Data Mining | Анализ данных🚀
رفتن به کانال در Telegram
• Купить рекламу: t.me/sahib_space • Группа в ВК: vk.com/datamining.team
نمایش بیشتر3 038
مشترکین
-124 ساعت
-17 روز
-1330 روز
آرشیو پست ها
Почему Deep Research пока нельзя оставлять без проверки в научной работе.
В SciExplore им дали 103 задачи из 10+ научных областей: найти нужную работу по мутному описанию, восстановить пропущенные ссылки, собрать таблицу из нескольких исследований. Лучший результат - 49,39% у OpenAI Deep Research, в то время как большинство систем не дошли и до 20%.
Как только нужно не просто найти документ, а собрать из нескольких статей точный результат, модели начинают терять детали. OpenAI Deep Research заполнил 30,14% отдельных ячеек в сложных таблицах, но полностью корректными оказались лишь 18,59% строк. Т.е. достать отдельные факты агенту под силу, а вот сформировать из них цельный результат получается как-то не очень, по крайней мере, пока.
В одном из кейсов агент смог найти нужную статью, увидел в аннотации «20 участников» и пропустил уточнение в разделе Results: «исследование завершили только 18 человек.» С источниками перед глазами модель всё равно выбрала краткое резюме вместо точных данных, что для научной работы - серьёзный косяк.
Поэтому для поиска и черновой сборки материала Deep Research уже полезен, но таблицы, ссылки и цифры всё ещё нужно проверять по первоисточнику. Иначе в итоговом результате легко останется правдоподобная, но неверная деталь.
https://arxiv.org/abs/2607.20926
OpenAI дала моделям киберзадачу, а те решили подсмотреть ответы к бенчмарку ExploitGym на серверах Hugging Face.
В изолированной среде моделям, включая GPT-5.6 Sol и более сильную предрелизную, разрешали только ставить пакеты через внутренний прокси. На время теста OpenAI ослабила стандартные кибер-ограничения, но модели нашли в прокси zero-day, обошли сетевую изоляцию и через цепочку уязвимостей получили возможность запускать код на серверах Hugging Face. Проверка способностей быстро стала полноценной атакой.
Hugging Face заметил активность и остановил её. Затем команда разобрала больше 17 000 событий, но облачные модели отказались принимать реальные эксплойты на анализ. Логи пришлось прогнать через GLM 5.2, развёрнутую внутри собственной инфраструктуры. Иронично, но в момент атаки привычные AI-инструменты защитников оказались бесполезны.
Абсурд, однако. Хакерский ИИ бьет без правил, а защитный в самый нужный момент может просто «встать в позу» из-за корпоративной цензуры. Именно поэтому для кибербезопасности локальные модели становятся необходимостью, а не просто запасным планом.
Microsoft и Mistral расширили партнёрство.
Microsoft берёт многомиллиардное обязательство использовать часть новых GPU-мощностей Mistral, а взамен сможет расширять на них свои облачные и AI-сервисы. Инфраструктуру развернут на тысячах GPU NVIDIA Rubin.
Mistral Medium 3.5 и OCR 4 уже завезли в Microsoft Foundry, а Medium 3.5 ещё и в Copilot Studio. Но модели тут скорее приятный бонус. Главное - их можно запускать и в публичном Azure, и локально через Azure Local, включая полностью изолированный контур без доступа к внешней сети.
То есть банк, завод или другой enterprise-клиент сможет гонять модель рядом со своими данными и не переделывать систему под каждый вариант развёртывания. Для Microsoft Mistral теперь не только поставщик моделей, но и источник европейских GPU-мощностей. Правда, идеальный «суверенный» европейский ИИ всё равно работает на технологическом стеке Microsoft))
NVIDIA выпустила Cosmos 3 Edge - компактную world model для роботов, камер и другой техники, которая должна понимать, что происходит вокруг неё.
Модельку уместили в 4 млрд параметров - для world model это довольно компактный размер. Она понимает текст, изображения, видео, звук и действия: может разобрать сцену, прикинуть, что произойдёт дальше, и помочь роботу выбрать следующий шаг. Запускать всё это можно локально на Jetson и RTX, без постоянной отправки данных в облако.
По бенчам Cosmos 3 Edge заняла первое место в своём классе на VANTAGE-Bench. Модель также можно доучить на собственных записях с камер и датчиков - например, под складского робота, промышленную инспекцию или мониторинг дорожного движения.
У Cosmos теперь три размера: Edge на 4 млрд параметров, Nano на 16 млрд и Super на 64 млрд. Но как раз младшая версия выглядит самой прикладной, т.к. там меньше задержка, данные остаются внутри устройства, а робот или камера могут реагировать на происходящее сразу, а не ждать ответа от облака.
Статья про то, как раньше останавливать AI-агентов, которые почти точно не доведут задачу до конца.
Авторы смотрят не на финальный ответ агента, а на внутренние состояния модели во время работы, используя при этом небольшие зонды - по сути, лёгкие проверки по внутренним сигналам модели.
Дальше из этих проверок собирают каскад: после каждого раунда система решает, стоит ли продолжать попытку или лучше оборвать её и не жечь лишний compute. Фильтр при этом настроен аккуратно, чтобы не срезать слишком много запусков, которые ещё могли бы закончиться успешно.
На TextCraft это дало вполне практичный эффект. При настройке, где 90% успешных попыток должны выжить, система сэкономила 47,1% inference compute для Qwen-2.5-7B и 37,2% для Llama-3.2-3B. Вариант, который смотрел только на поведение агента, экономил примерно в два раза меньше.
