Анализ данных (Data analysis)

3 GitHub-репозитория, которые растут быстрее остального агентного тулинга 🔥 cc-switch: одно окно для Claude Code, Codex, Gemini CLI и OpenCode. Провайдеры переключаются кликом, MCP и скиллы синхронизируются между инструментами. rakazo: self-hosted платформа постоянных ИИ-тиммейтов. У каждого бота своя память, рутины и свой компьютер с браузером и терминалом. iFixAi: аудит агентов на соответствие бизнес-политикам. 60 проверок, от prompt injection до утечек данных, итоговая оценка от A до F. cc-switch: https://github.com/farion1231/cc-switch rakazo: https://github.com/elie222/rakazo iFixAi: https://github.com/ifixai-ai/iFixAi

🧰 281 AI-инструмент для разработчика - с описаниями на русском Awesome AI DevTools RU - каталог для тех, кто хочет разобраться, что подключить к своей работе: от помощника в редакторе до агентов, тестирования и локальных моделей. Что внутри: • AI-IDE и терминальные агенты - Cursor, Claude Code, Codex, Cline, Aider и другие. • Код-ревью, тестирование и безопасность. • MCP, навыки, управление контекстом и оркестрация агентов. • Локальные модели, LLMOps и контроль расходов. • Отдельный раздел с российскими сервисами. У инструментов есть метки: открытый код, бесплатный тариф, локальные модели, свой API-ключ и поддержка MCP. Помимо каталога - сравнительные таблицы, схемы выбора и готовые стеки под разные задачи. А ещё четыре урока: как выбрать инструмент, запустить модели локально, настроить MCP и разобраться в устройстве кодирующих агентов. Полезная закладка, когда хочется собрать рабочее окружение с ИИ, а не устанавливать всё подряд. 💻 https://github.com/justxor/awesome-ai-devtools-ru

📣 В Adapty открылась позиция Product Lead (Analytics & ML) 👀 Удалёнка · Adapty - одна из крупнейших платформ монетизации подписочных приложений. С нами работают 20 000+ приложений, через нас проходит $3B+ подписок в год, в команде 210+ человек. Мы ищем человека, который возьмёт на себя аналитику и ML. Роль не про поддержку чужих моделей, а про то, чтобы с нуля построить направление, где аналитика, предикт и A/B-тесты впервые сходятся под одним владельцем. Главная задача - предсказание LTV. Выручка от пользователя приходит в течение года, а решение о тратах на рекламу приложения принимают за несколько дней. Мы видим данные тысяч приложений сразу, поэтому можем предсказывать точнее всех на рынке. Пока не предсказываем, и это твоя задача. ➡️Чем заниматься: — Определить, что мы считаем качеством модели — метрика, горизонт, baseline, калибровка — и довести предикт до этого уровня — Забрать A/B-тесты пейволлов и свести их с предиктом: тест меряет краткосрочный эффект, а раскатывать надо по долгосрочной выручке — Разогнать аналитику: найти, где затык — в данных, запросах или интерфейсе — Решить судьбу накопленных ML-наработок: что доводим до продукта, что закрываем — Вести команду из двух ML-инженеров ➡️Кого ищем: — Классический ML и матстат на уровне предметного спора о метрике и горизонте, а не пересказа чужих выводов — SQL и Python — сами достаёте и перепроверяете числа — Умение взять широкое направление и довести до результата без постановки задач — Продуктовый опыт — плюс, но не требование 📌Плюсом: подписки, мобайл или финтех (LTV, churn, когортная экономика); экспериментальный дизайн: мощность, MDE, множественные сравнения; ClickHouse; олимпиады, Kaggle, публичные проекты. 🔗 Вакансия: https://adapty.io/careers/product-lead-analytics-ml/ ➡️ Контакт: @Adapty_Talent_Bot

