Generative AI

Сотрудники казино в Китае разоблачили женщину, использующую высокотехнологичные контактные линзы во время игры.

🧠 Бесплатные курсы по нейросетям собрали в одном месте - на удобном сайте с подборкой материалов от OpenAI, Microsoft и других топовых компаний. Проект Learn AI Go Where - это десятки проверенных курсов, гайдов и полезных ссылок по ИИ, которые реально стоит пройти. Без мусора и бесконечного поиска по всему интернету. https://www.learnaigowhere.com/

NVIDIA и Basecamp Research представили ИИ-технологию редактирования ДНК. NVIDIA и биотех-стартап Basecamp Research анонсировали технологию программируемой вставки генов. В основе метода - биологические ИИ-модели NVIDIA EDEN. Разработчики заявляют, что им удалось (basecamp-research.com/wp-content...) решить одну из фундаментальных задач медицины: безопасную замену участков ДНК в строго определенных локациях. Новая технология позволяет интегрировать генетический код без разрушения цепей, снижая риски мутаций. Испытания подтвердили эффективность метода в более чем 10 000 точек человеческого генома. Технология продемонстрировала способность уничтожать раковые клетки и бороться с супербактериями, резистентными к антибиотикам. https://basecamp-research.com/wp-content/uploads/2026/01/BCR_Designing-programmable-therapeutics-with-the-EDEN-family-of-foundation-models.pdf #NVIDIA

🐴 DeepSeek спрятали в коде крутую пасхалку Отсылка к знаменитой исторической истории про Александра Македонского и его легендарного коня Буцефала. Коротко сюжет: К торговцу привели огромного дикого коня и предложили царю Филиппу II купить его за 13 талантов (по тем временам — почти безумные деньги). Проблема — конь был настолько неуправляемый, что никто не мог даже приблизиться, а любой всадник мгновенно летел в пыль. Все дрессировщики сдались. Царь уже собирался отказаться. И тут выходит юный Александр (ещё подросток) и заявляет: > “Вы теряете отличного коня из-за собственной глупости.” Его высмеивают, отец отчитывает, но Александр настаивает и даже заключает пари: если не справится — оплатит коня сам. А дальше гениальная деталь. Александр не стал давить силой — он заметил то, чего не видел никто: Буцефал панически боялся собственной тени. Он спокойно развернул коня мордой к солнцу — тень ушла назад, исчез главный источник страха. Конь моментально успокоился. Александр погладил его, сел верхом — и спокойно уехал. Толпа в шоке. Все аплодируют. С тех пор появилась почти символическая мысль: “Только Александр мог укротить Буцефала.” То есть только человек с исключительным умом и смелостью может решить то, что другим кажется невозможным. И вот почему пасхалка DeepSeek выглядит как тонкий намёк:

> “Не каждому дано понять и сделать то что неужно. Только гении способны на это.”

Очень красивая, почти дерзкая отсылка. mp.weixin.qq.com/s/L7YawzhHCACBQsiEb7w-Tw

MIT: большие датасеты не всегда нужны - можно вычислить “минимум данных”, который гарантирует лучший ответ Мы привыкли думать так: чем больше данных соберём - тем точнее решение. Но исследователи (в том числе команда MIT) показали другой подход: можно алгоритмически определить минимальный набор измерений, который *уже гарантирует оптимальное решение*. То есть система отвечает на вопрос не “примерно”, а строго: 👉 *какие именно данные нужно собрать, чтобы получить точно лучшее решение* и где можно остановиться, не теряя качества. В чём суть (по-человечески): обычно мы собираем тонны данных “на всякий случай” - чтобы оценить всё подряд. А новый метод делает иначе: - находит конкурирующие оптимальные варианты - и измеряет только то, что реально способно изменить выбор лучшего - всё остальное - лишнее Главный кайф: это не “в среднем работает” и не “в большинстве случаев”. Метод даёт математическую гарантию: выбранного маленького набора данных *достаточно*, чтобы получить точный optimum. Почему это важно: в задачах вроде - логистики и маршрутизации - supply chain - энергосетей и power grid Каждое измерение может быть: дорогим, медленным, опасным или редким. И вместо бесконечного “соберём ещё данных” появляется принципиальное правило остановки: собираем только то, что реально влияет на оптимальный выбор - и получаем 100% уверенность. Это мощный сдвиг “сколько данных нужно?” становится не догадкой, а задачей проектирования с доказательством.

