ar
Feedback

لا تقع ضحية للمخادعين! تيليمتريو يكتشف ويُميّز هذه القنوات 👉 إذا كنت تريد رؤية العلامة، اشترك

Big Data AI

Big Data AI

الذهاب إلى القناة على Telegram

@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe

إظهار المزيد

📈 نظرة تحليلية على قناة تيليجرام Big Data AI

تُعد قناة Big Data AI (@bigdatai) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 18 309 مشتركاً، محتلاً المرتبة 7 145 في فئة التكنولوجيات والتطبيقات والمرتبة 35 818 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 18 309 مشتركاً.

بحسب آخر البيانات بتاريخ 16 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 78، وفي آخر 24 ساعة بمقدار -8، مع بقاء الوصول العام مرتفعاً.

  • حالة التحقق: غير موثّقة
  • معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.74‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 4.35‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
  • وصول المنشورات: يحصل كل منشور على متوسط 1 600 مشاهدة. وخلال اليوم الأول يجمع عادةً 796 مشاهدة.
  • التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 14.
  • الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل llm, openai, github, nvidia, deepseek.

📝 الوصف وسياسة المحتوى

يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“@haarrp - админ Вопросы с собеседований по Machine Learning, Data Science, Deep Learning и Нейроннным сетям @data_analysis_ml - анализ данных @ai_machinelearning_big_data @itchannels_telegram - важное для программиста РКН: clck.ru/3Fmqxe”

بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 17 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

18 309
المشتركون
-824 ساعات
-207 أيام
+7830 أيام
جذب المشتركين
نوفمبر '26
نوفمبر '26
+28
في 0 قنوات
أكتوبر '26
+272
في 38 قنوات
Get PRO
سبتمبر '26
+120
في 31 قنوات
Get PRO
أغسطس '26
+162
في 42 قنوات
Get PRO
يوليو '26
+73
في 43 قنوات
Get PRO
يونيو '26
+51
في 0 قنوات
Get PRO
مايو '26
+54
في 1 قنوات
Get PRO
أبريل '26
+245
في 2 قنوات
Get PRO
مارس '26
+1 786
في 3 قنوات
Get PRO
فبراير '26
+683
في 5 قنوات
Get PRO
يناير '26
+145
في 0 قنوات
Get PRO
ديسمبر '25
+114
في 2 قنوات
Get PRO
نوفمبر '25
+339
في 44 قنوات
Get PRO
أكتوبر '25
+158
في 14 قنوات
Get PRO
سبتمبر '25
+231
في 36 قنوات
Get PRO
أغسطس '25
+148
