ML&|Sec Feed

Интересное

Xiaomi анонсировала серию MiMo-V2.5 - новое поколение их открытых агентных моделей. MiMo-V2.5-Pro - флагман линейки. Серьёзный скачок по сравнению с MiMo-V2-Pro в общих агентных способностях, сложной разработке ПО и долгосрочных задачах. По заявленным бенчмаркам догоняет фронтирные модели вроде Claude Opus 4.6 и GPT-5.4: SWE-bench Pro — 57.2, Claw-Eval — 63.8, τ3-Bench — 72.9. Может автономно выполнять профессиональные задачи с более чем 1000 вызовов инструментов — работа, на которую у людей-экспертов ушли бы дни. Tech Blog: https://mimo.xiaomi.com/blog/mimo-v2.5-pro MiMo-V2.5 - нативно омнимодальная модель с сильными агентными возможностями. Даёт производительность Pro-уровня примерно за половину стоимости. Улучшено восприятие изображений и видео, нативное контекстное окно на 1M токенов и значительно более эффективный инференс. Доступны техблоги и API с тарифными планами на платформе Xiaomi. Tech Blog: https://mimo.xiaomi.com/blog/mimo-v2.5 🔗 API & Token Plan: https://platform.xiaomimimo.com/token-plan

Как выбрать SIEM в 2026 Рынок SIEM в 2026 году выглядит зрелее и плотнее: решений больше, AI-функций больше, обещаний тоже больше. Но на практике выбор по-прежнему упирается не в маркетинг, а в базовые вещи: цели, команду, интеграции, масштабирование и стоимость эксплуатации. Собрали 6 критериев, без которых внедрение SIEM почти гарантированно превратится в дорогой и тяжёлый проект. Полный обзор рынка, ключевых трендов и российских решений — в статье.

Где будут деньги в эпоху AI? Я люблю длинные, доказанные тренды. Хочу ставить себя в точку где ветер дует в спину. Этот пост – часть моей работы в понимании куда дуют ветра. Очевидный тренд – AI заменяет все цифровые работы. Через 3-5 лет вся ценность работы за ноутбуком устремится к нулю. Если вы всё ещё сомневаетесь – изучайте https://metr.org/ Но это не даёт ответа надо этим заниматься или нет. Интуитивно мне казалось странным заниматься разработкой софта – он же дешевеет, зачем? Почему тогда все бегут делать агентов? И вот люди сильно умней меня написали про это хорошую статью – с доказательствами и экспериментами. Мои краткие выводы: 1. Сектора, где производство дешевеет, сжимаются. Сельское хозяйство ушло с 15% до 1% GDP: фермеров меньше, маржа минимальная, часто отрицательная. 2. Деньги – и траты, и зарплаты – перетекают в сектора с дефицитом товаров. Например, доля дорогих ресторанов в экономике исторически растёт. Экономика в сумме кстати тоже растёт, люди перераспределяются. В статье есть причины доказательства. 3. Основная гипотеза автора – рост будет в секторах где люди являются частью ценности услуги. Это без сильных доказательств. 4. Эффект работает только для "богатых" стран. У экспортных перераспределения может не случиться – экспортируют обычно товары, а не людей. Что я забираю из этого для своей траектории: В текущих цифровых профессиях денег долгосрочно не будет. Да, кто-то один сделает нового "супер-производителя софта" – это будет большая компания, но с низкой маржой. Все остальные умрут – такие рынки жёстко консолидируются. В чистом виде – как будто не стоит заниматься цифровыми профессиями. Один из возможных ответов – строить то где люди являются частью ценности. Не зря я снова начал фотографировать хахах. Кстати, подписывайтесь, если жена разрешит 🌟

EntraGoat — это намеренно уязвимая инфраструктура Microsoft Entra ID, предназначенная для имитации реальных ошибок в настройках системы идентификации и векторов атак. EntraGoat намеренно создает уязвимости в вашей среде, чтобы предоставить специалистам по безопасности реалистичную платформу для обучения. Она включает в себя несколько способов повышения привилегий и ориентирована на методы атак «черного ящика». 🐱 GitHub