✔️ OpenAI запустила ChatGPT Health. ChatGPT Health — отдельный раздел чат-бота исключительно для запросов, связанных со здоровьем, с возможностью интеграции с сервисами трекинга: Apple Health, MyFitnessPal, а также с личными медицинскими записями для анализа результатов анализов и истории болезни. Вопросы приватности и безопасности данных решены с помощью многоуровневого шифрования и отдельной инфраструктуры; данные из ChatGPT Health по умолчанию не используются для обучения основных моделей ChatGPT. Доступ к бета-версии открыт через лист ожидания для пользователей за пределами ЕС, Швейцарии и Великобритании; интеграция с медицинскими картами пока доступна только в США. openai.com ✔️ Китай проверяет сделку по покупке Manus на нарушение экспортного контроля. Министерство торговли КНР начало расследование приобретения стартапа Manus. Власти подозревают, что релокация сотрудников и технологий компании из Китая в Сингапур с последующей продажей американскому техно-гиганту могла быть попыткой обхода требований по лицензированию экспорта технологий. Команда и основатели Manus покинули Китай летом 2025 года, чтобы дистанцироваться от геополитических рисков. Этот маневр позволил привлечь $75 млн. от американского фонда Benchmark, что ранее уже вызывало вопросы у Минфина США. Компания Цукерберга утверждает, что на момент закрытия сделки в Manus не осталось китайского капитала, однако Пекин намерен выяснить, легально ли технологии покинули страну до того, как стартап сменил юрисдикцию. ft.com ✔️ Siemens и NVIDIA создадут ИИ-ОС для заводов. Компании объявили о расширении партнерства ради создания единой среды Industrial AI Operating System. Она построена на концепции централизованного интеллекта, который позволит непрерывно анализировать цифровые двойники и валидировать любые производственные изменения в виртуальной среде до их реализации в поле. Эталоном такого производства станет завод Siemens в немецком Эрлангене. Для инженеров альянс готовит новые инструменты. В середине 2026 года выйдет Digital Twin Composer на движке NVIDIA Omniverse для построения промышленных мета-вселенных, а интеграция библиотек CUDA-X в программный стек Siemens обещает кратный прирост производительности в проектировании полупроводников и тяжелых инженерных симуляциях. press.siemens.com ✔️ OpenAI, Anthropic и Google разделили лидерство в Intelligence Index 4.0. Artificial Analysis представила 4-ю версию рейтинга ИИ-моделей, зафиксировав жесткую конкуренцию между топовыми игроками. Формальное лидерство досталось GPT-5.2 (Х-High), однако Claude Opus 4.5 и Gemini 3 Pro отстают от нее с минимальным разрывом, фактически образуя тройку равных лидеров. В новой итерации индекса заметно просели абсолютные показатели: лучшие модели теперь набирают в районе 50 баллов против 73 в прошлой версии. Это связано с ужесточением методологии и ротацией тестовых наборов. На смену AIME 2025 и MMLU-Pro пришли более суровые тесты: AA-Omniscience для проверки эрудиции и склонности к галлюцинациям, GDPval-AA для прикладных задач в 44 сферах и CritPt, оценивающий способности в физических исследованиях. Итоговый балл формируется из 4-х категорий: агенты, программирование, научное мышление и общие задачи. Artificial Analysis в сети Х ✔️ Учёные из Ватерлоо научились бэкапить квантовые данные. Команда из Университета Ватерлоо решила одну из фундаментальных проблем квантовых вычислений — невозможность прямого копирования информации. Суть метода, описанного в Physical Review Letters, заключается в шифровании квантовой информации в процессе ее копирования. Как поясняют авторы, запрет на клонирование можно обойти, если создавать неограниченное количество зашифрованных дубликатов кубитов. Механизм защиты работает через одноразовые ключи: как только пользователь расшифровывает одну из копий, ключ автоматически аннулируется. Это открытие фактически легализует создание «квантового облака». Технология позволяет хранить квантовые данных на распределенных серверах и создать аналог квантового Dropbox или Google Drive. uwaterloo.ca @ai_machinelearning_big_data #news #ai #ml

⚡️ Как запустить Qwen у себя на ПК с Python Совет: если хочешь развернуть Qwen локально без облака, проще всего поставить её через Transformers - модель скачивается один раз и дальше работает офлайн. Подходит даже для слабых ПК, если брать маленькие версии (например, Qwen-2.5-1.5B-Instruct).