في 3 قنوات
Get PRO
يوليو '25
+389
في 52 قنوات
Get PRO
يونيو '25
+237
في 37 قنوات
Get PRO
مايو '25
+136
في 3 قنوات
Get PRO
أبريل '25
+217
في 27 قنوات
Get PRO
مارس '25
+471
في 4 قنوات
Get PRO
فبراير '25
+264
في 41 قنوات
Get PRO
يناير '25
+402
في 44 قنوات
Get PRO
ديسمبر '24
+557
في 39 قنوات
Get PRO
نوفمبر '24
+463
في 54 قنوات
Get PRO
أكتوبر '24
+620
في 57 قنوات
Get PRO
سبتمبر '24
+709
في 199 قنوات
Get PRO
أغسطس '24
+581
في 40 قنوات
Get PRO
يوليو '24
+692
في 50 قنوات
Get PRO
يونيو '24
+747
في 57 قنوات
Get PRO
مايو '24
+671
في 36 قنوات
Get PRO
أبريل '24
+679
في 46 قنوات
Get PRO
مارس '24
+779
في 22 قنوات
Get PRO
فبراير '24
+1 165
في 4 قنوات
Get PRO
يناير '24
+1 256
في 44 قنوات
Get PRO
ديسمبر '23
+593
في 40 قنوات
Get PRO
نوفمبر '23
+297
في 30 قنوات
Get PRO
أكتوبر '23
+782
في 1 قنوات
Get PRO
سبتمبر '23
+717
في 0 قنوات
Get PRO
أغسطس '23
+893
في 0 قنوات
Get PRO
يوليو '23
+570
في 0 قنوات
Get PRO
يونيو '23
+635
في 0 قنوات
Get PRO
مايو '23
+859
في 0 قنوات
Get PRO
أبريل '23
+430
في 0 قنوات
Get PRO
مارس '23
+146
في 0 قنوات
Get PRO
فبراير '23
+164
في 0 قنوات
Get PRO
يناير '23
+289
في 0 قنوات
Get PRO
ديسمبر '22
+700
في 0 قنوات
Get PRO
نوفمبر '22
+6 074
في 0 قنوات
التاريخ
نمو المشتركين
الإشارات
القنوات
17 نوفمبر+2
16 نوفمبر0
15 نوفمبر0
14 نوفمبر+3
13 نوفمبر+2
12 نوفمبر+1
11 نوفمبر+3
10 نوفمبر0
09 نوفمبر+2
08 نوفمبر+1
07 نوفمبر0
06 نوفمبر+2
05 نوفمبر+3
04 نوفمبر+4
03 نوفمبر+1
02 نوفمبر+2
01 نوفمبر+2
منشورات القناة
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал,
+1
🤯 Claude Code пишет 90% кода Anthropic. Но у его собственных проверок есть лазейка Инженер Anthropic Адди Османи рассказал, как устроена разработка Claude Code. Перед коммитом агент должен пройти /code-review или /verify. Но есть нюанс: если два коммита подряд заблокированы в одной сессии, следующий всё равно разрешается. Иначе Claude может зациклиться на исправлениях. Есть и другой необычный механизм: если агент не может исправить нестабильный тест, он может удалить его, но обязан задокументировать причину. По словам Османи, Claude уже пишет и проверяет около 90% кода команды. Получается, ИИ не только разрабатывает продукт, но и участвует в управлении собственным процессом разработки.

