Data Secrets

Сегодня нас стало 50 тысяч! 🚀 Это большая и важная отметка для нашей команды. Спасибо нашим подписчикам за ваше внимание и поддержку, едем дальше

Рубрика «занимательные совпадения» Бретт Эдкок, фаундер известного робо-стартапа FugureAI, написал в Твиттере что: 1. Стартап разрывает контракт с OpenAI, который они заключали в начале прошлой весны 2. В течение 30 дней они покажут нечто такое, чего никто еще не видел на рынке роботов-гуманоидов Надо сказать, что их сотрудничество с OpenAI не было бесплодным. В августе они анонсировали совместного крутого робота, который должен был появиться в продаже как раз в 2025. Что же произошло? Связано ли это с новым товарным знаком OpenAI, под которым можно разрабатывать роботов? Или с декабрьскими новостями о том, что стартап пересобирает команду робототехников? Как бы там ни было, сейчас ясно одно: Маск нервно закурил

Hugging Face сегодня в ударе: помимо опенсорсного агента Deep Research они релизнули целый стор ИИ приложений Он так и называется: AI App store. В нем уже 400к (!) аппсов и найти можно вообще все, что хочешь. Например, нужна вам для вашего проекта тулза, транскрибирующая или обобщающая видео: 1. Заходите на huggingface.co/spaces 2. Вводите запрос «summary of video» (в поисковой строке кстати тоже встроена моделька) или переходите в нужный раздел из предложенных 3. Из множества вариантов выбираете то, что подходит, пользуетесь прямо внутри Hugging Face или качаете себе проект: они все опенсорсные и бесплатные Так что если вы под каждую задачу искали по сусекам отдельный сервис, то больше так делать не нужно: Hugging Face объединил их все в одном месте и тут буквально за минуту отыщется действительно все. А если вы разработчик, то можно и самому добавить Space 🍯

Свежее исследование соцсети «Сетка» показало реальные масштабы проникновения нейросетей в России Опросили 2300 специалистов из 30 отраслей. В топе по использованию среди зарубежных: ChatGPT (86%), среди отечественных: YandexGPT (42%), среди российских нейросетевых сервисов — «Шедеврум» (24%). Основные задачи: генерация изображений (66%), планирование (48%) и написание ТЗ (36%). Да, в списке популярных пока полностью отсутствуют китайские модели вроде DeepSeek и Qwen. Видимо, это вопрос времени — учитывая их текущий темп развития и доступность.

Лучше объяснения вы уже не найдете. Ну кроме, может быть, этого

Калифорнийский университет раскатывает ChatGPT на пол миллиона своих студентов и преподавателей На практике студенты и преподаватели получат полный бесплатный доступ к ChatGPT Edu. Это версия бота, адаптированная специально под образование. Внутри системы будут бесплатные курсы и сертификации, интерактивные GPT-тьюторы и интерфейсы для преподавателей, в которых можно будет создавать учебные программы. Это крупнейшее внедрение ИИ какой-либо отдельной организацией в мире. Знаменательно, что такой организацией стал не бизнес, а университет.

Hugging Face релизнули собственный опенсорсный DeepResearch Агента воссоздали всего за сутки после выхода DeepResearch от OpenAI.

"Такие системы состоят из LLM и внутренней агентной структуры. И в то время, пока сранимые с o1 LLM уже есть в опенсорсе, про агентную структуру OpenAI мало чего известно. Поэтому мы решили воспроизвести ее и выложить в открытый доступ"

В итоге агент HF выбил результат 55% на GAIA (основной бенч агентов). Для сравнения, OpenAI набрали на нем 67%. Это достаточно крутой результат, и сами инженеры в блогпосте говорят, что добились такого в основном благодаря тому, что заменили json-структуру агента на кодовую. То есть чаще всего такие агенты (а именно планирование в них) работают на основе JSON-команд. Но HF решили, что это долго и муторно, и заменили все на CodeAgent. Получается, что для выполнения всей задачи LLM просто пишет код и выполняет его с помощью прикрученных инструментов: веб-браузера и тулзы для чтения файлов. Весь код здесь, а демо можно потыкать тут

OpenAI проводят первый за время своего существования ребрендинг Больших изменений не будет, но поменяется шрифт (теперь у компании есть собственный OpenAI Sans), стиль лого и палетка. Все это не менялось с 2015, а сейчас станет «более закругленным, человечным и органичным». На секундочку, команда дизайнеров стартапа готовила обновление год. Возможно, в ближайшем будущем редизайну подвергнется и сайт, и интерфейс чат-бота. Интересно, что эта новость совпала с новостью о том, что OpenAI регистрирует новый товарный знак, под которым можно будет производить наушники, умные аксессуары, AR/VR и роботов. P.S. Кстати все ролики в конце видео сгенерировали в SORA

Жаль, конечно, что при этом всем о3 все еще остается очень дорогой моделью, да еще и не слишком экологичной Кто-то на форумах посчитал (расчеты кстати, интересные), что в high compute режиме на обслуживание одной таски о3 будет тратить около 684 кг углекислого газа, что примерно равняется выбросам от пяти полностью заправленных баков автомобилей. Радует только то, что модели очень быстро дешевеют, отрицать это нельзя. Например, наверху еще один график, который показывает соотношение стоимости и перформанса на ARC AGI. Смотрите: o3-mini выбивает примерно также, как o1, но стоит при этом намноооого меньше. И тенденция (пока что) будет сохраняться.

