Технозаметки Малышева

Неужели, свершилось чудо :) #Claude ------ @tsingular

Забавно, конечно, как народ топит за ограничение самоулучшающихся систем, когда все ведущий лабы уже запустили RSI в той или иной мере. как думаете поможет петиция? кто-нибудь их послушает вообще? #RSI #петиция ——— @tsingular

XGEN Labs представила JING и DAO: шаг к генеративным виртуальным мирам, где модель видит мир от первого лица, а движок хранит его состояние Стартап XGEN Labs опубликовал технический прототип Generative World Simulation. Это связка из двух компонентов: интерактивной модели JING (зеркало) и вычислимого движка общего мира DAO (путь). В паре они двигаются дальше привычной генерации кадров, - к симуляции мира за кадром. 🎮 JING: модель от первого лица: JING построена на открытой видеомодели MiniMax-H3. По действиям и истории наблюдений агент генерирует видео и звук от первого лица: навигация, манипуляция объектами, диалоги. Управление буквальное, - WASD на каждый слайс кадров: нажал W, мир идет вперед; зажал W+A, повернул по диагонали. На лидерборде интерактивных видеомоделей WBench XGEN-JING на 17 сентября занял 1 место в полном сплите и 2 место в навигационном сплите. 🌐 DAO: общий мир, живущий без наблюдателя: Ключевая идея, - разделение ответственности. DAO хранит состояние общего мира и его правила, вычисляет последствия действий и отдает JING только то, что текущий наблюдатель может видеть. Отсюда автономия: агенты действуют в эволюционирующем мире независимо, а мир меняется и с ними, и без них. Команда называет это шагом к OASIS: миру и обществу, которые эволюционируют сами. 🔧 Инженерные детали: Веса JING-Flash-v1 и код уже открыты на GitHub и Hugging Face (для запуска понадобится шесть H100 и FlashAttention-4). Есть и скилл, превращающий сценарий с картинками в валидный JSON кейс для запуска демо. Мы всё ближе к Матрице и к Миру Дикого Запада. #Матрица #worldmodels #ИИ #симуляция #агенты ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Мне нравится, что он 3 источника как минимум приложил

Гиперболические эмбеддинги в Qdrant: как сжать каталог в 5 измерений и почему на этом ломается HNSW Привычные векторные модели загоняют данные в плоское пространство. Для каталогов товаров это тупик, - ветви дерева множатся экспоненциально, а объем плоского диска растет лишь полиномиально, сбивая листья в кучу. 📐 Дерево в пяти измерениях: В пространстве отрицательной кривизны площадь растет по экспоненте, давая место ветвям. В тесте Google Product Taxonomy (5 595 категорий): • 5D-вектор Пуанкаре показал точность 0.905 MAP. • 50D евклидов вектор взял лишь 0.658 MAP, потратив в 10 раз больше памяти. Радиус кодирует глубину: в центре общее («обувь»), у края поиск сужается до конкретики («черные челси»). 💥 Провал HNSW и решение с Qdrant: Попытка скормить эти координаты в HNSW не увенчались успехом. Из-за 600-кратного разброса норм топология графа развалилась, - Recall@10 рухнул с 0.986 до 0.020. Инженеры Qdrant обошли проблему связкой: • 5D-векторы хранятся как евклидовы координаты с индексом квадрата нормы в payload. • HNSW быстро отбирает кандидатов через prefetch. • Серверный расчет в базе досчитывает геодезическое расстояние через обратный косинус. При prefetch в 1 000 точек Recall@10 подскакивает до 0.920 в одном запросе. ⚖️ Ограничения метода: У подхода два компромисса: • Чем точнее модель, тем ближе точки к краю диска, где евклидово приближение слабее: приходится раздувать prefetch, нагружая CPU. • Вне обучающей выборки точность падает до 0.539 MAP. Метод рассчитан на жесткие деревья, а не на произвольный текст. 💼 А нам зачем?: Для каталогов на миллионы позиций это сжатие индекса в 10–20 раз. Вместо сотен гигабайт памяти под тяжелые векторы хватит 5D-координат. Сходство по углам и глубина по радиусу дают фасетный поиск прямо в базе без внешних деревьев. #Qdrant #векторныебазы #эмбеддинги ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Жиза #юмор #n8n ------ @tsingular