Modern web development explained 😉

💥 Сначала подогнал формулу под данные, потом придумал, почему она работает: так 19 октября 1900 года родилась квантовая физика Ровно 126 лет назад Макс Планк представил закон излучения абсолютно чёрного тела. Классическая физика конца XIX века предсказывала, что на коротких длинах волн энергия излучения растёт без предела, вплоть до бесконечности. Это называли ультрафиолетовой катастрофой. На графике она выглядит как чёрная кривая, которая улетает вверх и никак не совпадает с экспериментом. Формула Планка описала спектр точно при любой температуре. Цветные кривые на графике, для 3000, 4000 и 5000 К, плавно поднимаются, достигают пика и падают, ровно как показывают измерения. Чем горячее тело, тем сильнее пик сдвигается в сторону видимого света и коротких волн. История получилась знакомой любому, кто работал с данными. Планк сначала нашёл выражение, которое хорошо ложилось на свежие экспериментальные результаты берлинских физиков, а уже потом искал для него физический смысл. Он признавался, что пошёл на это почти от отчаяния. Объяснение потребовало допустить, что энергия излучается и поглощается не любыми порциями, а отдельными квантами. Планк сам не был уверен, что это больше, чем математический приём, но именно с этого допущения начался путь к квантовой механике. Спустя почти век и четверть квантовые модели стали рабочим инструментом: от физики материалов до квантовых схем и алгоритмов, которые сегодня обсуждают рядом с ИИ. Всё началось с одной кривой, которая наконец совпала с данными.

🧩 Каждый раз, когда разработчик заявляет, что программирование с ИИ не считается настоящим, полезно вспомнить, что случилось с Грейс Хоппер. Она создала первый работающий компилятор, чтобы программисты могли писать словами из английского языка вместо символов. Коллеги отказывались к нему прикасаться и настаивали, что компьютеры умеют только считать, а писать программы не могут. Тогда «настоящим программированием» считали ручной машинный код. Потом так же защищали ассемблер, затем языки высокого уровня, потом фреймворки. Каждое поколение принимает свой текущий уровень абстракции за единственный честный способ работать, а новый слой воспринимает как жульничество. Сегодня на этом месте стоят LLM и агенты. Через десять лет кто-то будет так же защищать уже их, объясняя новичкам, что настоящий инженер обязан хотя бы читать промпты вручную. Сам по себе слой абстракции ничего не решает. Решает то, что вы с его помощью сумели построить и проверить.

🧠 ИИ доказывает теоремы. Зачем тогда идти в математику? Создатель 3Blue1Brown отвечает «Никогда ещё не было лучшего времени, чтобы заниматься математикой», считает Грант Сандерсон. Его аргумент: работа математика гораздо шире поиска доказательств. Нужно выбирать вопросы, формулировать гипотезы, строить теории, находить связи и объяснять результаты другим. Даже если ИИ превзойдёт людей в доказательстве теорем, математическое образование сохранит ценность. Самостоятельное решение задач развивает мышление, как тренировка развивает тело: наличие машины, способной поднять больший вес, не делает спорт бессмысленным. По мнению Сандерсона, ИИ может резко расширить возможности исследований. При этом придётся пересмотреть, за что именно учёные получают признание, когда доказательства всё чаще создаются с помощью машин. Для начинающих это шанс участвовать в формировании новых правил работы целой науки. https://www.youtube.com/watch?v=LKrwhjOI8Nc

🧠 Физик дал Claude проверить свои статьи по квантовой гравитации. Нашлись ошибки спустя почти 20 лет. Эмре Онур Кахья опубликовал аудит двух работ 2007–2008 годов, соавтором которых был сам. Claude Opus 5.5 использовали для пошагового повторения вычислений, а результаты отдельно проверяли кодом на SymPy и mpmath. По данным проекта, обнаружились 4 существенных замечания, 6 ошибок, поглощаемых перенормировкой, и 23 опечатки. Среди находок: неверный общий знак и пропущенные слагаемые. При этом основной физический вывод сохранился: в рассмотренной модели значимой однопетлевой поправки на поздних временах нет. В репозитории доступны выкладки, код и 38 проверочных запусков для воспроизведения результатов. Автор также перечислил ограничения аудита и места, которые ещё должен проверить эксперт. https://github.com/eokahya/claude-audits-quantum-gravity

📚 От производных до функционального анализа: пять томов математической базы «Курс высшей математики» Владимира Смирнова последовательно проводит через пределы, производные и интегралы к дифференциальным уравнениям, комплексному и функциональному анализу. В первом томе разбираются основы: функции, пределы, дифференцирование, интегрирование и ряды. Во втором появляются дифференциальные уравнения, кратные и криволинейные интегралы, векторный анализ и элементы дифференциальной геометрии. Для тех, кто хочет понимать математику за физическими моделями, а не просто подставлять числа в формулы. Необязательно читать всё подряд: курс можно использовать как последовательный учебник или обращаться к нужным разделам. https://archive.org/details/ACourseOfHigherMathematics

