Data Secrets

Да, это не скриншот GPT Image-2 официально вышла, и это новая SOTA (да, в разы лучше Nano Banana). OpenAI все еще умеют удивлять

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/

Как быстро делать выжимку по любому материалу Если ведете блог или просто регулярно пишете тексты, большая часть времени всегда уходит на разбор источников и сборку мыслей в нормальный текст. В Яндекс Браузере это можно сильно упростить: включаете сплитвью – и у вас статья с одной стороны, а Алиса AI с другой. Ничего копировать не нужно: она уже видит материал и помогает быстро собрать полезную выжимку и сделать черновой набросок. Дальше остается доработать текст в своем стиле. В итоге нейросеть забирает на себя рутину, а вы быстрее приходите к финальному результату. Показываем, как воспользоваться ↑

В ChatGPT начинают раскатывать новую модель GPT Image-2 Первые генерации от пользователей выглядят невероятно. Модель отлично справляется с текстом, сложными инструкциями и инфографикой. Ждем официальный анонс, а пока можно тестить в своем аккаунте: возможно, вам повезло, и новая модель вам уже доступна

О, стало известно, кто станет следующим CEO Apple Apple официально объявила, что Тим Кук уйдет с поста CEO, а его преемником станет Джон Тернус, нынешний руководитель аппаратной инженерии компании. Переход должен состояться 1 сентября 2026 года, после чего Кук станет исполнительным председателем совета директоров. Кук сказал, что Тернус «имеет ум инженера, душу новатора и сердце лидера», и назвал его правильным человеком для будущего компании. Аналитики видят в Тернусе лидера, который сможет перезапустить стратегию ИИ. Ожидается, что его назначение привнесет большие изменения в этой области. Пожелаем ему удачи наверстать все упущенное Apple за последние годы ☕️

OpenMythos: известный инженер и создатель Swarms воссоздал предполагаемую архитектуру Claude Mythos и набрал уже 3.3к звезд на GitHub https://github.com/kyegomez/OpenMythos Дисклеймер: это именно предполагаемая архитекутра. Никаких сливов вокруг модели (вроде как) не было, а это – просто реализация гипотезы, основанной на открытых данных, статьях и мнениях авторитетных граждан соцсетей. Автор утверждает, что модель построена на архитектуре Recurrent‑Depth Transformer (RDT) с MoE‑роутингом и адаптивным вычислением. Модель делится на три крупных блока: 1. Prelude – обычные слои трансформера, к которым мы привыкли в современных моделях. Они работают ровно один раз, обрабатывают входные данные и инициализируют скрытые состояния. 2. Recurrent Block. Вот тут уже начинается новизна. Это один и тот же блок слоев, который применяется по кругу N раз. То есть в такой модели глубина нейросети получается не за счет множества разных слоев, а за счет многократного прохождения одного блока. Надо сказать, что на каждом шаге еще учитываются LoRA‑адаптеры по глубине, так что каждый шаг цикла вычислительно уникальный, хотя базовые веса одни и те же. 3. Coda – заключительные слои, которые работают еще один раз после цикла, чтобы сформировать финальные логиты. Это идея так называемого рекуррентного рассуждения в латентном пространстве. Мы уходим от привычного ризонинга chain‑of‑thought в токен‑пространстве к гибкому ризонингу в скрытых слоях. Если нужно думать дольше, модель не генерирует больше токенов, а наращивает количество внутренних прогонов, уточняя ответ. Красивая гипотеза, конечно. Верить ей или нет, решать вам. Весь код можно покрутить вот здесь. В исходной имплементации в модели всего 770M параметров, но другие разработчики уже начинают скейлить идею и проверять архитектуру на более крупных моделях. Интересно, что из этого выйдет.

«Сделано с ИИ»: Яндекс Практикум запускает премию для джунов и мидлов, которые используют нейросети в проектах Яндекс Практикум открыл прием заявок на премию для специалистов с опытом до 5 лет, которые уже применяют нейросети в рабочих задачах так, чтобы они приносили измеримый результат для продукта или бизнеса. Будет две основные номинации. В техно-продуктовой — проекты, где ИИ влияет на метрики: ускоряет процессы, снижает затраты или улучшает продукт. В креативной — кейсы с нестандартным использованием нейросетей, где они определяют формат и логику решения. Отдельно отметят участников в каждой номинации с опытом до двух лет— для них предусмотрен спецприз «Будущее за ним». Из интересного: в Практикуме говорят, что спрос на ИИ-навыки уже хорошо виден по рынку. Например, популярность курсов по «Нейросети для…» разных задач за 2025 год выросла в 17 раз. То есть кейсы «сделано с ИИ» потенциально могут стать новой нормой рабочих процессов. Победители получат до 500 тыс. рублей, гранты от Yandex AI Studio и другие призы. Узнать подробнее и подать заявку

