% в Terminal-Bench 4.0 против 10,3% у Sonnet 5
55,5% в CursorBench 4.0, примерно на 2 пункта ниже Opus 5.5
на GDPval-AA модель почти сравнялась с Opus 5.5,
лучше работает с длинными задачами, изображениями, документами, таблицами и презентациями
Особенно заметный скачок - в программировании.
Anthropic пишет, что Sonnet 5.5 быстрее разбирается в кодовых базах, делает меньше вызовов инструментов и тратит меньше шагов на выполнение задач.
Цена API:
$2 / 1M входных токенов
$10 / 1M выходных токенов
$0,20 / 1M cache reads
Модель уже доступна в Claude, API, AWS, Google Cloud и Azure.
API ID:
claude-sonnet-5-5https://www.anthropic.com/claude-sonnet-5-5
👍8😁3
Intern-Decision - новая серия компактных моделей для принятия решений по тексту и изображениям
В линейке три версии: 0.8B, 2B и 4B параметров. Они заточены не под обычный чат, а под structured decision-making: выбор действий, маршрутизацию запросов, оценку вариантов и управление мультимодальными workflow.
Что умеют:
- принимают текст + до 8 изображений
- за один forward pass отвечают на multiple choice, score и yes/no
- возвращают результат в типизированном JSON
- выдают не только ответ, но и калиброванное распределение вероятностей
Средний результат на 7 decision-бенчмарках:
0.8B — 79.38
2B — 84.68
4B — 90.02
Intern-Decision-4B обходит Jev с результатом 88.74 и при этом показывает более качественную probability calibration.
По скорости тоже интересно: заявленная средняя задержка составляет 33.98 / 33.28 / 44.16 мс для трёх моделей против 109.70 мс у Jev в одинаковом локальном Hugging Face окружении.
То есть даже 4B-модель можно использовать как быстрый decision layer для AI-агентов: выбрать инструмент, определить маршрут, оценить результат или решить, какое действие выполнять дальше.
📜 Apache 2.0. Для компонентов на базе Qwen3.5 необходимо сохранить соответствующие upstream notices.
https://modelscope.ai/collections/Sh
В линейке три версии: 0.8B, 2B и 4B параметров. Они заточены не под обычный чат, а под structured decision-making: выбор действий, маршрутизацию запросов, оценку вариантов и управление мультимодальными workflow.
Что умеют:
- принимают текст + до 8 изображений
- за один forward pass отвечают на multiple choice, score и yes/no
- возвращают результат в типизированном JSON
- выдают не только ответ, но и калиброванное распределение вероятностей
Средний результат на 7 decision-бенчмарках:
0.8B — 79.38
2B — 84.68
4B — 90.02
Intern-Decision-4B обходит Jev с результатом 88.74 и при этом показывает более качественную probability calibration.
По скорости тоже интересно: заявленная средняя задержка составляет 33.98 / 33.28 / 44.16 мс для трёх моделей против 109.70 мс у Jev в одинаковом локальном Hugging Face окружении.
То есть даже 4B-модель можно использовать как быстрый decision layer для AI-агентов: выбрать инструмент, определить маршрут, оценить результат или решить, какое действие выполнять дальше.
📜 Apache 2.0. Для компонентов на базе Qwen3.5 необходимо сохранить соответствующие upstream notices.
https://modelscope.ai/collections/Sh
👍2🔥2
🧠 Открытые нейросетевые фреймворки представили на главной конференции по рекомендательным системам ACM RecSys 2026
Команда исследователей Т-Технологий представила на конференции в США библиотеку Scikit‑Rank, фреймворк Perseus и метод ScaL³AE. Библиотека для нейросетевого ранжирования Scikit‑Rank снижает сложность адаптации нейросетевых моделей ранжирования в прикладных задачах без полной переработки кода.
Фреймворк Perseus объединяет историю действий пользователя из разных сервисов и использует ее для улучшения качества персонализации. В экспериментах на T‑ECD он улучшил качество рекомендаций на 16-39%.
ScaL³AE заменяет тяжелые вычисления на компактные представления при работе моделей с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. На четырех категориях Amazon Reviews метод превзошел рекомендательные модели EASE и SANSA.