📘 На Mentorix вышел курс — «Vibecoding для инженеров: Claude Code, Cursor и Copilot на практике» Хотите отдавать задачи AI-агенту и выпускать код, который проходит ревью, а не только тесты агента? Этот курс — путь от спеки до релиза функции вместе с агентом. • Постановка задачи: спека, критерии приёмки, CLAUDE.md и AGENTS.md • Контроль: ревью диффа, выдуманные функции, TDD, мутационные тесты • Отладка и git: стоп-сигналы, worktree, откат и bisect • Контекст и цена: токены, кэш, модель под задачу • Расширение: хуки, разрешения, субагенты, свой MCP-сервер • Команда и риски: агент в CI, инъекции, секреты ▶️ 5 уроков открыты — порешайте до покупки 🎓 Сертификат для резюме и LinkedIn 🏷 Скидка 50% — только 24 часа 9 990 ₽ → 4 995 ₽ ➜ Пройти курс на Mentorix 🎁 25 курсов бесплатно: Python, Go, Rust, SQL, Linux, Docker и LLM — доступны после регистрации 📚 Ещё есть роадмапы: Go, DevOps, Rust, данные и ML

🧬 ИИ научился расшифровывать сигналы, которые определяют судьбу клеток Как стволовая клетка становится частью сердца, мозга или лёгких? В этом ей помогают химические сигналы от соседних клеток. Исследователи MIT и Института Уайтхеда создали IRIS, модель, которая по активности генов определяет, какие сигналы получала клетка. Каждый сигнальный путь оставляет характерный «отпечаток», который ИИ учится распознавать. Модель обучили на человеческих эмбриональных стволовых клетках, а затем применили к клеткам эмбрионов мышей, включая типы, которых она раньше не видела. IRIS предсказала, что активация определённого сигнального пути поможет сформировать клетки, важные для развития лёгких. Эксперименты на мышиных эмбрионах подтвердили прогноз. В перспективе это поможет точнее выращивать органоиды, лабораторные модели органов, для изучения болезней и проверки лекарств. Восстановление повреждённых тканей остаётся дальнейшей целью. https://news.mit.edu/2026/ai-model-decodes-language-cells-use-communicate-1015

💰 IPO ещё не было, а сотрудники OpenAI уже продали акции на $6,6 млрд По данным WSJ, в октябре 2025 года более 600 нынешних и бывших сотрудников OpenAI продали свои доли частным инвесторам. Около 75 человек получили по $30 млн, достигнув лимита продажи на одного участника. Это реальные деньги от продажи акций ещё до выхода компании на биржу. Продать долю разрешалось после двух лет владения. Для многих сотрудников, пришедших после запуска ChatGPT, эта сделка стала первой возможностью получить деньги за свои акции. Пока рынок ждёт IPO, ранние сотрудники уже получили состояние. https://www.wsj.com/tech/openai-employee-stock-sales-71ed10bd

🌍 Четыре агента на Gemini прошли Minecraft за 27 часов и победили Эндер-дракона Исследователи Максанс Фальдор, Сатиндер Сингх и Роберта Райляну опубликовали на arXiv эксперимент: четыре обычных кодинг-агента на базе Gemini 4 Argon прошли Minecraft в режиме выживания и убили дракона. Никакой специализированной игровой системы, ролей и готовых инструментов не было. Партия заняла 27 часов 14 минут и 2783 написанные агентами программы. Агенты не видели экрана и не нажимали клавиш. Каждый управлял персонажем через библиотеку Mineflayer: писал короткую программу, запускал и читал вывод, то есть позицию, здоровье, инвентарь или ошибку. Общались через игровой чат и общую память. Мир случайный, сложность Easy, мобы враждебные. Уже через 10 минут агенты сами распределили роли: инструменты, еда, алмазы, портал в Нижний мир. Для поиска крепости один бросил предмет-указатель из двух точек, отследил траектории в коде и вычислил пересечение. Крепость была в 1,3 км, ошибка составила 43 метра. Дракон стал самым тяжёлым этапом: агенты возрождались 69 раз и между попытками записывали выводы. Один заметил, что дракона лечат кристаллы на башнях, насыпал землю у башни, разбил кристалл рукой и спустился. Финальный удар нанёс игрок, у которого оставалось 2,5 единицы здоровья из 20. Для честности добавили пятого агента, Observer, который искал читы и обход условий. Программы могли управлять только своим персонажем, без запуска процессов, записи файлов и серверных команд. Нарушений не нашли ни он, ни ручная проверка логов. Ограничения авторы называют сами. Агенты получали точные данные о блоках и существах через API, а не картинку, маршруты прокладывал плагин поиска пути, а сложность была низкой. Ошибок хватало: 605 смертей за игру и 22% программ завершились сбоем. Следующий шаг, игра по пикселям через виртуальные клавиатуру и мышь. Общий файл заметок, растущая библиотека переиспользуемых функций (одна из них использовалась в 655 программах), разбор неудач перед новой попыткой и отдельный агент-наблюдатель, проверяющий честность решения. Отчёт: https://arxiv.org/abs/2610.22319 Источник: https://uproger.com/gemini-agenty-minecraft/