Соцсети разносит график, на котором видно, что o3 превзошла уровень PhD И не просто PhD (доктор наук), а PhD, которые отвечают на вопросы своей области с использованием к тому же гугла. Бенчмарк – GPQA Diamond от Google. Это самый сложный существующий тест из семейства GPQA (Graduate-Level Q&A), в нем 198 очень сложных вопросов по биологии, физике и химии. Эти задачи многосоставные и требуют многошагового абстрактного мышления, так что даже эксперты обычно решают его на 65%. Красивое

Андрей Карпаты изобрел новый вид программирования Он назвал его «vibe coding». Если кратко, это когда вы вообще не программируете сами, а просто полностью доверяетесь ИИ.

«Вы полностью отдаетесь вибрациям и забываете, что код вообще существует. Я пользуюсь голосовым вводом, поэтому практически не касаюсь клавиатуры. Я всегда «Принимаю все», я больше не читаю дифы. Когда получаю сообщения об ошибках, просто копирую и вставляю их без комментариев, обычно это исправляет ситуацию. Если LLM не может исправить ошибку, я просто обхожу ее или прошу вносить случайные изменения, пока она не исчезнет. В итоге я просто вижу что-то, говорю что-то, запускаю что-то, копирую и вставляю что-то, и это в основном работает»

Таким образом Андрей уже накодил LLM reader, в котором можно читать любую литературу попутно задавая вопросы модельке, а еще морской бой, в котором можно наблюдать, как выбранные вами LLM сражаются между собой. Лайк, если каждый твой рабочий день – это vibe coding x.com/karpathy/status/1886192184808149383?s=46&t=pKf_FxsPGBd_YMIWTA8xgg

СберУниверситет приглашает на программу «Управление IT-командой», которая стартует 7 апреля 2025 года. Программа рассчитана на начинающих руководителей, разработчиков, планирующих переход на позицию тимлида, а также Middle/Senior специалистов. Формат обучения: онлайн и очно в кампусе. Продолжительность — 3 месяца, стоимость — 280 000 рублей. Вы научитесь эффективно ставить задачи, мотивировать команду, управлять конфликтами и развивать лидерские качества. Программа включает актуальные подходы к управлению IT-командами, практические задания, очные тренинги, вебинары и групповой коучинг. Эксперты с международным опытом поделятся знаниями, которые помогут вам уверенно руководить командой, подбирать сотрудников и распределять задачи. Не упустите шанс стать лидером, вдохновляющим свою команду на успех! Подробнее по ссылке.

А вот это, знакомьтесь, новый робот-гуманоид ASAP от Nvidia и Carnegie Mellon University Неплохо двигается, да? Это потому что его обучали в два этапа. Вначале – в симуляции. Для этого брали видеозаписи движений человека, ретаргетировали на модель робота и обучали политики в смоделированной среде (у Nvidia есть такая собственная, NVIDIA Isaac). Затем стояла задача перенести эти знания в реальный мир так, чтобы минимизировать динамическое несоответствие навыков. Все-таки симуляция и real world не идентичны с точки зрения физики процессов. Поэтому ученые специально собирали данные о различиях между движениями в симуляции и в реальном мире, а затем использовали их в модели поправок. Это буквально модель, которая берет движения робота из симуляции и предсказывает их поправку (дельту в действиях) так, чтобы робот двигался в реальном мире точно так же, как в симуляции. Затем на это навесили еще небольшой файнтюнинг политики и готово: получился вот такой прыгающий железный человек. Если хотите почитать подробнее – статью выложили вот сюда, а еще есть код и блогпост. Роналду пора напрячься?