Исследователь из Google написал статью о том, почему ИИ никогда не сможет обладать сознанием Он утверждает, что ни при какой мощности моделей, ни через 10, ни через 100 лет, в них не сможет зародиться сознание. ИИ может только идеально имитировать сознание. Причина – в логической ошибке, которую автор обозвал Abstraction Fallacy (ошибка абстракции). Сейчас, в основном, считается, что если система ведет себя разумно, значит при достаточной сложности она может стать сознательной. Но это заблуждение, и вот краткий пересказ, почему ⬇️ Дело в том, что сознание – это физическое явление, а вычисления (ИИ) – это лишь его описание. В статье приводится хорошая аналогия с картой и реальными территориями. Сколь бы точка не была карта, из нее никогда не возникнет земли. Вычисления работают так: есть физическое состояние (ток, напряжение, состояние транзистора и тд) и есть абстрактное состояние – смыслы, которые мы закладываем в вычисления. Человек (mapmaker) задает между этими двумя состояниями соответствие (mapping), которого не существует в природе самого по себе. Без этого соответствия вычисления невозможны в принципе. То есть для ИИ смысл всегда приходит извне, система его не переживает, как реальный опыт. Компьютер, сколь бы "умным" он не был, не оперирует смыслами – он оперирует физикой, которую мы интерпретируем как смыслы.

Ждать сознания от алгоритма – все равно что ждать, что формула гравитации начнет притягивать объекты.

Наконец-то кто-то это сформулировал deepmind.google/research/publications/231971/

Агентство национальной безопасности США использует Claude Mythos, несмотря на то, что Пентагон отменил Anthropic для гос. учреждений Как вы помните, Anthropic уже пару месяцев как обладает статусом supply chain risk. Это значит, что все федеральные агентства должны были прекратить использовать их технологии. Пентагон, кстати, продолжает судиться со стартапом. Но сейчас не про это. Тут вскрылось, что NSA (National Security Agency) не просто не отказываются от продуктов Anthropic, но и активно используют новейший Claude Mythos Preview 😧 Источники сообщают, что NSA стала одной из 40 организаций, которым Anthropic предоставила ограниченный доступ к этой модели. Название агентства не было включено в публичный список, но в неофициальных условиях оно там есть. Модель используется для поиска уязвимостей. Конечно, если откинуть контекст, использовать ее в госсекторе критически важно. По словам СМИ это делает не только NSA, но и другие госструктуры. Вот только ирония в том, что Anthropic попала в черный список как раз из-за «угрозы национальной безопасности»

В Пекине прошел полумарафон для роботов-гуманоидов. Лучший результат оказался быстрее человеческого рекорда. Робот Lightning от Honor пробежал дистанцию за 50 минут 26 секунд. Действующий человеческий мировой рекорд составляет 56 минут 42 секунды. В этом году в марафоне участвовало более 300 роботов (в 5 раз больше, чем в 2025). Были две категории: автономные роботы и управляемые. Победитель, обратите внимание, работал в автономном режиме. Когда там уже робо-олимпиада?

В OpenAI опять потери: из компании уходит Кевин Вейл и еще два лидера Кевин был вице-президентом OpenAI по научным исследованиям и бывшим главным продуктовым директором. Вы его точно знаете, он постоянно появлялся на стримах и очень часто светился в Твиттере. В последнее время он возглавлял инициативу OpenAI for Science, но компания решила свернуть побочные проекты и эту команду интегрировали в другие подразделения. Видимо, это и послужило причиной ухода. Одновременно с Кевином стартап также покидает Билл Пиблз, глава подразделения Sora (ну тут понятно почему), и Сринивас Нараян, CTO по enterprise-приложениям.

OpenAI выпустили GPT-Rosalind – свою AlphaFold Это модель для исследований в области естественных наук: разработка лекарств, биология, химия, геномика и тд. Название отсылает к Розалинд Франклин, чьи исследования помогли установить структуру ДНК. Модель специально затюнена под домен и предназначена для ускорения исследований:

Разработка нового лекарства в США занимает в среднем 10-15 лет. Прогресс замедляется из-за сложности научных задач и разрозненных, трудоемких рабочих процессов. Мы верим, что ИИ может ускорить эти этапы, помогая анализировать данные, находить скрытые связи и формировать более точные гипотезы. В перспективе это позволит быстрее достигать прорывных открытий и повышать вероятность успеха в области естественных наук.

Пока модель в превью и доступна только избранным enterprise-клиентам. В основном это крупный биотех. https://openai.com/index/introducing-gpt-rosalind/

Вся ваша вечерняя новостная лента в одном скрине

Opus 4.7 – это нечто. Он прекрасен, это другой взгляд на все привычное, что у нас было. Новый стандарт, несомненный знак новой эры. (Я его еще не попробовал)