🌟 DeepSelect: набор TopK-ядер для разреженного внимания и сэмплирования DeepSeek выложила DeepSelect, высокопроизводительную реализацию ядра TopK, которое используется в механизме разреженного внимания DeepSeek Sparse Attention и на котором работают модели V3.2, V4 и V4.1. Относительно torch.topk из PyTorch ядро даёт ускорение от 2 до 20 раз. Быстрейший алгоритм зависит от типа данных, размера батча, размера словаря и величины k, поэтому библиотека заточена под два сценария: 🟢для индексатора в разреженном внимании, работает с bfloat16 при любых размерах батча и словаря; 🟢для сэмплирования, рассчитан на float32 и словарь около 128 тысяч элементов. В обоих случаях k ограничен четырьмя тысячами, поддерживаются строки переменной длины через задание верхней границы для каждой строки, а проверка на NaN включена всегда и по умолчанию обрывает исполнение при обнаружении. Для выжимания скорости DeepSeek советуют отключать сортировку индексов и не запрашивать значения, если нужны только позиции (последнее даёт около 10%). ⚠️ Есть вещи, которые придётся учесть: 🟠шаг строки входного тензора должен быть выровнен по величине, возвращаемой отдельной функцией, а для невыровненных данных нужна набивка; 🟠выходные тензоры библиотека выделяет сама и тоже выравнивает, из-за чего они могут оказаться несмежными; 🟠репозиторий свежий, инструмент только выложен и толком вне Deepseek ещё не обкатан. 📌Лицензирование: MIT License 🖥Github #AI #ML #Kernels #GPU #DeepSelect #Deepseek

🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку Окружение решает больше, чем кажется. Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре. AI: t.me/ai_machinelearning_big_data Python: t.me/pythonl Linux: t.me/linuxacademiya Хакинг: t.me/linuxkalii DevOps: t.me/DevOPSitsec Docker: https://t.me/+90Z5TAyfuNU5YmRi Golang: t.me/Golang_google Rust: t.me/rust_code C++: t.me/cpluspluc C#: t.me/csharp_ci Java: t.me/javatg JavaScript: t.me/javascriptv React: t.me/react_tg Frontend: t.me/front PHP: t.me/phpshka Android: t.me/android_its Мобильная разработка: t.me/mobdevelop Базы данных: t.me/sqlhub Data Science: t.me/data_analysis_ml Big Data: t.me/bigdatai Математика: t.me/data_math Физика: t.me/fizmat Kubernetes: t.me/kubernetc GameDev: https://t.me/gamedev Haskell: t.me/haskell_tg Собеседования и карьера: DS собеседования: t.me/machinelearning_interview Python собеседования: t.me/python_job_interview Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy Папка Frontend: https://t.me/addlist/mzMMG3RPZhY2M2Iy Полезное сверху: ИТ-мемы: t.me/memes_prog Английский для программистов: t.me/english_forprogrammers ИИ и технологии: t.me/vistehno 954 ГБ open-source курсов: https://t.me/+rKBQEMccAA01MTcy ИТ-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy Max Ai: https://max.ru/ai_machinelearning_big_data Max python: https://max.ru/pythonl ТЕХНО: https://max.ru/vistehno Max Go: https://max.ru/Golang_google Max Linux: https://max.ru/linuxkalii Devops: https://max.ru/DevOPSitsec C#: https://max.ru/csharp_ci C++: https://max.ru/cpluspluc SQL: https://max.ru/sqlhub Java: https://max.ru/javatg Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.