2
Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную
Как изменятся подходы к построению Data Governance в 2027 году 26 ноября Navicon и Arenadata проводят в Москве закрытую очную встречу, посвященную управлению данными. Эксперты расскажут, как выстроить дата-ландшафт под задачи бизнеса и что руководителям стоит учесть при выборе решений. В программе: ✔️Тренды в управлении данными ✔️Роль ИИ в построении Data Governance ✔️Проектный опыт по внедрению каталога данных ✔️Рекомендации по формированию дата-ландшафта Участие бесплатное при условии предварительной регистрации. 👉🏻Зарегистрироваться
281
3
🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые сни
🚀️️️️️️ У Colossus 2 в 14 раз больше вычислительной мощности, чем у флагманского ЦОД Huawei Epoch AI изучила спутниковые снимки кампуса Huawei в Хорингере и оценила, что там работают около 105 тысяч ускорителей Ascend 910C. Суммарная вычислительная мощность площадки соответствует примерно 81 тысяче NVIDIA H100. У Colossus 2 в Мемфисе, где стоят NVIDIA B200 и B300, оценка составляет 1,1 млн H100-эквивалентов. Разница видна и в энергопотреблении. По оценке Epoch AI, ведущие американские кампусы получают примерно в 2,5 раза больше вычислений на ватт, чем Хорингер. При одинаковой мощности электропитания эта разница даёт американским площадкам заметно больше вычислительных ресурсов. Новый корпус может поднять мощность Хорингера до 141 тысячи H100-эквивалентов к началу 2028 года. К тому же сроку Epoch AI ожидает от Colossus 2 как минимум 1,8 млн. По этому прогнозу, Huawei прибавит больше 70%, но её площадка всё равно останется примерно на уровне 8% от мощности Colossus 2. Анализ Epoch AI: https://epochai.substack.com/p/what-huaweis-horinger-data-center
778
4
Вопрос без ответа
Вопрос без ответа
1 102
5
MWS Cloud первой в России запустила ночные тарифы на инференс LLM В сервисе MWS GPT Model Hub с 1:00 до 7:00 использование моделей будет до 30% дешевле базовых цен. Скидка работает без исключений - в будни, выходные и праздники. Что выгодно переносить на ночь: - массовую генерацию текстов. - анализ документов и подготовку отчётов. - обработку отзывов. - создание эмбеддингов. Для перехода на ночной тариф интеграцию менять не нужно. Доступные модели: - GLM-5.3 - Kimi K2.6 - Qwen3.6 35B (A3B) - Gemma 4 31B - gpt-oss-120b Все вычисления идут в собственном облаке MWS Cloud, поэтому данные остаются внутри контура провайдера. Подключение к моделям - через OpenAI-совместимый API. Что ещё нового: Появился Playground. В нём модели можно протестить на своих сценариях ещё до интеграции и выбрать оптимальную по качеству ответов, скорости и цене. https://mws.ru/cloud-platform/model-hub/
1 074
6
KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил неболь
KRAFTON выпустила Raon-1 nano: компактная LLM для локального запуска с 1,5 млрд параметров Разработчик PUBG представил небольшую плотную языковую модель, ориентированную на работу непосредственно на устройствах. Технические характеристики: - 1,5 млрд параметров основной модели. - 3,1 млрд параметров с учётом Per-Layer Embeddings. - Архитектура Dense. - Обучение на 3 трлн токенов. Как создавали модель? За основу взяли Raon-1 mini Preview (30B-A4B), применили pruning и дистилляцию из MoE в Dense, а затем провели дополнительное обучение с использованием SFT, OPD и RL. Возможности: - Естественный диалог на корейском и английском. - Сохранение контекста разговора. - Следование инструкциям. - Вызов инструментов и работа с агентами. Проект продолжает исследования KRAFTON в области локальных ИИ-моделей, начатые с игрового помощника PUBG Ally. Веса доступны под Apache 2.0: 🤗 https://huggingface.co/KRAFTON/Raon-1-nano Исследование MoE-to-Dense: https://arxiv.org/abs/2605.28207
1 234
7
Anthropic перевела доступ к своим продуктам на белый список регионов Claude, Claude Code и API теперь работают только в 185 разрешённых странах и регионах, причём новая политика выходит за рамки проверки по местоположению.  Она запрещает пользоваться продуктами, находясь в неподдерживаемом регионе, даже в командировке, и закрывает доступ юридическим лицам из исключённых стран и их сотрудникам, откуда бы те ни выходили в сеть, а также любому бизнесу, который прямо или косвенно контролируется из таких регионов.  Перечень основан на внутренних стандартах Anthropic и не повторяет санкционные списки США. В него входят Ирак, Сомали, Палестина и Тайвань, тогда как материковый Китай, Гонконг и Россия в список не попали. https://www.anthropic.com/legal/supported-regions