Команда исследователей Т-Технологий представила на конференции в США библиотеку Scikit‑Rank, фреймворк Perseus и метод ScaL³AE. Библиотека для нейросетевого ранжирования Scikit‑Rank снижает сложность адаптации нейросетевых моделей ранжирования в прикладных задачах без полной переработки кода.
Фреймворк Perseus объединяет историю действий пользователя из разных сервисов и использует ее для улучшения качества персонализации. В экспериментах на T‑ECD он улучшил качество рекомендаций на 16-39%.
ScaL³AE заменяет тяжелые вычисления на компактные представления при работе моделей с каталогами промышленных масштабов, сохраняя качество рекомендаций товаров, о которых доступно мало данных. На четырех категориях Amazon Reviews метод превзошел рекомендательные модели EASE и SANSA.
❤9👍5🔥5
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Документ подписали главы Google, Anthropic, xAI и Nvidia и президент OpenAI Грег Брокман. Юридической силы у соглашения нет, стороны называют его морально обязывающим.
Компании обещают ввести четыре уровня контроля и аудита передовых моделей, создать внутренние группы для проверки этих механизмов, допустить внешние проверки и независимый надзор.
Критики сетуют, что соглашение необязательное и почти не содержит деталей.
axios.com
Об этом сообщил Китайский информационный центр интернет-сети CNNIC в докладе о генеративном ИИ. Все компоненты кластера от чипов и сети до хранения данных и охлаждения сделаны в Китае.
Вычислительная мощность для ИИ в стране к июню выросла за год на 177%, до 2185 EFLOPS. Аудитория генеративного ИИ превысила 700 млн человек, это больше половины населения.
ИИ используют более 30% крупных и средних промышленных предприятий Поднебесной.
cnnic.cn
Свежая версия сфокусирована на точное и последовательное редактирование графики. Она не накапливает артефакты, смещения пикселей и искажения цвета при длинных цепочках правок.
Модель правит фрагменты снимков высокого разрешения без уменьшения исходника и переводит надписи на изображении на другие языки.
Ideogram 4.5 доступна в веб-интерфейсе, у партнёров и через API в четырёх режимах качества, от 0,008 до 0,22 доллара за изображение в разрешении 2K.
Веса компания обещает открыть в ближайшее время.
ideogram.ai
OpenClaw Enterprise управляет постоянно работающими агентами в закрытых средах. Проект начинали в OpenAI, затем передали фонду и доработали вместе с Red Hat и Nvidia.
Платформа поддерживает мультиарендность, разделяет доверенные и недоверенные нагрузки, запускает агентов в песочнице, проверяет их действия с помощью языковой модели и позволяет тонко настраивать права доступа. Обвязку, модель и песочницу можно заменить сторонними или собственными.
Версия 1.0 выйдет до конца года, пока платформу рекомендуют для внутренних пилотов. Такие пилоты идут в Red Hat и OpenAI, где агенты получают полный доступ к кодовым базам.
Платформа бесплатна и разворачивается на собственных серверах.
openclaw.ai
Пионер фастфуда совместно с Tiger Analytics запустил модель, которая анализирует транзакции и парсит конкурентов, вычисляя метрику готовности платить для каждой геолокации.
По данным Reuters, применение алгоритма привело к разбросу цен - стоимость Биг Мака в заведениях в радиусе трех километров может различаться на 21%.
Корпорация заявляет о рекомендательном характере системы. При этом платформа фиксирует отклонения франчайзи от сгенерированных расценок. Уровень ценового комплаенса напрямую учитывается при аудите бизнеса и продлении партнерских контрактов.
Масштабирование алгоритмического подхода на 14 тысяч ресторанов в США привлекло внимание антимонопольных органов. Сейчас регуляторы проверяют, нарушает ли такое ценообразование законодательство о защите конкуренции.
reuters.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤2👍2🔥2
🚨 SoftBank перевела финальные $10 млрд в OpenAI.
Это третья и последняя часть обещанных $30 млрд инвестиций. Теперь суммарно SoftBank вложила в OpenAI $64,6 млрд и владеет примерно 13% компании.