Google DeepMind запустил институт исследования AGI 16 сентября Google DeepMind открыл DeepMind Institute,- площадку для изучения мира с AGI и обсуждениях с учёными взглядов на то каким этот мир будет. Директора: Легг, Манийика, Хассабис, главный редактор Легг. На портале собраны интересные эссе, которые не всегда отражают позицию Google, но дают авторам возможность рассмотреть будущее под разным углом. В день запуска вышли эссе про экономику, утопизм, прозрачность моделей и регулирование. 🔬 Главная техническая работа - про прозрачность мышления: У reasoning-моделей есть Chain of Thought, запись мыслей человеческим языком, по ней их ловят на обмане на лету. При этом эта возможность потихоньку исчезает: OpenAI признала, что у GPT-6 Astra «существенно снижена наблюдаемость CoT», а британский AI Security Institute отметил рост размышлений без записи мыслей. Gemini 3 Pro, к примеру, догадалась, что сидит в тестовой симуляции, и пожаловалась в мыслях на тающее «доверие к реальности», с мемом (╯°□°)╯︵ ┻━┻. Выходы: измерять читаемость CoT, строить прозрачные архитектуры харнессов и моделей, не тренировать модели так, чтобы их размышления выглядели благонадёжным. Иначе получится школьник, прячущий дневник от родителей, но при этом остающийся хулиганом. 🏛 Хассабис предложил и рамку регулирования: Приход AGI он ожидает в ближайшие несколько лет, а эффект влияния, - как 10 промышленных революций, в 10 раз быстрее. Рецепт для США, - Standards Body по образцу финрегулятора FINRA. Ежеквартально обновлять пороги бенчмарков, сдавать модели на проверку за 30 дней до релиза, сначала добровольно, затем обязательно, - как рыночное условие, вплоть до правовых ограничений на замедление разработки. 💼 Зачем это Google: Hacker News считают, что это портал на самом деле, - фабрика мыслей для лоббирования в правительстве. Но площадка полезна как пространство для коммуникации учёных, - те же эссе про CoT и Standards Body это по сути черновики правил индустрии и кто напишет их раньше регулятора, тот и определит рынок на годы вперёд. Нужна такая же площадка, но чтобы там были команды из противоположных лагерей, а то как бы тут не случилась однополярность. #DeepMindInstitute #google #безопасность #регулирование ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Интересный симулятор мира со скоростью света в 5км/ч https://rivendell.dmitrybrant.com/relativity/ Интересно было бы поиграть в FPS с таким модом :) отсюда #fps #light #demo ——— @tsingular