Anthropic предложили автоматизировать элаймент моделей с помощью других моделей TL;DR: схема следующая -> AI проверяет AI, который проверяет AI. Anthropic начали исследовать, можно ли поручить элаймент самим моделям. Они утверждают, что скоро люди уже не смогут полноценно проверять ИИ на предмет опасности: слишком быстрое развитие и слишком широкий перебор. Здесь рисерчеры специально сделали модель с изюминкой (вшили в нее скрытые опасные мотивы) и дали AI-агенту задачу исследовать ее на опасность. Ну и дальше он генерирует гипотезы, проводит тесты и ищет странное поведение. Конечно, ту появляется опасность саботажа: например, агент может только притвориться, что тестирует подопытного, а на самом деле подтасовывать результаты. Поэтому добавляется третий агент-наблюдатель, который следит за агентом-исследователем и проверяет его. В целом, так можно было добавлять агентов до бесконечности, но Anthropic решили остановиться на трех 😐 Исследователи сами признаются, что контролировать такой процесс довольно сложно, но в их случае агент действительно справился, провел полноценный аудит и обнаружил дефекты в большинстве запусков, обогнав даже людей. Так что в перспективе это может быть рабочий подход. Элаймент может буквально выродиться в иерархию агентов, постоянно проверяющих друг друга. https://www.anthropic.com/research/automated-alignment-researchers

Вышел Claude Opus 4.7 Скорость релизов Anthropic просто поражает

Как вывести ваши научные исследования на новый уровень с ИИ Если вы занимаетесь наукой – сейчас крайне важно научиться применять AI к своей задаче и встраивать его в исследовательский процесс.Сегодня ИИ становится ключевым фактором, который определяет уровень и скорость научных исследований: он помогает находить закономерности в сложных данных, ускорять эксперименты и получать результаты, которые раньше были недостижимы. В ШАДе как раз стартовал набор на направление «ИИ в естественно-научных исследованиях». Это очная программа на 2 года в Москве, где дают базу по ML, но при этом не уводят в абстракцию: ключевая идея в том, что вы развиваете собственный научный проект, пробуя применять ИИ к своей задаче. Плюс – регулярные семинары и обсуждения с людьми из индустрии и академии. Из требований: нужен свой исследовательский проект, понимание, как именно ИИ может его усилить, и научный руководитель (если нет степени). Смотрят на бэкграунд и публикации, но в целом это именно про внятную исследовательскую траекторию, а не только про формальные достижения. Кому актуально – не пропустите, возможность редкая. Дедлайн подачи заяки – 3 мая, оставить заявку можно по ссылке

Дженсен Хуанг сказал, что США должны сотрудничать с Китаем, потому что те уже могут сделать свой собственный Claude Mythos У Дваркеша Пателя вышло новое интервью с Дженсеном Хуангом. Советуем, кстати, посмотреть его полностью, там было много жарких интересных споров. Основное, что подчеркивал Дженсен: гонка ИИ приобретает совсем другое значение, потому что Китай уже обладает достаточными вычислительными мощностями и энергетикой для обучения модели, аналогичной Claude Mythos. Поэтому США нельзя закрываться, и в то же время надо всеми силами удерживать технологическое лидерство. Он сказал, что в текущей ситуации виноваты в первую очередь экспортные ограничения США. Ограничения поставок ускорили развитие китайского ИИ‑чипа и конкурентов вроде Huawei и SMIC. Вместо того, чтобы ослабить Китай, США своими ограничениями усилили его независимость. В то же время в США аналогов Nvidia все еще нет, это иллюзия. Хуанг подчеркивает, что основной драйвер спроса на TPU и Trainium – это Anthropic. Дело в том, что на ранней стадии стартапа Amazon и Google вложились в Anthropic и получили сделки на компьют. Nvidia же инвестиций тогда не сделала, и Хуанг называет это упущением. В итоге теперь Anthropic обязаны использовать TPU и Trainium, создавая на них искусственный спрос. Без такого крупного заказчика вся история с ASIC‑чипами была бы гораздо менее экономически обоснованной. По его словам, для США это плохо, потому что конкуренция должна строится на инноватике, а не на политике, и текущее положение подкашивает позиции Nvidia (а значит, и Америки) на мировом рынке.

Любимое видео сегодняшнего дня

Внезапно: новая Muse Spark от Meta демонстрирует самые высокие показатели evaluation awareness среди всех моделей Она не просто понимает, что ее тестируют, но и называет имена тестирующих организаций (Apollo и METR) в своих цепочках мыслей, и обзывает сценарии тестирования «классическими ловушками» 😎 https://ai.meta.com/static-resource/muse-spark-safety-and-preparedness-report/

Google выпустили SOTA модель для генерации речи Вышла Gemini 3.1 Flash TTS – новое поколение голосового движка в экосистеме Gemini. Киллер-фича: суперточный контроль интонации. Возможно задавать стиль, темп, ударения и «атмосферу» речи через теги в тексте, почти как в режиссерских заметках для голоса. Плюс модель может работать с многоголосием с сохранением стиля голоса каждого персонажа, так что ее можно использовать для озвучки целых фильмов. Плюс скорость. По сравнению с более ранними TTS ускорение первого токена и общей задержки произошло на десятки процентов. Это уже близко к полноценным онлайн прод-сценариям. Озвучка, переводы, ИИ-подкасты и голосовые агенты скоро выйдут на совсем новый уровень blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/