LangExtract — это бесплатная библиотека Python, которая использует модели ИИ, такие как Gemini, для извлечения структурированных данных (например, имен, эмоций или лекарств) из неструктурированного текста, такого как отчеты или книги. 🐱 GitHub

SakanaAI доказали, что LLM не умеют быть случайными и предложили один промпт, чтобы заставлять модели быть более креативными Современные LLM хорошо решают задачи, где есть один правильный ответ, но заметно хуже справляются с ситуациями, где нужно выбирать между несколькими допустимыми вариантами с заданными вероятностями (исследователи вводят для такого термин Probabilistic Instruction Following). Например, подбрасывание монетки. Если сто раз попросить модель "подбросить монетку", то, по идее, распределение должно быть близко к 50/50, но на практике оно перекошено. Возникает логичный вопрос: ну и что? Так вот, такое поведение возникает не только в игрушечных симуляциях. В открытых задачах (вроде придумать название, написать поздравление, нагенерить идеи и тд) LLM тоже страдают от схлопывания разнообразия, и при многократных запусках крутятся вокруг очень похожих решений. Это мешает и обычному креативному использованию, и test-time scaling, где хочется получить много разных кандидатов, а потом выбрать лучший. Объясняется это просто: LLM не обладают внутренним источником независимой случайности и потому при стохастическом выборе следуют выученным во время обучения вероятностным смещениям, а не заданному распределению. Как это исправить? Раз внутреннего источника случайности у моделей нет, японцы предлагают его добавить. Сама идея простая: вместо наивного промпта вроде «сгенерируй случайное число» модель сначала заставляют генерировать случайную строку и потом использовать ее, чтобы выбрать или сформировать ответ. То есть примерно вот так:

Сначала сгенерируй уникальную случайную строку (любой длины, без очевидной структуры). Затем используй ее как источник случайности, чтобы создать разнообразный, небанальный и качественный ответ на задачу.

Это называется String Seed of Thought. Если модель сразу выбирает ответ, на нее влияют обученные смещения, но при генерации случайной строки они почти не проявляются. Затем модель преобразует строку в решение через простые вычисления (например, mod или хеш), фактически реализуя псевдослучайный выбор. Грубо говоря, метод работает, переводя задачу из семантической в вычислительную. На бенчмарках SSoT резко снижает отклонение от заданного распределения и часто приближается к уровню настоящего псевдослучайного генератора. Он стабильно обходит подкруты температуры и другие трюки на разных моделях и задачах. В открытых задачах креативность также растет, и при том без потери качества. Пользуйтесь, в общем. Блог и статья вот: https://pub.sakana.ai/ssot/

Innostage опубликовала на «Мос.Хаб» пять курсов по ИБ для начинающих специалистов Компания Innostage опубликовала на платформе «Мос.Хаб» образовательные материалы по информационной безопасности. Комплекс включает пять курсов: «Уязвимости в ПО. Основные понятия. Классификация, причины возникновения. Стандарты классификации и оценки уязвимостей», «Методы эксплуатации уязвимостей», «Атаки на веб-приложения», «Шифрование данных» и «Решения для защиты данных». Материалы созданы при участии более десяти отраслевых экспертов и нацелены на повышение общего уровня кибербезопасности в отечественных проектах. В ДИТ Москвы отметили, что они будут полезны начинающим специалистам, которые хотят получить базовые знания в сфере информационной безопасности. 🔗 В апреле Positive Technologies разместила на «Мос.Хаб» решение Runtime Radar для отслеживания событий ИБ.