# Установка:
# pip install transformers accelerate torch

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

MODEL_NAME = "Qwen/Qwen2.5-1.5B-Instruct"

# Модель и токенайзер загрузятся один раз — потом работают офлайн
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    torch_dtype=torch.float16,
    device_map="auto"   # автоматически использует GPU, если есть
)

prompt = "Объясни простыми словами, чем контейнер отличается от виртуальной машины."

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=200,
    do_sample=True,
    temperature=0.7
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

https://www.youtube.com/shorts/xq69dAtRigU

🐳 Как запустить DeepSeek у себя на ПК через Python Главная ошибка новичков - сразу ставить огромные модели. Начни с компактной версии, проверь, что всё запускается, и только потом увеличивай размер. Алгоритм простой: 1) ставим зависимости 2) качаем лёгкую модель DeepSeek 3) проверяем, что она отвечает 4) при необходимости включаем GPU или берём квантизованную версию Так ты избежишь вылетов, перегрузки памяти и быстрее получишь рабочий результат.

установить зависимости
pip install transformers accelerate torch sentencepiece

# пример запуска DeepSeek из Python
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_name = "deepseek-ai/deepseek-coder-6.7b-base"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    device_map="auto"   # если есть GPU — модель сама её использует
)

prompt = "Напиши на Python функцию, которая проверяет, простое ли число."

inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=160,
    temperature=0.4
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

📄 Конвертация сессий Claude Code в HTML 📄 Этот инструмент позволяет преобразовывать файлы сессий Claude Code (JSON/JSONL) в удобные для чтения HTML-страницы с пагинацией. Идеально подходит для архивирования и просмотра сессий в мобильном формате. 🚀 Основные моменты: - Преобразует сессии в многостраничные HTML-транскрипты. - Поддерживает локальные и веб-сессии через API Claude. - Возможность публикации на GitHub Gist для удобного доступа. - Автоматическое создание папок для хранения выходных данных. 📌 GitHub: https://github.com/simonw/claude-code-transcripts #python

✔️ YouTube тестирует инструмент для генерации игр. YouTube Gaming запустила закрытое бета-тестирование сервиса Playables Builder, которое позволяет авторам создавать мини-игры на основе промптов. Система работает на базе Gemini 3: чтобы превратить идею в рабочий интерактивный проект, достаточно загрузить короткое текстовое описание, видеофрагмент или изображение. Новый инструмент нацелен на удержание аудитории через геймификацию контента. На данный момент доступ конструктору ограничен (требуется активный канал и одобрение заявки) и допускаются только пользователи из США, Канады, Великобритании и Австралии. Youtube Gaming в сети X

Skills Training - новый способ обучать и дообучать модели через AI-агентов. Вместо ручной настройки training-пайплайнов агент получает инструкции (skills) и сам запускает обучение модели. Что это даёт: • Skills - это инструкции и скрипты, которые агент использует для обучения моделей • Агент может запускать training на GPU, следить за прогрессом и публиковать модель в Hugging Face Hub • Автоматизируются выбор железа, конфигурация обучения, проверка датасетов и валидация • Работает с разными агентами: Claude Code, Codex, Gemini CLI и другими Зачем это нужно: обучение и fine-tuning LLM становятся доступными без глубокого погружения в инфраструктуру и код. Skills Training - шаг к миру, где обучение моделей происходит через диалог, а не через сложные пайплайны. https://huggingface.co/blog/hf-skills-training