1 346
8
Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разрабо
Новые LLM постепенно отказываются от Full Attention В архитектурах открытых языковых моделей заметен серьёзный сдвиг: разработчики всё чаще заменяют классический Full Attention гибридными механизмами или полностью отказываются от него. Динамика за 2025-2026 годы показывает ускорение этого перехода. Если в 2025 году преобладали модели с полноценным Attention, то во второй половине 2026-го наблюдается разделение примерно 50/50 между гибридными архитектурами и моделями без Full Attention вообще. Вместо него используют Sliding Window Attention, Gated DeltaNet, KDA, Mamba-2, разреженное внимание и другие механизмы. Зачем это нужно? Первое: меньше вычислений. Разреженное внимание обрабатывает только выбранные токены или блоки контекста, сокращая стоимость обработки длинных последовательностей. Второе: меньше памяти. Рекуррентные механизмы вроде Gated DeltaNet хранят состояние фиксированного размера, вместо того чтобы удерживать всю историю взаимодействия. У такого подхода есть компромисс: сжатие истории усложняет точное извлечение информации. Поэтому многие модели комбинируют рекуррентные слои с классическим или разреженным Attention. Основное направление развития архитектур LLM - удешевление работы с длинным контекстом: большими документами, кодовыми базами и многошаговыми ИИ-агентами, которые совершают десятки вызовов инструментов.
1 298
9
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часо+3
✔️ Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часов Новые модели получили серьёзные улучшения в программировании, математике, научных исследованиях и кибербезопасности. Что удалось сделать: - Математика: 1000 агентов формализовали доказательство Великой теоремы Ферма на Lean за 30 часов. Предыдущей исследовательской версии Claude потребовалось 11 дней. - Физика: Fable 5.2 решила две открытые задачи, связанные с физикой чёрных дыр. - Электроника: спроектировала три работающих устройства с печатными платами, корпусами и программным обеспечением. - Программирование: более 90% изменений, попадающих в основной код Anthropic, теперь пишутся Claude при участии людей. - Кибербезопасность: Mythos 5.2 обнаруживает на 10,2% больше уязвимостей, чем Opus 5.5, по внутреннему тесту Anthropic. Производительность и цена: - До 30% быстрее предыдущего поколения. - $8 за миллион входящих токенов. - $40 за миллион исходящих токенов. - Fast Mode: до 2,5 раза быстрее за $16/$80 за миллион токенов. В чём разница? Fable 5.2 и Mythos 5.2 используют одну базовую модель, но отличаются защитными механизмами. Fable доступна широкому кругу пользователей. Mythos предназначена для проверенных организаций, работающих в кибербезопасности и биомедицинских исследованиях. Claude Fable 5.2 уже доступна через Claude, API, AWS, Google Cloud и Microsoft Azure. Официальный анонс: https://www.anthropic.com/claude-fable-and-mythos-5-2 @ai_machinelearning_big_data #Claude #Anthropic
989
10
страшно
страшно
1 492
11
GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench,+1
GPT-6 Astra нашла лабораторную ошибку, которую пропустила GPT-5.6 OpenAI показала результаты нового бенчмарка BioBasicsBench, состоящего из 100 задач на основе реальных биологических экспериментов. В одном из тестов GPT-6 Astra обнаружила неправильную маркировку антибиотика на контрольной чашке при клонировании ДНК и правильно признала результаты ненадёжными. GPT-5.6 Sol эту ошибку пропустила. Результаты: GPT-6 Astra: 66,7% GPT-5.6 Sol: 43,8% При этом Astra использовала примерно вдвое меньше выходных токенов. Но до надёжного автономного лабораторного анализа ещё далеко. В другом эксперименте Astra сама выбрала неправильные клоны ДНК. Бенчмарк проверяет способность моделей интерпретировать лабораторные данные, находить ошибки и отказываться от выводов при недостатке доказательств. Показательно, что новая модель лучше распознаёт ошибки в экспериментальных данных, но всё ещё может ошибаться при принятии решений на их основе. https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/