Процент галлюцинаций o3-mini-high составил 0.8 % Это исторический минимум: до этого ни одна модель не набирала меньше процента. Для сравнения, у DeepSeek-R1 ошибка составляет аж 14.3 %, у DeepSeek-V3 – 3.9 %, а у o1 – 2.4 %. Это интересная метрика, потому что проверить ее не так-то просто. Часто для этого используют подход LLM-as-a-judge, когда одна LLM оценивает другую. Но проблема в том, что при этом получается эффект "эхо-камеры" и на выходе мы имеем несостоятельную оценку. Vectara, которые составляют лидерборд галлюцинаций, из которого взяты оценки выше, наоборот, используют собственную detection модель HHEM-2.0, и она работает вообще без сторонних LLM. HHEM просто анализирует соответствие ответа исходным данным и присваивает ему Factual Consistency Score от 0 до 1. Лидерборд

Устроиться аналитиком в Яндекс за выходные 1–2 марта проводим Weekend Offer Analytics. До 24 февраля оставьте заявку на участие, 1 марта пройдите технические собеседования, а 2 марта познакомьтесь с командами и получите офер. В мероприятии участвует 11 команд: Большие данные, Алиса, Ecom-сценарии Поиска, Автономный транспорт, Поиск с Нейро, Карты, Рекламные технологии, Коммерческий департамент, Международные проекты Поиска в Турции и Казахстане, Crowd, Приложение «Яндекс с Алисой». Вы сможете пообщаться с менеджерами и выбрать проект, который покажется самым интересным. Узнать подробности и зарегистрироваться можно здесь. Реклама. ООО "Яндекс". ИНН 7736207543

Anthropic открыли общедоступное баг баунти Они предлагают протестить их новую систему защиты. Для этого надо зайти по этой ссылке и хакнуть восемь уровней, то есть на практике любым способом заставить бота ответить на 8 конкретных вопросов, на которые от по идее отвечать не должен. Пока по данным Anthropic никто не прошел дальше третьего уровня. Напоминаем, что до этого систему пытались ломать 400 специалистов в рамках закрытого хакатона, и не справился никто

Дилан Патель считает, что у Anthropic есть модели сильнее, чем o3, но они не релизят их из соображений безопасности Патель – очень известный в сети ИИ-аналитик и ведущий эксперт SemiAnalysis, которые как раз специализируются на исследованиях и консалтинге в области железа и ИИ. Он знаменит своими обзорами и выступлениями на подкастах. Вот и сейчас в гостях у Redpoint’s AI Podcast (советуем, кстати) он вдруг заявил, что у Anthropic уже несколько месяцев есть модель умнее, чем o3, но к ней нет доступа из-за повышенной опасности использования. Кстати, Дилан говорит об этом не первый. Помните цитату знаменитого Gwern? «Anthropic так и не показали Claude-3.6-opus не потому что модель провалилась, они просто решили сохранить ее в тайне и использовать для обучения других более умных и дешевых моделей». Как бы там ни было, с последнего релиза Антропик прошло уже пол года. Интересно, что они нам готовят кроме интересных ресерчей про элаймент. Интервью Пателя полностью

Вышло свежее исследование от Anthropic про новый метод элаймента LLM Давненько антропики не выпускали крутых ресерчей, а тут сразу очень объемная статья с крутыми результатами, да еще и Ян Лейке (бывший ключевой ученый OpenAI) в соавторах. Разбираемся, что показали 👇 Начнем с того, что стартап уже давно занимается в частности изучением джейлбрейков – техник «хитрого» промптинга, которые позволяют обходить ограничения моделек. В ноябре, например, у них выходила статья (наш разбор) про метод обнаружения новых методов джейлбрейка. Сейчас они тоже показывают что-то похожее: Constitutional Classifiers, то есть систему классификации для защиты LLM. В основе метода safeguard классификаторы, которые обучают полностью на синтетических данных. Такие данные генерируются на основе набора естественно-языковых правил, которые определяют, какие запросы допустимы, а какие должны блокироваться. Эти правила называются конституциями, потому метод и зовется Constitutional. При этом так фильтруются не только выходы LLM (как происходит традиционно), но еще и сами запросы. И такой рецепт в совокупности с качественной генерацией синтетики сработал ну очень хорошо. Надо сказать, что обычно основная проблема таких систем – это то, что они плохо приспосабливаются к новым методам промптинга. Но тут в ходе тестирования не нашлось ни одного промпта, которым бы удалось стабильно сломать защищенную таким методом систему. А тестирование, чтобы вы понимали, было действительно масштабное: Anthropic провели целый хакатон, на котором предлагали до 15к долларов за успешные джейлбрейки. В нем приняли участие 405 человек, включая профессиональных red teamer’ов (это типа белые хакеры в мире LLM). Плюс внутренние тесты стартапа, конечно: у них есть собственная red team. При этом по словам Anthropic процент false positive остается достаточно низким (до 0.5%), так что моделька получается даже не слишком пугливой. В общем результаты крутые, правда. Полностью статью читайте тут: arxiv.org/abs/2501.18837

✨искусство нейминга✨

Альтман: «Deep Research уже решает полноценный процент экономических задач всего мира и это не предел» Сэм говорит, что DR – это только первый шаг на пути к агентам, которые могут делать научные открытия (помните пять ступеней AGI?) Кстати, кодовое название проекта – Caterpillar, то есть гусеница 🐛