📘 Новая фундаментальная работа (65 страниц) от Stanford, Princeton, Harvard, University of Washington и других топ-университетов: впервые предлагается полная таксономия того, как современные агентные AI-системы адаптируются. Главная идея: Почти все сложные AI-агенты можно описать через всего 4 базовые типа адаптации - два связаны с обновлением самого агента, два других - с обновлением инструментов, которыми агент пользуется. Что такое агентный AI: Это большие модели, которые могут: - вызывать инструменты, - использовать память, - выполнять задачи в несколько шагов. Что такое адаптация: Любое изменение агента или его инструментов на основе обратной связи, от проверки кода до человеческих оценок. 4 вида адаптации: A1 - Agent Adaptation from Tool Execution Агент обновляется на основе того, что произошло при вызове инструментов: код запустился или упал, поиск что-то нашёл или нет. A2 — Agent Adaptation from Output Evaluation Агент обновляется по оценкам качества своих итоговых действий: человеческим фидбеком, автопроверками ответов, качеством планов. T1 - Tool Adaptation Independent of Agent Инструменты обучаются отдельно, а агент остаётся “замороженным”. Например, заранее тренированный retriever или кодовый поисковик. T2 - Tool Adaptation from Agent Signals Агент остаётся фиксированным, но инструменты подстраиваются под его поведение — какие документы действительно помогли, какие подсказки улучшили выполнение задачи. Почему это важно: - Работа впервые системно упорядочивает методики адаптации агентных систем. - Помогает понять компромиссы: стоимость обучения, гибкость, переносимость, модульные обновления. - Показывает историю развития методов A1, A2 и T2, как они усложнялись и какие сигналы начали использовать. Взгляд сводится к двум осям: - можно менять агента, - можно менять инструменты, - а данные и фидбек служат топливом для обеих стратегий. Эта таксономия помогает увидеть связи между десятками современных работ и понять, куда движутся агентные архитектуры нового поколения. https://github.com/pat-jj/Awesome-Adaptation-of-Agentic-AI/blob/main/paper.pdf

🧠 Новая работа IBM и Колумбийского университета показывает, как AI-агент может находить связи между предсказательными рынками и превращать их в сигналы для трейдинга. В тестах найденные агентом связи дали простую стратегию с ~20% средней доходностью на недельных сделках. Предсказательные рынки — это площадки, где люди торгуют “да/нет” ставками на будущие события, а цены отражают коллективные ожидания. Проблема в том, что там часто есть куча почти одинаковых вопросов → деньги и внимание дробятся, а естественные связи между событиями скрываются. Авторы построили AI-pipeline, который: • читает текст рынков, • группирует похожие вопросы в кластеры, • ищет пары взаимосвязанных рынков. Далее агент прогнозирует: должны ли два связанных рынка обычно решаться одинаково или наоборот — противоположно. Проверка на исторических данных Polymarket показала, что 60–70% связей высокой уверенности оказались правильными. Правило “торгуй вторым рынком после того, как первый закрылся” приносило прибыль большинство месяцев — то есть смысловые связи действительно несут экономическую информацию. arxiv.org/abs/2512.02436