Чтобы профинансировать ставку на AI, SoftBank пошла очень далеко:
- ранее продала весь пакет Nvidia на $5,8 млрд
- в сентябре привлекла ещё $11,1 млрд через high-yield облигации
- средства от этого выпуска пошли на финальный транш OpenAI
Масаёси Сон фактически продолжает стратегию all-in на OpenAI и AI-инфраструктуру.
SoftBank теперь один из крупнейших акционеров OpenAI.
Это третья и последняя часть обещанных $30 млрд инвестиций. Теперь суммарно SoftBank вложила в OpenAI $64,6 млрд и владеет примерно 13% компании.
Чтобы профинансировать ставку на AI, SoftBank пошла очень далеко:
- ранее продала весь пакет Nvidia на $5,8 млрд
- в сентябре привлекла ещё $11,1 млрд через high-yield облигации
- средства от этого выпуска пошли на финальный транш OpenAI
Масаёси Сон фактически продолжает стратегию all-in на OpenAI и AI-инфраструктуру.
SoftBank теперь один из крупнейших акционеров OpenAI.
👍10❤5👎2🔥2😁2
100 вопросов на Python Senior: к чему готовиться на собеседовании в 2026
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
Вышла подборка из 100 вопросов для собеседования на Python Senior с развёрнутыми ответами и рабочими примерами кода. Уровень там явно выше «чем список отличается от кортежа».
Первый большой блок про внутренности CPython: как устроен объект, как работают подсчёт ссылок и сборщик мусора, зачем нужен weakref при циклических ссылках. Дальше идёт конкурентность. Почему существует GIL, когда потоки всё ещё полезны, что даёт free-threaded Python по PEP 703 и как выбирать между threading, multiprocessing и asyncio, включая TaskGroup и структурную конкурентность.
Отдельно разобраны дескрипторы и метаклассы, декораторы с параметрами, генераторы и yield from. По типизации есть современный синтаксис дженериков из PEP 695, Protocol и сужение типов через TypeIs. В конце вопросы про профилирование и поиск узких мест, стандартную библиотеку, тестирование и архитектуру, зависимости и безопасность в продакшене. Свежие изменения из Python 3.13 и 3.14 тоже учтены: экспериментальный JIT, отложенные аннотации и отдельный GIL на каждый интерпретатор.
Полезно и тем, кто идёт на собеседование, и тем, кто сам их проводит.
https://uproger.com/voprosy-na-sobesedovanii-python-senior/
❤2👍2🔥2
🇩🇪 Германия неожиданно выпустила сильную открытую модель ИИ
Aleph Alpha выпустила Kolibri, обученную с нуля с акцентом на немецкий и английский.
• 78 млрд параметров, из которых на каждый токен активны только 3,46 млрд.
• Открытые веса под Apache 2.0, включая коммерческое использование.
• Контекст до 1 млн токенов, поддержка рассуждений и вызова инструментов.
В собственных тестах разработчиков результаты впечатляют:
🧮 AIME 2025: 96,9%
🔬 GPQA Diamond: 84,3%
По сводному результату немецкоязычных тестов Kolibri немного опережает Qwen3.5 35B-A3B и GPT-OSS 120B. С программированием всё неоднозначнее: на SWE-bench Verified у неё 66,4%, у Qwen3.6 35B-A3B 73,8%.
🔗 Веса модели: https://huggingface.co/Aleph-Alpha/Kolibri-1
Aleph Alpha выпустила Kolibri, обученную с нуля с акцентом на немецкий и английский.
• 78 млрд параметров, из которых на каждый токен активны только 3,46 млрд.
• Открытые веса под Apache 2.0, включая коммерческое использование.
• Контекст до 1 млн токенов, поддержка рассуждений и вызова инструментов.
В собственных тестах разработчиков результаты впечатляют:
🧮 AIME 2025: 96,9%
🔬 GPQA Diamond: 84,3%
По сводному результату немецкоязычных тестов Kolibri немного опережает Qwen3.5 35B-A3B и GPT-OSS 120B. С программированием всё неоднозначнее: на SWE-bench Verified у неё 66,4%, у Qwen3.6 35B-A3B 73,8%.
🔗 Веса модели: https://huggingface.co/Aleph-Alpha/Kolibri-1
👍16❤5🔥5
🧠 Есть ли у Claude сознание? Автор диссертации на эту тему сомневается
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
На фоне обсуждений машинного сознания Майкл Тимоти Беннетт поделился своей позицией:
> «Я достаточно уверен, что Claude не обладает сознанием».
