fa
Feedback

فریب کلاهبرداران را نخورید! تل‌متریو این کانال‌ها را شناسایی و برچسب‌گذاری می‌کند 👉 برای مشاهده برچسب، اشتراک تهیه کنید

Big Data AI

Big Data AI

رفتن به کانال در 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

نمایش بیشتر

📈 تحلیل کانال تلگرام Big Data AI

کانال Big Data AI (@bigdatai) در بخش زبانی روسی بازیگری فعال است. در حال حاضر جامعه شامل 18 309 مشترک است و جایگاه 7 145 را در دسته فناوری و برنامه‌ها و رتبه 35 818 را در منطقه روسيا دارد.

📊 شاخص‌های مخاطب و پویایی

از زمان ایجاد در невідомо، پروژه رشد سریعی داشته و 18 309 مشترک جذب کرده است.

بر اساس آخرین داده‌ها در تاریخ 16 نوامبر, 2026، کانال فعالیت پایداری دارد. در ۳۰ روز گذشته تغییر اعضا برابر 78 و در ۲۴ ساعت گذشته برابر -8 بوده و همچنان دسترسی گسترده‌ای حفظ شده است.

  • وضعیت تأیید: تأیید نشده
  • نرخ تعامل (ER): میانگین تعامل مخاطب 8.74% است و در ۲۴ ساعت نخست پس از انتشار، محتوا معمولاً 4.35% واکنش نسبت به کل مشترکان کسب می‌کند.
  • دسترسی پست‌ها: هر پست به طور میانگین 1 600 بازدید دریافت می‌کند. در اولین روز معمولاً 796 بازدید جمع‌آوری می‌شود.
  • واکنش‌ها و تعامل: مخاطبان به‌طور فعال حمایت می‌کنند؛ میانگین واکنش به هر پست 14 است.
  • علایق موضوعی: محتوا بر موضوعات کلیدی مانند llm, openai, github, nvidia, deepseek تمرکز دارد.

📝 توضیح و سیاست محتوایی

نویسنده این فضا را محل بیان دیدگاه‌های شخصی توصیف می‌کند:
“@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”

به لطف به‌روزرسانی‌های پرتکرار (آخرین داده در تاریخ 17 نوامبر, 2026)، کانال همواره به‌روز و دارای دسترسی بالاست. تحلیل‌ها نشان می‌دهد مخاطبان به‌طور فعال با محتوا تعامل دارند و آن را به نقطه اثرگذاری مهم در دسته فناوری و برنامه‌ها تبدیل کرده‌اند.

18 309
مشترکین
-824 ساعت
-207 روز
+7830 روز
جذب مشترکین
نوامبر '26
نوامبر '26
+28
در 0 کانال‌ها
اکتبر '26
+272
در 38 کانال‌ها
Get PRO
سپتامبر '26
+120
در 31 کانال‌ها
Get PRO
اوت '26
+162
در 42 کانال‌ها
Get PRO
ژوئیه '26
+73
در 43 کانال‌ها
Get PRO
ژوئن '26
+51
در 0 کانال‌ها
Get PRO
مه '26
+54
در 1 کانال‌ها
Get PRO
آوریل '26
+245
در 2 کانال‌ها
Get PRO
مارس '26
+1 786
در 3 کانال‌ها
Get PRO
فوریه '26
+683
در 5 کانال‌ها
Get PRO
ژانویه '26
+145
در 0 کانال‌ها
Get PRO
دسامبر '25
+114
در 2 کانال‌ها
Get PRO
نوامبر '25
+339
در 44 کانال‌ها
Get PRO
اکتبر '25
+158
در 14 کانال‌ها
Get PRO
سپتامبر '25
+231
در 36 کانال‌ها
Get PRO
اوت '25
+148
در 3 کانال‌ها
Get PRO
ژوئیه '25
+389
در 52 کانال‌ها
Get PRO
ژوئن '25
+237
در 37 کانال‌ها
Get PRO
مه '25
+136
در 3 کانال‌ها
Get PRO
آوریل '25
+217
در 27 کانال‌ها
Get PRO
مارس '25
+471
در 4 کانال‌ها
Get PRO
فوریه '25
+264
در 41 کانال‌ها
Get PRO
ژانویه '25
+402
در 44 کانال‌ها
Get PRO
دسامبر '24
+557
در 39 کانال‌ها
Get PRO
نوامبر '24
+463
در 54 کانال‌ها
Get PRO
اکتبر '24
+620
در 57 کانال‌ها
Get PRO
سپتامبر '24
+709
در 199 کانال‌ها
Get PRO
اوت '24
+581
در 40 کانال‌ها
Get PRO
ژوئیه '24
+692
در 50 کانال‌ها
Get PRO
ژوئن '24
+747
در 57 کانال‌ها
Get PRO
مه '24
+671
در 36 کانال‌ها
Get PRO
آوریل '24
+679
در 46 کانال‌ها
Get PRO
مارس '24
+779
در 22 کانال‌ها
Get PRO
فوریه '24
+1 165
در 4 کانال‌ها
Get PRO
ژانویه '24
+1 256
در 44 کانال‌ها
Get PRO
دسامبر '23
+593
در 40 کانال‌ها
Get PRO
نوامبر '23
+297
در 30 کانال‌ها
Get PRO
اکتبر '23
+782
در 1 کانال‌ها
Get PRO
سپتامبر '23
+717
در 0 کانال‌ها
Get PRO
اوت '23
+893
در 0 کانال‌ها
Get PRO
ژوئیه '23
+570
در 0 کانال‌ها
Get PRO
ژوئن '23
+635
در 0 کانال‌ها
Get PRO
مه '23
+859
در 0 کانال‌ها
Get PRO
آوریل '23
+430
در 0 کانال‌ها
Get PRO
مارس '23
+146
در 0 کانال‌ها
Get PRO
فوریه '23
+164
در 0 کانال‌ها
Get PRO
ژانویه '23
+289
در 0 کانال‌ها
Get PRO
دسامبر '22
+700
در 0 کانال‌ها
Get PRO
نوامبر '22
+6 074
در 0 کانال‌ها
تاریخ
رشد مشترکین
اشارات
کانال‌ها
17 نوامبر+2
16 نوامبر0
15 نوامبر0
14 نوامبر+3
13 نوامبر+2
12 نوامبر+1
11 نوامبر+3
10 نوامبر0
09 نوامبر+2
08 نوامبر+1
07 نوامبر0
06 نوامبر+2
05 نوامبر+3
04 نوامبر+4
03 نوامبر+1
02 نوامبر+2
01 نوامبر+2
پست‌های کانال
🤯 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
بدون متن...
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
بدون متن...
1 614