✔️ ШАД Яндекса начал обучать ученых. В Школе анализа данных, где готовят специалистов по ИИ, началось обучение по применению ИИ в естественно-научных исследованиях. На программу подали заявки ученые из 37 регионов - больше всего запросов получили от экспертов в областях физики, медицины и химии. В итоге зачислили 50 молодых исследователей: от магистрантов до кандидатов наук из Москвы, Петербурга, Уфы, Иркутска, Владивостока и Екатеринбурга. Участники изучают основы ИИ и сразу применяют инструменты в своих задачах. С каждой командой работает эксперт ШАДа: помогает выбрать методы и спланировать эксперимент. Если проекту нужны тяжелые вычисления, подключаются мощности Yandex Cloud. ✔️ ИИ научили считывать активность скрытых мышц кисти по видео. Команда из Institute of Science Tokyo анонсировала фреймворк PianoKPM Net, способный с высокой точностью определять активность мышц рук без использования нательных датчиков. Обычно для этого требуется инвазивная и дорогая электромиография, но новая архитектура реконструирует паттерны мышечных сокращений, анализируя только видеозапись. В основе системы - уникальный датасет, собранный на базе 12 часов игры профессиональных пианистов, где визуальные данные синхронизированы с реальными сигналами мышц. Технология превращает обычную камеру в диагностический инструмент, что важно для реабилитационной медицины, спортивной аналитики и создания продвинутых интерфейсов «человек-компьютер». Авторы планируют выложить датасет и модель в открытый доступ. techxplore.com ✔️ ИИ-проект Джеффа Безоса купил стартап General Agents. Project Prometheus поглотил разработчика агентного ИИ General Agents. Сделка прошла в закрытом режиме еще летом и сопровождалась переходом команды инженеров из DeepMind и Tesla в структуру Prometheus. Цель Prometheus: создание ИИ-систем для поддержки сложных производств автомобилестроения и космической отрасли. Главный актив General Agents - технология Ace для автономного управления интерфейсами и приложениями. Хотя изначально Ace создавался для автоматизации рутинны на ПК, в рамках Prometheus эти наработки, судя по всему, будут масштабированы для индустриальных сценариев. wired.com ✔️ OpenAI и Google резко ограничили лимиты в Sora и Nano Banana Pro. Глава направления Sora в OpenAI Билл Пиблз сообщил, что бесплатные аккаунты теперь ограничены всего 6 видеогенерациями в сутки, так как текущие графические процессоры буквально плавятся от запросов. Это ограничение не выглядит временным: компания прямо предлагает докупать генерации по мере необходимости, хотя условия для подписчиков ChatGPT Plus и Pro пока остались прежними. Google приняла аналогичные меры, урезав бесплатный доступ к инструменту Nano Banana Pro до 2 изображений в день. Техгигант предупредил, что лимиты могут меняться динамически и без уведомлений. Кроме того, под ограничения попал и доступ бесплатных пользователей к модели Gemini 3 Pro. theverge.com ✔️ Perplexity добавила функцию долгосрочной памяти. ИИ-поисковик получил функцию "persistent memory", которая позволяет запоминать предпочтения, интересы и детали предыдущих диалогов. Теперь система автоматически создает "постоянный контекст" пользователя, а ответы становятся персонализированными и требуют меньше уточняющих запросов. Perplexity извлекает факты из хранилища памяти и напрямую использует их при формировании ответа. Этот контекстный слой работает поверх любой выбранной модели без потери накопленных знаний о пользователе. Функция полностью управляема: сбор данных можно отключить в настройках, а в режиме инкогнито история не сохраняется. perplexity.ai @ai_machinelearning_big_data #news #ai #ml

🌟 LLM Council: на ваши запросы отвечает совет из языковых моделей. Андрей Карпаты опять выходит на связь опубликовал очередной vibecode проект. Его идея в том, что вместо того, чтобы задавать вопрос одной LLM, вы можете объединить их в «Совет моделей». LLM Council - это простое локальное веб-приложение, с интерфейсом как у ChatGPT, но с той разницей, что запрос отправляется через Openrouter нескольким LLM. Полученные ответы перекрестно оцениваются и ранжируются, и, наконец, «модель-председатель совета» формирует окончательный ответ. Более подробно процесс выглядит так: 🟢Этап 1: Сбор мнений.  Запрос отправляется всем моделям по отдельности, и их ответы собираются. Ответы каждой модели отображаются в отдельной вкладке, чтобы можно было их посмотреть вручную. 🟢Этап 2: Рецензирование.  Каждая модель получает ответы других моделей. При этом идентификаторы анонимизированы, чтобы исключить «игру в любимчиков» при оценке чужих результатов. На этом этапе ответы ранжируются их по точности и глубине анализа. 🟢Этап 3: Итоговый ответ.  Модель-председатель принимает все ответы моделей и компилирует их в единый окончательный ответ. ⚠️ Для использования нужен API-ключ OpenRouter. На платформе есть бесплатные модели 🖥Github @ai_machinelearning_big_data #AI #ML #LLMCouncil #Github

