es
Feedback

¡No caigas en manos de tramposos! Telemetrio encuentra y marca estos canales 👉 Si quieres ver la etiqueta, suscríbete

Big Data AI

Big Data AI

Ir al canal en 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

Mostrar más

📈 Análisis del canal de Telegram Big Data AI

El canal Big Data AI (@bigdatai) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 18 309 suscriptores, ocupando la posición 7 145 en la categoría Tecnologías y Aplicaciones y el puesto 35 818 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 18 309 suscriptores.

Según los últimos datos del 16 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de 78, y en las últimas 24 horas de -8, conservando un alto alcance.

  • Estado de verificación: No verificado
  • Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.74%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 4.35% de reacciones respecto al total de suscriptores.
  • Alcance de las publicaciones: Cada publicación recibe en promedio 1 600 visualizaciones. En el primer día suele acumular 796 visualizaciones.
  • Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 14.
  • Intereses temáticos: El contenido se centra en temas clave como llm, openai, github, nvidia, deepseek.

📝 Descripción y política de contenido

El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“@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”

Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 17 noviembre, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.

18 309
Suscriptores
-824 horas
-207 días
+7830 días
Atraer Suscriptores
nov '26
noviembre '26
+28
en 0 canales
octubre '26
+272
en 38 canales
Get PRO
septiembre '26
+120
en 31 canales
Get PRO
agosto '26
+162
en 42 canales
Get PRO
julio '26
+73
en 43 canales
Get PRO
junio '26
+51
en 0 canales
Get PRO
mayo '26
+54
en 1 canales
Get PRO
abril '26
+245
en 2 canales
Get PRO
marzo '26
+1 786
en 3 canales
Get PRO
febrero '26
+683
en 5 canales
Get PRO
enero '26
+145
en 0 canales
Get PRO
diciembre '25
+114
en 2 canales
Get PRO
noviembre '25
+339
en 44 canales
Get PRO
octubre '25
+158
en 14 canales
Get PRO
septiembre '25
+231
en 36 canales
Get PRO
agosto '25
+148
en 3 canales
Get PRO
julio '25
+389
en 52 canales
Get PRO
junio '25
+237
en 37 canales
Get PRO
mayo '25
+136
en 3 canales
Get PRO
abril '25
+217
en 27 canales
Get PRO
marzo '25
+471
en 4 canales
Get PRO
febrero '25
+264
en 41 canales
Get PRO
enero '25
+402
en 44 canales
Get PRO
diciembre '24
+557
en 39 canales
Get PRO
noviembre '24
+463
en 54 canales
Get PRO
octubre '24
+620
en 57 canales
Get PRO
septiembre '24
+709
en 199 canales
Get PRO
agosto '24
+581
en 40 canales
Get PRO
julio '24
+692
en 50 canales
Get PRO
junio '24
+747
en 57 canales
Get PRO
mayo '24
+671
en 36 canales
Get PRO
abril '24
+679
en 46 canales
Get PRO
marzo '24
+779
en 22 canales
Get PRO
febrero '24
+1 165
en 4 canales
Get PRO
enero '24
+1 256
en 44 canales
Get PRO
diciembre '23
+593
en 40 canales
Get PRO
noviembre '23
+297
en 30 canales
Get PRO
octubre '23
+782
en 1 canales
Get PRO
septiembre '23
+717
en 0 canales
Get PRO
agosto '23
+893
en 0 canales
Get PRO
julio '23
+570
en 0 canales
Get PRO
junio '23
+635
en 0 canales
Get PRO
mayo '23
+859
en 0 canales
Get PRO
abril '23
+430
en 0 canales
Get PRO
marzo '23
+146
en 0 canales
Get PRO
febrero '23
+164
en 0 canales
Get PRO
enero '23
+289
en 0 canales
Get PRO
diciembre '22
+700
en 0 canales
Get PRO
noviembre '22
+6 074
en 0 canales
Fecha
Crecimiento de Suscriptores
Menciones
Canales
17 noviembre+2
16 noviembre0
15 noviembre0
14 noviembre+3
13 noviembre+2
12 noviembre+1
11 noviembre+3
10 noviembre0
09 noviembre+2
08 noviembre+1
07 noviembre0
06 noviembre+2
05 noviembre+3
04 noviembre+4
03 noviembre+1
02 noviembre+2
01 noviembre+2
Publicaciones del Canal
🤯 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
Sin texto...
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
Sin texto...
1 614