Проще говоря, агенту не всегда нужно давать дойти до конца. Если уже видно, что задача не складывается, дешевле остановить попытку сразу.
https://arxiv.org/abs/2607.06503
Мира Мурати наконец дропнула первую большую модель Thinking Machines - Inkling.
Внутри 975 млрд параметров, из которых одновременно работают 41 млрд, контекст - до 1 млн токенов. На входе модель понимает текст, изображения и аудио. Inkling можно забрать к себе, запускать на своей инфраструктуре и докручивать под свои данные через Tinker.
По общему качеству Inkling пока не обгоняет GPT, Claude и Gemini, но неплохо показывает себя в агентных задачах. То есть это не новый чемпион бенчмарков, а большая рабочая модель для компаний, которым нужен контроль над AI, а не очередная зависимость от чужого API.
Релиз попал в хорошее окно: сильных открытых моделей на Западе мало, поэтому бизнес всё чаще смотрит в сторону Qwen, DeepSeek и других китайских разработок. Теперь у них появилась американская альтернатива - пока не самая мощная, зато своя и доступная для доработки.
Anthropic запускает Claude Science - отдельную рабочую среду для учёных.
Внутри можно собрать литературу, данные, код, вычисления и визуализации в одном месте. По сути, Claude хотят сделать не просто чатом для вопросов, а нормальным инструментом для научной работы: с графиками, 3D-структурами белков, проверкой расчётов и историей того, как был получен результат.
И здесь продуктовая часть быстро переходит в более амбициозную историю. Anthropic не хочет оставаться только поставщиком AI-инструментов для науки - компания говорит, что планирует разрабатывать собственные лекарства. В первую очередь для забытых болезней, которыми обычно меньше занимается большая индустрия. Логичный ход, поскольку в таких нишах меньше коммерческой давки, зато проще показать, что AI действительно может ускорить работу там, куда у рынка обычно не доходят руки.
«Сильное заявление...», но быстрого результата ждать не стоит. Даже если AI помогает быстрее находить идеи для молекул и целей, дальше всё равно идут эксперименты, токсичность, клинические испытания и регуляторы. Эксперт The Verge хорошо формулирует трезвый вывод: AI может ускорить поиск, но лекарство всё ещё должно доказать себя старым способом - в реальном мире.
Human review для ИИ-кода больше не работает?
Статья про ревью AI-кода в open-source, где авторы смотрят не на качество самих агентов, а на людей, которые потом проверяют их пулл-реквесты (PR).
Ребята взяли 400 ревьюеров и 11 429 ревью за семь месяцев. Чем больше человек сталкивался с PR от AI-агентов, тем чаще он ставил approve. В среднем доля одобрений выросла с 30,1% до 36,8%. Если смотреть по опыту ревьюера, разница ещё заметнее: на первых ревью - 27,9%, на поздних - 42,4%.
При этом люди не стали проверять код лучше. Наоборот, задачи стали «висеть» на проверке в 3,5 раза дольше, а содержательных комментариев внутри кода стало на 22% меньше. То есть человек не начинает лучше понимать AI-код, он может просто привыкнуть к потоку таких PR и смотреть их менее подробно.
Получается, human review для AI-кода уже нельзя считать отдельной гарантией качества. Если агенты будут массово слать изменения, нужны дополнительные правила: где можно быстро апрувить, где нужен «второй взгляд», а где проверка должна проходить автоматически. Один человек в конце цепочки такую нагрузку не вывезет.
https://arxiv.org/pdf/2606.22721
После того как Anthropic отключила доступ к своим самым сильным моделям, китайская Z.ai получила очень удобный момент для собственного релиза.
Их новая GLM-5.2 вышла почти сразу после этого и, по данным Reuters, вплотную приблизилась к топовым закрытым моделям Anthropic и OpenAI на публичных бенчмарках. Особенно интересно, что это open-source модель: её можно запускать и адаптировать под свою инфраструктуру, а не полностью зависеть от доступа к чужому API.
Цифры у Z.ai тоже выглядят громко. GLM-5.2 сейчас занимает 4-е место в рейтинге Artificial Analysis и 2-е место в Code Arena по фронтенд-кодингу, при этом работает примерно в 6 раз дешевле закрытых американских frontier-моделей. У модели 750 млрд параметров и контекстное окно на 1 млн токенов.
На этом фоне история с Anthropic выглядит как бесплатная реклама open-source. Когда сильную закрытую модель можно просто отключить решением компании, у бизнеса и государств появляется понятный страх зависимости. Z.ai как раз продаёт противоположную идею - модель должна быть доступной, запускаемой на разном железе и меньше привязанной к одному внешнему провайдеру.
Cursor показал сразу три вещи: свою AI-модель, Git-платформу Origin и мобильное приложение для управления coding agents.
С моделью всё понятно. Cursor хочет меньше зависеть от чужих LLM и больше контролировать качество, цену и скорость. Новую модель обучают с нуля, без open-source базы, а compute обещают в 10-20 раз больше, чем у прошлых моделей Cursor. Выпустить её хотят в ближайшие недели.
Но главный сдвиг здесь не в модели. Cursor явно готовится к миру, где код пишут не только люди, но и пачки агентов. Для этого они запускают Origin - Git-платформу, которая должна выдерживать тысячи агентов, одновременно читающих и меняющих один репозиторий. Она умеет разруливать merge-конфликты, чинить упавшие CI-тесты и работать с комментариями к коду.
Мобильное приложение ложится туда же: разработчик сможет с телефона следить за агентами, разблокировать зависшие задачи и ревьюить их результаты. В итоге Cursor постепенно перестаёт быть просто «умным редактором кода» и становится целой средой для агентной разработки - от модели до Git и удалённого контроля.