1 874
12
Правда ?)
Правда ?)
1 657
13
LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый прото
LATCH: минималистичный протокол для безопасных действий ИИ-агентов Разработчик Антон Баланов представил LATCH, открытый протокол, позволяющий ИИ-агентам взаимодействовать с внешними сервисами через обычные HTTPS-запросы. Идея в том, чтобы агент мог не только получать данные, но и выполнять действия с явным подтверждением условий. Например, агент хочет заказать 3D-печать детали. Вместо немедленного оформления заказа используется последовательность: 1. `ask` - узнать доступные материалы и возможности сервиса. 2. `quote` - получить точные условия заказа без его выполнения. 3. `approve` - подтвердить предложение, привязав согласие к SHA-256-хешу условий. 4. `commit` - выполнить подтверждённое действие с ключом идемпотентности, защищающим от случайных повторов. 5. `status` - проверить состояние задачи и получить отчёт сервиса. В основе обычные JSON и HTTPS. Никаких обязательных SDK, облачных посредников и внешних зависимостей. Референсная реализация написана для Node.js 20+, есть независимый PHP-провайдер и дополнительный мост к MCP. LATCH не заменяет MCP или A2A. Он решает более узкую задачу: разделяет получение предложения, подтверждение и выполнение действия. Это особенно полезно для агентов, которые работают с заказами, платежными сценариями или другими операциями с последствиями. Проект пока экспериментальный, версия протокола 0.1. Для продакшена потребуется самостоятельно обеспечить аутентификацию, авторизацию и надёжное хранение состояния. Лицензия MIT. GitHub: https://github.com/Balanov/latch
1 710
14
لا يوجد نص...
1 445
15
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на+2
🌟 Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на вход идёт запись, свой вопрос к ней и перечень допустимых ответов, на выходе - вероятности по этим ответам с оценкой уверенности. Форматов ответа четыре: да или нет, выбор из вариантов, шкала оценок и отрезок времени внутри записи, когда, например, смеются или вздыхают. Спрашивать можно про язык и речь, число и смену говорящих, эмоцию, акустическую обстановку, неречевые события, динамику разговора, намерение и исход и социальные сигналы. Набор вопросов можно поменять по запросу без дополнительной разметки и дообучения, а порог уверенности привязывается к правилам заказчика. Нацелен продукт прежде всего на контакт-центры, где звонки оценивают по фиксированной рубрике, а её модификация выливается в отдельный проект. По заявлению Hume AI, на живом звонке модель успевает отвечать на десятки вопросов каждые несколько секунд, а архив из 40 тысяч записей открывает для поиска за минуты. В примере из анонса голосовой агент в розничной торговле проверяет неуверенность и раздражение в голосе, число говорящих, фоновый шум и намерение покупателя, а затем отдаёт эти ответы языковой модели вместе с транскриптом, чтобы та решила, подождать, уточнить или передать разговор человеку. 🟡Тесты Hume AI ставит себя впереди Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. В сравнении с людьми модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика. Доступ открывают по заявке в листе ожидания на странице продукта, цена - 47 центов за миллион входных токенов. @ai_machinelearning_big_data #news #ai #ml
1 438
16
Как поймать Сэма Альтмана
Как поймать Сэма Альтмана
1 942
17
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Эт
🐳 DeepSeek выложила исходники AI-агента, который сам берёт задачи из GitHub и пишет код Проект называется dsh-superagent. Это экспериментальная система на базе DeepSeek Harness, рассчитанная на автоматизацию разработки в команде. В отличие от обычных coding-ассистентов, агенту не обязательно каждый раз вручную передавать задачу в чат. Что он умеет: - Следит за событиями GitHub и сообщениями в Feishu. - Принимает задачи от авторизованных участников команды. - Создаёт отдельную рабочую сессию для каждой задачи. - Самостоятельно работает с кодом и готовит Pull Request. - Возвращает результат в исходное обсуждение. - Показывает в веб-панели задачи, требующие участия человека. Архитектурный принцип - минимум внимания разработчика, максимум полезной автономной работы. Агент действует по запросу или заранее заданным правилам и не отвлекает команду без необходимости. Сам DeepSeek предупреждает, что это исследовательский прототип, а не готовое production-решение. Часть кода проекта тоже была написана AI-агентами. Стек: TypeScript, DeepSeek Harness. Лицензия MIT. https://github.com/deepseek-ai/dsh-superagent-prototype