🤖Автономный ИИ-агент Hermes от Nous Research преодолел рубеж в ⭐️104 тысячи звезд на ❗️ GitHub Исследовательская группа Nous Research выпустила самообучающегося ИИ-агента под названием Hermes Agent, который пытается повторить успех проекта OpenClaw. Данный проект с открытым исходным кодом набирает популярность среди IT-специалистов cо всего мира и уже собрал более 104 тысяч звезд и 14 900 форков. Развитие кодовой базы активно поддерживают 530 независимых разработчиков со всего мира. В отличие от стандартных ИИ-ассистентов, привязанных к конкретной среде разработки или веб-браузеру, Hermes спроектирован как фоновый процесс. Он разворачивается на вашем собственном оборудовании (проект стабильно работает даже на базовом виртуальном сервере стоимостью от $5 в месяц) и сохраняет полный контекст взаимодействия между сессиями. Существует возможность интеграции более чем с 200 ИИ-моделями через OpenRouter, кроме того, Hermes напрямую работает с продуктами OpenAI, Anthropic и NVIDIA. Управлять инфраструктурой можно прямо из Telegram. 🤖 Для безопасной работы с файловой системой и кодом Hermes использует изоляцию (Docker-контейнеры, SSH-туннели или облачные песочницы). Важно отметить, что ИИ-агент для полноценного внедрения в 🙅‍♂️♋️cерьезные рабочие процессы пока ещё не готов из-за возможных рисков, связанных с безопасностью, но в качестве полигона для испытаний он представляет собой один из самых интересных проектов на GitHub. Hermes сейчас проходит стартового хайпа, как и OpenClaw в своё время, но технически он ещё слишком «сырой» — v0.10.0 (2026.4.16). 😘 https://github.com/NousResearch/hermes-agent ✋ @Russian_OSINT

Как ИИ-агенты регулируются правом ЕС Новый пре-принт только что опубликован, я в соавторах: "AI Agents Under EU Law: A Compliance Architecture for AI Providers." Рассказываю, чем статья полезна и интересна, и что в ней можно считать спайси.

⚡ Мы разработали ByteDog — нейросеть для поиска вредоносов Она построена на архитектуре трансформеров — той же, что используют большие языковые модели. Но ее ключевая особенность в том, что вместо текста или изображений ByteDog анализирует файлы напрямую — в виде байтов. За счет этого ByteDog находит вредоносное ПО на 20% точнее, чем классические модели машинного обучения. Это первая подобная разработка в кибербезопасности в России и Европе. И она будет внедрена в наши продукты и сервисы. Как это работает 🤖 Представьте: вам приходит файл, похожий на счет от подрядчика, но внутри — вирус. Классическому антивирусу нужно время: распаковать файл, извлечь код, прогнать через набор правил. ByteDog пропускает эти шаги. Нейросеть сразу анализирует файл так же, как его видит операционная система, — как последовательность байтов. И находит признаки вредоносного кода, даже если он хорошо замаскирован.

«Обучение и тестирование ByteDog проводились на образцах из реальных киберинцидентов на протяжении года. Модель продемонстрировала превосходство над классическими ML-моделями по качеству детектирования и скорости анализа — разница составила более 20%. ByteDog будет интегрирована в ряд продуктов и сервисов Positive Technologies по обнаружению киберугроз», — отметил Андрей Кузнецов, ML-директор Positive Technologies.

В чем ноу-хау: 1️⃣ Раньше ИИ в кибербезе требовал ручной подготовки данных под каждый новый вид вирусов. Специалисты заранее выделяли признаки, по которым обучали модель отличать вредоносный код от обычного. 2️⃣ ByteDog убирает этот этап. После обучения она анализирует файлы напрямую — в том виде, как они есть на компьютерах, смартфонах, в облаке или интернете. 3️⃣ Модель способна сама учиться находить закономерности, экстраполировать их и обнаруживать угрозы, которые ранее не встречались в данных. Этим она превосходит системы, основанные на жестких, фиксированных правилах. Это похоже на то, как языковые модели учатся понимать текст без знания грамматики — просто анализируя последовательности символов. Только здесь вместо слов — байты. 4️⃣ Главная техническая сложность — длина входных данных. Если языковые модели работают с десятками тысяч токенов, то файлы — это миллионы байтов, ни один из которых нельзя пропустить. ByteDog решает эту проблему: анализирует файлы фрагментами и собирает общую картину. 5️⃣ Еще одна особенность — для работы не нужен графический ускоритель: уже обученную модель можно запускать прямо на устройствах пользователей — компьютерах и смартфонах. Гордимся нашей командой, которая смогла разработать и обучить собственную модель с нуля. Дальше — больше 💪 @Positive_Technologies