В 2025 году он подготовил в Австралийском национальном университете PhD-диссертацию How To Build Conscious Machines. В ней исследует, что такое субъективный опыт и какие свойства могли бы позволить машине им обладать.
Оценка Claude прозвучала в посте автора. Сама диссертация посвящена более широкому вопросу: как вообще создать машину с сознанием.
📄 Работа: https://openresearch-repository.anu.edu.au/bitstreams/6f333f30-2553-4032-8c3f-ff7a8f46f03a/download
❤3👍1🔥1
🔥 Бесплатный курс по Claude Code на русском: от установки до команды агентов
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
На GitHub выложили Claude Code PRO Course, бесплатный практический курс по Claude Code на русском языке. Он ведёт от первого запуска до настройки многоагентной работы в команде.
Внутри 12 модулей в четырёх уровнях сложности: основы, рабочий процесс, расширения и масштабирование. Сначала установка, промптинг, память проекта через CLAUDE.md, настройки и права доступа. Потом профессиональный рабочий процесс, скиллы и слэш-команды, сабагенты и хуки.
Дальше идут MCP, плагины и маркетплейсы, а в конце headless-режим, CI и GitHub Actions плюс продвинутые техники. Основной упор сделан на управление контекстом, разработку через тесты и автоматизацию через конфигурацию как код.
Теорией курс не ограничивается: есть 8 практических лабораторных, готовый стартовый набор, библиотека промптов и пример собственного плагина. Лицензия MIT.
https://github.com/justxor/claude-code-pro-course
❤4
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Власти США сформировали межведомственную группу Super Intelligence Force для координации федеральной политики в сфере ИИ.
Новый орган подчиняется напрямую президенту США. Координатором группы назначен директор Национальной разведки Джей Клейтон. В состав также вошли председатель FTC Эндрю Фергюсон, замминистра обороны по R&D Эмиль Майкл и глава кадрового управления Скотт Купор.
Super Intelligence Force будет мониторить угрозы национальной безопасности, удерживать технологическое лидерство США и устранять барьеры, тормозящие разработку.
washingtonpost.com
Дэвид Робинсон, проработавший в компании три с половиной года и участвовавший в создании регламента готовности, объявил об отставке и опубликовал эссе о том, что в отрасли скорость выпуска побеждает качество проработки.
Подход, при котором проблемы устраняют по мере появления, он считает оправданным для ПО и недопустимым для ИИ - когда модель превзойдёт человека по когнитивным способностям, устранять последствия критического инцидента будет некому.
Дэвид считает, что разработка передовых моделей должна перейти на стандарты гражданской авиации и ядерной энергетики с их строгим резервированием и проектированием систем, исключающим катастрофу из-за человеческого фактора.
theatlantic.com
Немецкий стартап выпустил под лицензией Apache 2.0 большую языковую модель Kolibri 1, созданную в рамках европейской инициативы цифрового суверенитета и полностью соответствующую нормам EU AI Act.
Это MoE на 78 млрд общих и 3,5 активных параметров с базовым контекстным окном в 262 144 токена, которое может масштабироваться до одного миллиона.
Kolibri оптимизирована под немецкий и английский языки за счёт кастомного токенизатора UniBPE. Против галлюцинаций применён протокол Merlin-Arthur - модель учат отказываться от ответа, если контекст его не содержит.
Среди слабых сторон - скромные результаты в генерации кода, вызове функций и закрытых тестах на общую эрудицию без RAG.
aleph-alpha.com
Бретт Эддкок анонсировал Hark с агентом Handoff, рассчитанным на длинные автономные задачи в интернете - заказ еды, покупки, бронирование, поиск информации.
На каждый запрос поднимается отдельный виртуальный компьютер с браузером, файловой системой и терминалом, а подключённые аккаунты дают доступ к адресам и предпочтениям.
По собственным замерам Hark занял первое место в человеческой оценке Online-Mind2Web, обойдя GPT-5.4 на 8 пунктов и Claude Opus 4.8 на 2.