🐋 DeepSeek V4.1-Flash-1017: метрики выше, ответы короче, Search и Fetch API открыты всем DeepSeek обновили Flash-версию V4.1. Модель сильнее прошлой, быстрее решает задачи и выдаёт более короткие ответы, то есть выходит дешевле. Доступна на сайте, в приложении и по API, веса открыты. На DeepSWE v1.1 модель набирает 77.0 против 74.0 у Claude Opus 5 и 73.0 у GPT 5.6-Sol. На Automation-Bench 60.5 против 50.3 у Opus 5, на Agents' Last Exam 35.4 против 28.6. К прошлой Flash прирост большой: Terminal-Bench 4.0 вырос с 31.2 до 42.3, ProgramBench с 20.3 до 29.1. На HLE (56.3), Terminal-Bench 4.0 (51.8) и NL2Repo-Bench (75.3) Opus 5 всё ещё впереди. Цифры приведены самой компанией, а методики оценки у бенчмарков разные. Отдельно открыли Search и Fetch API на собственном поисковом движке: $0.75 за 1000 вызовов на каждый эндпоинт. Модель: https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017 Документация API: https://api-docs.deepseek.com/guides/search Источник: https://x.com/deepseek_ai/status/2111375640717033777 @ai_machinelearning_big_data #DeepSeek

Claude Mythos 5 сам придумал квантовые схемы, которые в разы эффективнее лучших опубликованных В Anthropic дали Claude описания восьми базовых квантовых примитивов простым языком: химия, оптимизация, симуляция, теория чисел, численные методы. Дальше замкнутый цикл без участия человека. Модель предлагает схему, автоматический оценщик проверяет корректность и считает стоимость как число кубитов, умноженное на число гейтов, после чего Claude переделывает дизайн. По всем восьми примитивам модель нашла схемы с меньшим числом кубитов и гейтов, чем лучшие известные алгоритмы. В отдельных случаях выигрыш достигал порядка и более. Самый показательный пример с эллиптическими кривыми. За 53 часа работы Claude придумал новый способ обратимой модульной инверсии на основе divsteps, где не нужно хранить историю ветвлений. Модель вывела новые алгебраические тождества и формулу, которая восстанавливает информацию о ветвях из самих чисел, а результат формализован в Lean. Один из дизайнов использует на 12% больше кубитов, чем самый компактный предшественник, но в 17 раз меньше гейтов. Второй результат касается декодера для Decoded Quantum Interferometry. Claude перешёл на декодирование Берлекэмпа-Мэсси и стал пересчитывать промежуточные значения вместо хранения. Число гейтов упало примерно в 12 раз относительно конструкции Google. Резерв памяти вместо худшего случая в 665 кубитов сократился до 19, по результатам 403 миллионов симуляций. Примерно один запуск из 10 тысяч потребует больше места и провалится, но это укладывается в допустимую ошибку задачи. Для контекста по FeMoco: оценка 2017 года в 50 триллионов гейтов Тоффоли сегодня составляет около 340 миллионов, то есть в 150 тысяч раз меньше. Авторы честно отмечают, что это заслуга алгоритмических улучшений многих групп, а не только Claude. Ограничения тоже названы. Модель была излишне консервативной, перепроверяла уже подтверждённое и тяготела к известным подходам. Метод работает только там, где корректность дёшево проверяется на классическом компьютере. А сама схема это лишь один слой отказоустойчивого квантового компьютера, коррекция ошибок и управление железом остались за кадром. Работу вёл Энди Гу в рамках программы STEM Fellows Program, наставник Алек Кемени, соавторы из Гарварда Сьюзен Елин и Михаил Лукин. Статья: https://arxiv.org/abs/2610.22367 Источник: https://www.anthropic.com/research/designing-efficient-quantum-circuits