Смотришь вакансии AI/LLM Engineer. Часто видишь: ✅ Опыт с LangChain ✅ RAG-системы и векторный поиск ✅ Агенты и tool-calling ✅ Промпт-инжиниринг и работа с LLM API В резюме этого нет? Дальше не смотрят. Курс «LangChain: с нуля до продакшн» покрывает эти навыки: → LangChain на практике (цепочки, агенты, инструменты) → RAG с метриками качества (precision/recall, faithfulness) → Tool-calling и агенты (веб-поиск, Pandas-аналитика) → Продакшн-контур: FastAPI, observability, PromptOps Проект в GitHub + сертификат = можешь писать в резюме "опыт с LangChain, RAG, агентами". Скидка 25% — 72 часа. Начать со скидкой

✔️ ElevenLabs Scribe v2 Realtime: STT-модель с задержкой менее 150 мс. ElevenLabs представила Scribe v2 Realtime, новую модель Speech-to-Text, разработанную для задач, требующих минимальной задержки: голосовых агентов, ассистентов для совещаний и создания субтитров в реальном времени. Система обрабатывает речь с задержкой менее 150 мс, поддерживает более 90 языков и демонстрирует точность 93.5% по 30 популярным языкам. Особое внимание уделено работе с аудиозаписями, содержащими фоновый шум. Фишкой модели стала «отрицательная задержка» - функция предсказывания следующего слова и знака препинания. Также есть автоматическое определение языка, обнаружение голоса и полный контроль над фиксацией сегментов транскрипции. Сервис готов к корпоративному использованию (SOC 2, GDPR) и уже доступен через API. elevenlabs.io ✔️ Backboard установила рекорд в тесте долговременной памяти для ИИ. Платформа для ИИ-агентов Backboard достигла рекордного показателя в 90.1% в бенчмарке LoCoMo, предназначенном для оценки долговременной диалоговой памяти. Это лучше предыдущих показателей популярных библиотек, которые находились в диапазоне 67–69%. LoCoMo тестирует способность системы запоминать, обновлять и извлекать факты о пользователе и контекст диалога на протяжении многих сессий. Высокий балл означает, что ассистенты будут лучше следовать инструкциям, реже переспрашивать и требовать более коротких промптов, что снижает расход токенов. Backboard предоставляет API для долгосрочной памяти, мультимодельный API для роутинга между 2200+ LLM и RAG-слой. Все результаты теста воспроизводимы - скрипты, логи и промпты опубликованы на GitHub. backboard.io ✔️ Две трети топовых ИИ-компаний допустили утечку секретов на GitHub. Компания по облачной безопасности Wiz обнаружила, что 65% компаний из списка Forbes AI 50 допустили утечку API-ключей, токенов и других учетных данных на GitHub. По словам исследователей, это могло привести к раскрытию приватных моделей, данных обучения или внутренней структуры организаций. Чаще всего секреты находили в файлах Jupyter Notebook и Python-скриптах. Среди утечек были токены Hugging Face, Azure и W&B. В одном из случаев скомпрометированный токен Hugging Face мог открыть доступ к тысяче приватных моделей. Wiz публично назвала только ElevenLabs и LangChain, отметив их быструю реакцию. При этом почти половина всех уведомлений об утечках, отправленных другим компаниям, осталась без ответа. wiz.io ✔️ Cloudflare запустила поддержку Python в сервисе Workflows. Cloudflare объявила о поддержке Python в своем сервисе Workflows, предназначенном для создания и управления многоэтапными процессами на платформе Workers. Раньше инструмент был доступен только для TypeScript. Новшество открывает сервис для сообщества Python-разработчиков, специализирующихся на AI/ML и обработке данных. В качестве примеров использования компания приводит оркестрацию конвейеров данных, обучение ML-моделей и создание сложных ИИ-агентов, архитектура которых упрощается за счет встроенной обработке ошибок и сохранению состояния. Технически часть реализована через Pyodide — порт CPython в WebAssembly. blog.cloudflare.com ✔️ OpenAI тратит на Sora около 15 млн. долларов в день. По оценкам аналитиков, затраты на видеогенератор Sora обходятся OpenAI в $15 млн. в день, что в годовом выражении превышает $5 млрд. Расчеты основаны на стоимости генерации одного 10-секундного ролика, которая составляет для компании около $1.3, и предполагаемом объеме в 11 млн. видео ежедневно. Несмотря на убыточность, OpenAI, вероятно, следует классической стратегии захвата рынка, стремясь сначала сформировать аудиторию, а уже потом искать пути монетизации. Бесплатный доступ также насыщает компанию огромным количеством данных для дальнейшего обучения моделей. Впрочем, Сэм Альтман уже подтвердил, что компания планирует сокращать объемы бесплатной генерации. По его словам, ни одна рекламная модель не сможет покрыть расходы на создание «забавных мемов для трех друзей». forbes.com @ai_machinelearning_big_data #news #ai #ml