1 577
18
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет+2
🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет вывод больших языковых моделей. Спекулятивное декодирование поручает черновик небольшой модели, а целевая проверяет сразу несколько предложенных токенов одним проходом и принимает их до первой ошибки. UBTree относится к той же семье параллельных драфтеров, что DFlash и DSpark, и закрывает их недостаток - они предлагают весь блок токенов одновременно и потому работают быстро, но на размытых распределениях целевой модели, где несколько продолжений близки по вероятности, угадывают хуже. Черновик в UBTree собирается двумя параллельными проходами: 🟢первый делает модель DFlash, которая подбирает по 64 варианта токена на каждую из шестнадцати позиций блока, причём каждую позицию считает независимо от соседних; 🟢биграммный селектор оценивает, насколько один вариант годится в продолжение другому: пару соседей он прогоняет через два небольших перцептрона поверх замороженных эмбеддингов целевой модели, отдельно для предшественника и для последователя, и добавляет полученную оценку к оценке DFlash с весом, зависящим от глубины. Все пары считаются одновременно, из оценок переходов набирается дерево на 64 узла, и целевая модель проверяет его целиком за один проход. Селектор обучали на откликах, перегенерированных при высокой температуре, с перенормированной KL-функцией потерь - так в разметку попадают не только самые вероятные продолжения, но и правдоподобные альтернативы, за счёт которых дерево чаще совпадает с выбором целевой модели. Вместе с методом выложены две черновые модели - Ling3-Tiny-UBTree на 183 млн параметров работает в паре с Ling-3.0-tiny (8 млрд параметров, 1 млрд активных), Ling3-Flash-UBTree на 482 млн - с Ling-3.0-flash (124 млрд, 5 млрд активных). Они ничего не генерируют и нужны только как драфтеры к своей целевой модели. 🟡 Тесты На семи тестах, от GSM8K и AIME до LiveCodeBench и MT-Bench, UBTree даёт среднее ускорение 6,88× на Qwen3-4B и 6,94× на Qwen3-8B и опережает ближайший древовидный метод DARTree во всех 28 сравнениях, в среднем на 7,4-13,4%. В SGLang на Ling3-Flash-124B выходит 3,27× против 2,73× у DSpark и 2,80× у DFlash, на Qwen3.8-27B - 4,78× против 4,32× у DSpark. На длинном контексте LongBench-v2 число принятых за раунд токенов выше, чем у сильнейшего из конкурентов, на 31,0-39,7%. Поддержка UBTree для Ling3 в SGLang пока не опубликована. Команда обещает дополнительные черновые модели в течение месяца. 📌Лицензирование: MIT 🟡Страница проекта 🟡Набор моделей 🟡Техотчет @ai_machinelearning_big_data #AI #ML #LLM #Decoding #UBTree #InclusionAI
1 556
19
Claude проверяет ваши диалоги после каждого ответа. Пользователь этой оценки не видит. Anthropic рассказала о self-assessment: модель получает скрытую инструкцию оценить разговор и формирует короткий отчёт. В нём - возможное нарушение, причина, категория риска и приоритет проверки человеком. Это уже работает на значительной части трафика Claude. Повторяющиеся сигналы высокого приоритета передают команде для разбирательства. Сама оценка не блокирует запросы автоматически. На Claude Fable 5 система обнаружила: - 78% разговоров, которые более мощный классификатор пометил как потенциально вредные. - 94% случаев высокого приоритета. - При 1% ложных срабатываний на безопасных разговорах. Проверка использует уже сохранённый контекст в KV-кэше и добавляет менее 2% вычислительных затрат. С пользователей эту стоимость не взимают. По данным Anthropic, система помогла обнаружить романтическую аферу, которую организовали через Claude Code против десятков жертв. После проверки аккаунты заблокировали. Ограничение: результаты сравнивали с другим ИИ-классификатором, поэтому общие ошибки обеих моделей такая оценка может пропустить. На трафике с соглашениями о нулевом хранении данных система сейчас не работает. https://safeguards.anthropic.com/2026/self-assessment/
1 731
20
لا يوجد نص...
1 614