Проект, уже привлекший более 700 млн долларов от топовых инвесторов, планирует открыть бесплатный Pro-доступ первым 100 000 пользователей из листа ожидания.
hark.com
До конца месяца OpenAI запустит в США пилотный показ графической рекламы в ChatGPT. Баннеры будут появляться в интерфейсе на время ожидания генерации изображений.
Цель запуска - монетизация аудитории, которая достигла 1,2 млрд активных пользователей в неделю. Рекламные блоки получат маркировку и будут визуально изолированы от сгенерированного контента.
Для рекламной инфраструктуры компания интегрирует стек сторонних аналитических платформ по сбору данных о конверсиях и атрибуции кликов.
Внешние партнеры по верификации не получат прямого доступа к содержимому приватных диалогов.
openai.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍2
Forwarded from Machinelearning
Все статьи написала внутренняя модель компании, название которой не раскрывают. На GitHub они разбиты на 372 семейства, от теории чисел и теоретической информатики до геометрии и математической физики.
Среди заявленных результатов есть доказательство рациональной гипотезы Ходжа для абелевых многообразий с комплексным умножением, гипотезы Капланского о прямой конечности в характеристике два и новая оценка показателя иррациональности числа
π.Рецензию работы не проходили, и независимо их пока никто не проверял.
Около 4000 задач модель получила во время внутренней оценки. Её расширили, когда прежние математические тесты перестали отличать модели друг от друга.
В среднем на один результат уходило столько вычислений, сколько примерно за три часа тратит ChatGPT Pro в режиме рассуждений.
Для 162 работ выложены доказательства на Lean. Каталог этих формализаций сама OpenAI считает как частичный и непроверенный. К десяти результатам приложены сокращённые записи рассуждений модели.
О том, как публиковать такие результаты, OpenAI советовалась с независимой Консультативной группой по математике и ИИ при Институте перспективных исследований в Принстоне.
Компания также обещает финансировать математические семинары и конференции в будущем.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6👍4❤1
DeepSeek Harness вышел на десктоп: плагины без терминала и задачи по расписанию
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/
DeepSeek выпустила превью Harness v0.2 с десктопным приложением для macOS и Windows: менеджер плагинов, режим создателя, задачи по расписанию и планы на маркетплейс.
https://uproger.com/deepseek-harness-desktop/
🔥6❤3👍3
🦀 Burn 0.22: меньше дженериков, быстрее сборка и почти вдвое меньше VRAM в тесте CNN.
Фреймворк глубокого обучения на Rust убрал параметр бэкенда из пользовательских моделей:
Теперь место и способ выполнения выбираются через
Пересборка после правки модели в замерах команды:
• CNN: 28,42 → 4,57 с, ускорение в 6,2 раза.
• Transformer: 14,73 → 1 с, ускорение в 14,7 раза.
В тесте обучения CNN на RTX 4050 Laptop, FP32 пропускная способность выросла на 80%, а пиковая VRAM после прогрева снизилась с 956 до 486 МиБ. Для Transformer экономия памяти составила около 18%. Это результаты конкретных тестовых моделей.
Также добавили LoRA и QLoRA, раннюю поддержку экспорта в ONNX, удалённые вычисления и повторное исполнение GPU-графов.
Обновление ломает совместимость API: Candle удалён, NdArray и LibTorch объявлены устаревшими.
https://tracel.ai/blog/release-0.22.0/
@machinelearning_ru
Фреймворк глубокого обучения на Rust убрал параметр бэкенда из пользовательских моделей:
// Было
struct Model<B: Backend> {
linear: Linear<B>,
}
// Стало
struct Model {
linear: Linear,
}
Теперь место и способ выполнения выбираются через
Device. Изменение модели затрагивает меньше кода при перекомпиляции.Пересборка после правки модели в замерах команды:
• CNN: 28,42 → 4,57 с, ускорение в 6,2 раза.
• Transformer: 14,73 → 1 с, ускорение в 14,7 раза.
В тесте обучения CNN на RTX 4050 Laptop, FP32 пропускная способность выросла на 80%, а пиковая VRAM после прогрева снизилась с 956 до 486 МиБ. Для Transformer экономия памяти составила около 18%. Это результаты конкретных тестовых моделей.
Также добавили LoRA и QLoRA, раннюю поддержку экспорта в ONNX, удалённые вычисления и повторное исполнение GPU-графов.