📍 Polars 2.0 вышел: стриминг по умолчанию, spill на диск и обгон DuckDB на больших данных 6 октября Ритчи Винк выпустил Polars 2.0. Главное: collect на LazyFrame теперь по умолчанию использует streaming-движок, что даёт заметный выигрыш по памяти и скорости на большинстве запросов. Вместе с ним включён out-of-core: спил на диск начинается примерно при 80% оперативной памяти, бюджет диска по умолчанию 64 ГБ. Сортировка, оконные функции и многие выражения это уже умеют, внешние join и group by в планах. SQL стал полноценным интерфейсом, а оптимизатор получил перестановку join, лучшее устранение общих подпланов и динамические предикаты с фильтрами Блума. Появился нативный dtype Map вместо List(Struct(key, value)) с выражениями map.get, map.contains_key, map.keys и map.values. Бенчмарки на основе TPC-H и TPC-DS (не сравнимы с официальными результатами) показывают, что на SF100 при росте с 16 до 192 vCPU Polars ускоряется в 3,8 раза на TPC-H и в 2,2 раза на TPC-DS, DuckDB 1.5.6 в 3,2 и 1,9 раза, DataFusion в 1,7 и 1,0. Но на SF10 картина честнее: на TPC-H Polars на уровне, а на TPC-DS медленнее в 1,8 раза. Виной постоянный оверхед на 192 потоках, при ограничении 32 ядрами Polars конкурентен везде, исправление обещают в следующем релизе. Самое важное для миграции: streaming-движок по умолчанию не гарантирует порядок строк в join, group_by и unpivot, нужен maintain_order=True. Ошибки теперь всплывают раньше, а неявная обработка несоответствий данных стала опцией. Гайд по апгрейду есть на docs.pola.rs. https://pola.rs/posts/release-polars-2/

⚛️ Google показала, как снизить ошибки в одном из ключевых ресурсов квантовых вычислений в 40 раз. На процессоре Willow исследователи продемонстрировали *magic state cultivation*: подготовку специальных квантовых состояний с точностью около 99,99%. Зачем это нужно? Такие состояния позволяют выполнять операции, необходимые универсальному квантовому компьютеру. При использовании они расходуются, поэтому их приходится постоянно создавать. И это дорого: по некоторым оценкам, их производство может занимать до 95% ресурсов квантового компьютера. Метод Google работает как фильтр: последовательность измерений выявляет ошибки, а неудачные попытки отбрасываются. На реальном чипе удалось получить состояния с примерно 40-кратно меньшей ошибкой, чем без этой процедуры. Следующий этап: масштабирование. До полезных квантовых вычислений ещё остаются инженерные задачи, но один из важных методов теперь подтверждён экспериментально. Работа опубликована в Science. https://blog.google/innovation-and-ai/models-and-research/quantum-computing/magic-state-cultivation-quantum-computing/

🧩 Anthropic посадила шестерых сотрудников METR внутрь компании и дала им право публиковать без одобрения Anthropic опубликовала апдейт про независимых оценщиков. Шесть сотрудников METR получили оборудование компании, офис и доступ к внутренним системам примерно на уровне собственных команд оценки рисков. Сотрудникам рекомендуют делиться с ними информацией, кроме нескольких закрытых категорий. Публикацией METR компания управлять не может: вето у Anthropic нет. Требовать вычеркнуть можно только данные клиентов, адвокатскую тайну и информацию об архитектуре моделей. METR вправе публично сказать, что именно скрыто и считает ли оправданным, не раскрывая сами данные. Группа внутри METR небольшая, действует по обязывающим соглашениям, остальных сотрудников от этой работы отгородили. Оценщиков делят на три уровня. На первом доступ дозированный и под узкие задачи, публикация только с согласия Anthropic, там сейчас SecureBio, которая проверяет главу про химическое и биологическое оружие в августовском Risk Report. На втором можно публиковать без одобрения и получать больше информации, третий это схема METR с доступом как у сотрудников. Anthropic хочет со временем иметь несколько оценщиков третьего уровня. Среди критериев независимости: никаких акций Anthropic и финансовой зависимости от неё. Reuters, по сообщениям, писал два дня назад, что Anthropic и OpenAI добивались значительного контроля над публикациями внешних оценщиков. В самом посте Anthropic Reuters и OpenAI не упоминаются, а сам шаг компания называет добровольным и сравнивает с банковскими инспекторами внутри крупных банков. Источник: https://www.anthropic.com/news/an-update-on-independent-evaluators