✔️ Foxconn внедрит человекоподобных роботов на производстве ИИ-серверов. Крупнейший в мире контрактный производитель электроники в течение 6 месяцев начнет использовать человекоподобных роботов на своем заводе в Техасе. Роботы будут задействованы в сборке серверов для ИИ-систем. По словам CEO Янг Лю, это первый подобный опыт за более чем 50-летнюю историю Foxconn. Этот шаг является частью стратегии по агрессивному расширению производства в Северной Америке. Компания, являясь ключевым поставщиком Nvidia, считает Северную Америку своим главным хабом по выпуску ИИ-серверов на ближайшие 3 года. Решение о роботизации принято для повышения эффективности производства, которое, по словам Лю, критически важно в сфере ИИ. asia.nikkei.com

🧠 Thinking Machines представила - On-Policy Distillation Исследователи из Thinking Machines Lab предложили метод, который может изменить то, как обучаются языковые модели. Он называется on-policy distillation - и учит ИИ не просто копировать, а думать и анализировать свои ошибки. Обычно «дистилляция» работает просто: большая модель-учитель показывает ответы, а маленькая модель-ученик запоминает их. Это похоже на заучивание по шпаргалке - быстро, но без понимания сути. В новом подходе всё иначе. Ученик сам решает задачи, а учитель оценивает и направляет - объясняет, где логика сбоит и как улучшить рассуждение. Таким образом, меньшая модель перенимает не только знания, но и способ мышления более крупной модели. Что показали результаты Эксперименты проводились на задачах математического и логического рассуждения, где важно не просто выдать правильный ответ, а выстроить цепочку шагов. Результаты впечатляют: Модель-ученик после обучения с on-policy distillation показала почти ту же точность, что и гораздо более крупная модель-учитель. При этом вычислительные затраты снизились в несколько раз, делая модель заметно эффективнее и дешевле. Кроме того, ученик стал лучше понимать собственные ошибки, что повысило устойчивость и надёжность при решении новых, незнакомых задач. Почему это важно On-policy distillation решает ключевую проблему традиционных методов - отсутствие адаптивности. Модель теперь учится на собственных шагах, как человек, — экспериментирует, ошибается, корректирует поведение и растёт. Уникальность подхода - в балансе между качеством RL и экономичностью KD. Это реальная схема, где маленькая модель учится “в поле” (реагируя на собственные действия), но без дорогих RL-запусков и сложных reward-моделей. Это не новый метод обучения, а новая инженерная формула, которая позволяет дешевле «учить» компактные модели, ведущие себя как большие. Это открывает путь к созданию компактных LLM нового поколения, которые рассуждают почти как топовые модели, но стоят в разы дешевле. Такие модели можно запускать на edge-устройствах, в автономных агентах и локальных сервисах, где важны скорость, приватность и энергоэффективность. 🟠 Подробнее: thinkingmachines.ai/blog/on-policy-distillation/ @ai_machinelearning_big_data #ThinkingMachines #llm #ml

🤖Всё об ИИ и нейросетях — в одном месте Хочешь разбираться в искусственном интеллекте, автоматизации и IT-новинках? 💻 Мы собрали лучшие каналы — нейросети, ИИ-инструменты, автоматизация, гайды, новости технологий и обучение. ⚡️ Прокачай навыки, оптимизируй работу и создай свой цифровой доход! 👉 Открыть подборку каналов (ссылка будет активна 48 часов) Хочешь добавить свой канал в папку? Пиши сюда