AI safety basics https://youtu.be/agEPmYdbQLs

Двенадцать графиков, объясняющих статус ИИ прямо сейчас

Япония собирает боевой ИИ-контур Пока мы боремся с угрозами с Запада, на Востоке идут свои приготовления. Сегодня речь пойдёт о Японии. Не стоит забывать, что мирный договор между нашими странами так и не подписан. Это открытый вопрос, висящий с 1945 года. Мы уже писали на нашем канале, что Япония создала агентство по образцу американского DARPA — DISTI, работающее под управлением ATLA (Агентства по закупкам, технологиям и логистике Министерства обороны Японии). И вот теперь этот институт начал раздавать серьёзные контракты. В марте 2026 года сразу два крупных игрока подписали соглашения с DISTI — причём с разницей буквально в два дня. Первый — Fujitsu. 10 марта корпорация объявила о запуске первой в Японии программы открытых инноваций именно в оборонной сфере. Цель — создать так называемый «ИИ-персонал»: систему из нескольких скоординированных искусственных интеллектов, которые автономно собирают, анализируют и обрабатывают информацию, снижая нагрузку на живой личный состав. Второй — Sakana AI. 12 марта стало известно о многолетнем контракте этого стартапа с DISTI. И здесь стоит остановиться подробнее, потому что компания неординарная. Sakana AI основана в 2023 году двумя людьми с громкими именами в мире искусственного интеллекта: бывшим учёным Google Brain Дэвидом Ха и Ллионом Джонсом — одним из соавторов архитектуры трансформер, той самой, на которой сегодня работают GPT, Gemini и большинство современных языковых моделей. К концу 2025 года компания стала самым дорогим непубличным стартапом Японии в сфере ИИ — с оценкой около 2,65 млрд долларов. До этого контракта Sakana AI уже засветилась в оборонной теме: в марте 2025 года компания выиграла награду на совместном конкурсе DIU (оборонное инновационное подразделение США) и ATLA (Япония) за ИИ-решения в области биозащиты и противодействия дезинформации. Это был её первый публичный шаг в военный сектор. Теперь — второй, куда более весомый. По новому контракту Sakana AI займётся разработкой системы, которая объединяет потоки данных сразу из нескольких доменов — земля, море, воздух, в том числе данные с дронов — и на их основе ускоряет принятие тактических решений на командном уровне. Причём ключевая особенность их подхода — работа прямо на периферийных устройствах: дронах и полевых терминалах, без выхода в облако. Для этого разрабатываются компактные визуально-языковые модели, оптимизированные для полевых условий. Здесь уместно провести параллель. Американский Palantir решает похожую задачу — объединить потоки данных с земли, моря и воздуха и выдать командиру готовое решение. Но делает это через централизованную платформу Gotham: все данные стекаются в единый узел, где обрабатываются и анализируются. Sakana AI идёт другим путём: вместо единого командного центра — ансамбль небольших специализированных моделей, которые «совещаются» между собой децентрализованно, как косяк рыб (отсюда, кстати, и название — sakana по-японски означает «рыба»). Ключевое отличие — не отсутствие моделей у Palantir, а место их работы: у Sakana AI вся обработка происходит прямо на борту дрона или в руках бойца, без выхода в облако. При этом Palantir тоже не стоит в стороне от японского рынка. В январе 2026 года министр обороны Японии Коидзуми лично посетил штаб-квартиру Palantir в Вашингтоне. В марте 2025 года CEO Palantir Алекс Карп в интервью Nikkei призвал Японию и США совместно создать ИИ-систему целеуказания. А в марте 2026 года Сумитомо Корпорейшн подписала лицензионный договор на платформу Palantir AIP. В итоге Япония собирает полный боевой контур: сбор данных с поля боя, их анализ и выработка командного решения — всё замкнуто в единую цепочку. Fujitsu закрывает штабной уровень — агрегацию и обработку данных для командиров. Sakana AI закрывает полевой уровень — сбор и слияние данных прямо с дронов и терминалов в режиме реального времени. 🔒DARPA&CIA