Обновление ломает совместимость API: Candle удалён, NdArray и LibTorch объявлены устаревшими.
https://tracel.ai/blog/release-0.22.0/
@machinelearning_ru
🔥5❤4👍2
Трюк Карпаты сработал: локальная LLM на Mac M5 выдает 117 токенов в секунду
Как open-source движок Uzu от Mirai обходит потолок пропускной способности памяти на Apple M5 и разгоняет Qwen3.5 9B с 22 до 117 токенов в секунду: квантизация, спекулятивный декодинг, Weaver и бенчмарк против llama.cpp и MLX.
https://uproger.com/uzu-uskorenie-lokalnyh-llm-apple-m5/
Как open-source движок Uzu от Mirai обходит потолок пропускной способности памяти на Apple M5 и разгоняет Qwen3.5 9B с 22 до 117 токенов в секунду: квантизация, спекулятивный декодинг, Weaver и бенчмарк против llama.cpp и MLX.
https://uproger.com/uzu-uskorenie-lokalnyh-llm-apple-m5/
❤15👍4
🚨 Palantir оспаривает роль ИИ в ударе по школе в Минабе.
Технический директор компании Шьям Санкар назвал ошибочным сообщение Bloomberg о чрезмерном доверии военных системе Maven. По его версии, вероятная причина трагедии связана с человеческой ошибкой.
После удара Palantir добавила ИИ-агентов для дополнительных проверок. Итоговый отчёт расследования ещё не опубликован, поэтому заявление Санкара остаётся позицией компании.
По словам Санкара, отказ от Claude не повлиял на операции: доступны альтернативы, включая OpenAI, xAI и NVIDIA Nemotron.
https://www.cbsnews.com/news/shyam-sankar-chief-technology-officer-palantir-face-the-nation-transcript-10-11-2026/
Технический директор компании Шьям Санкар назвал ошибочным сообщение Bloomberg о чрезмерном доверии военных системе Maven. По его версии, вероятная причина трагедии связана с человеческой ошибкой.
После удара Palantir добавила ИИ-агентов для дополнительных проверок. Итоговый отчёт расследования ещё не опубликован, поэтому заявление Санкара остаётся позицией компании.
По словам Санкара, отказ от Claude не повлиял на операции: доступны альтернативы, включая OpenAI, xAI и NVIDIA Nemotron.
https://www.cbsnews.com/news/shyam-sankar-chief-technology-officer-palantir-face-the-nation-transcript-10-11-2026/
❤2👍2🔥2
🛡 Anthropic усложнила обучение чужих моделей на рассуждениях Claude
По оценке компании, новая защита сократила объём извлекаемых рассуждений на её платформе на 90–99%.
Для дистилляции особенно ценны подробные цепочки решения: другую модель обучают не только ответам, но и тому, как они получены.
Anthropic ограничила перенос рассуждений между аккаунтами и моделями, внедрила классификаторы попыток извлечения и усилила блокировки.
Разница заметна: в эксперименте обучение на полных рассуждениях дало 80,4% на SWE-bench Verified, а на сокращённых версиях лишь 71,8%.
Защита затронула и обычных разработчиков: некоторым пришлось обновить интеграции. Возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже берут плату.
Компания признаёт: борьба продолжается, и пока неизвестно, как долго продержится этот результат.
https://www.anthropic.com/research/distillation-defenses
По оценке компании, новая защита сократила объём извлекаемых рассуждений на её платформе на 90–99%.
Для дистилляции особенно ценны подробные цепочки решения: другую модель обучают не только ответам, но и тому, как они получены.
Anthropic ограничила перенос рассуждений между аккаунтами и моделями, внедрила классификаторы попыток извлечения и усилила блокировки.
Разница заметна: в эксперименте обучение на полных рассуждениях дало 80,4% на SWE-bench Verified, а на сокращённых версиях лишь 71,8%.
Защита затронула и обычных разработчиков: некоторым пришлось обновить интеграции. Возможны ошибочные блокировки, а за определённые заблокированные запросы теперь тоже берут плату.
Компания признаёт: борьба продолжается, и пока неизвестно, как долго продержится этот результат.
https://www.anthropic.com/research/distillation-defenses
❤6🔥4👍3