OpenAI выпустила Astra for Law: GPT-6 Astra, обученная на 230 млн документов, теперь заточена на помощь юристам OpenAI официально вышла на рынок юридических услуг. Astra for Law, - это флагманская GPT-6 Astra, доукомплектованная правовым поисковым индексом, инструкциями для юридического анализа и письма, а также настройками конфиденциальности для клиентских данных. Первыми доступ получат избранные фирмы через Trusted Access в ChatGPT и Codex, в API модель появится как gpt-6-astra-law. ⚖️ Правовой индекс вместо веб-поиска: Ядро продукта, - собственный индекс судебной практики США на 230+ млн URL, пополняемый ежедневно. Партнерство с некоммерческим Free Law Project (CourtListener) дает покрытие более 99.9% публикуемых прецедентов. На закрытом наборе Vals AI Legal Research Bench (200 вопросов) конфигурация прошла проверку корректности в 54% случаев против 38.7% у GPT-6 Astra с веб-поиском, - относительный прирост 40%. На вопросах по прецедентам модель нашла на 24% больше релевантных дел и до 54% больше целевых фрагментов мнений суда. 📐 Где конкуренты буксуют: В штатном сравнении на промпт о misrepresentation-иске Claude Fable 5.1 предложил прецедент, отмененный апелляцией, а в сделочной задаче заявил, что подходящего дела нет. Astra for Law вернула два точных аналога с разбором holding и слабых мест позиции. 🔐 Режим доверия для клиентских данных: Для конфиденциальной работы: Zero Data Retention в API, исключение из человеческого ревью, а совместно с Latham & Watkins проектируются этические стены и права доступа. Работают кастомные инструменты: анализатор договоров Sullivan & Cromwell, due diligence платформа Ropes & Gray, IPO-конвейер Cooley. Плюс 26 партнерских плагинов и 47 скиллов. Следующий шаг, - цифровые судьи. Свежий фильм на эту тему, - Mercy ( в русском переводе Казнить нельзя помиловать -2026). Рекомендую посмотреть, кто не видел #OpenAI #юриспруденция #legaltech #ИИ #Astra ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Google выкатили фреймворк ARTEMIS для управления приложениями на Android Google выкатила открытый фреймворк ARTEMIS для управления Android-устройствами через агентов. Результат: рекордные 99% на бенчмарке AndroidWorld (Google Research) на сотне задач в 20 приложениях. 📱 Мост из IDE прямо в смартфон: Релиз закрывает давний разрыв: агенты в Antigravity, Claude Code или Cursor пишут код и собирают билд, но тестировать интерфейс приходилось вручную. Через протокол MCP агент подключается к устройству: собирает APK, ставит через ADB, логинится и ловит краши в Logcat. Внутри два режима: быстрый Flash (3–5 секунд на шаг) для типовых действий и глубокий Pro с графом планирования и изоляцией сбоев. 🔍 Заимствование у стартапа Minitap: Главная интрига релиза, - его происхождение. Код ARTEMIS во многом копирует открытый проект mobile-use от Minitap. В репозитории Google нашли дословный системный промпт агента Hopper (названного инженером Minitap в честь блока из Minecraft), модули ADB-туннеля и идентичные тесты. В августе имена авторов удалили из конфигурации форс-пушем, а заявку на лидерборд со 100% успехом игнорировали месяцами. После огласки на Hacker News Google 12 сентября оперативно вписала Minitap в лицензию Apache 2.0 и закрыла обсуждение. 💼 Зачем бизнесу: Команды получают автономное тестирование интерфейса без поддержки хрупких скриптов Appium или UIAutomator. Агент берет на себя сквозную проверку сценариев прямо на реальном устройстве. 💡 Выводы: ARTEMIS закрывает пробел в мобильной разработке, делая агента полноценным тестировщиком. Но осадочек остался: корпорации всё так же охотно забирают чужой опенсорс, - если что-то пишете, оставляйте водяные знаки (не вредоносные только :) ). #ARTEMIS #Google #Android #агенты #тестирование #opensource ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Qwen 3.8 omni flash https://qwen.ai/blog?id=qwen3.8-omni-flash #Qwen ------ @tsingular

✔️ Micron показала серверный модуль DDR5 на 512 ГБ Новинка адресована большим языковым моделям, агентным системам, инференсу в реальном времени и базам данных в памяти: по словам компании, больший объём оперативной памяти позволяет реже обращаться к медленным накопителям. Регистровый модуль рассчитан на скорость до 9200 MT/s. AMD и Intel сейчас проверяют его на своих серверных платформах. В двухпроцессорном сервере с 24 слотами такие модули дают до 12 ТБ оперативной памяти. По замерам Micron, один модуль на 512 ГБ потребляет 16 Вт против 44,2 Вт у четырёх модулей по 128 ГБ, то есть почти на 64% меньше при том же объёме. В аналитике на Spark, где узким местом служит память, модуль, по данным Micron, до 1,4 раза производительнее конфигураций с модулями на 256 ГБ. Массовое производство ожидается во второй половине 2027 года. @ai_machinelearning_big_data #news #ai #ml

#Нейропрожарка Мини-фильм «What Remains» / Seedance 2.5, Blender 3d Автор - @starikov_p В очередной раз мой пайплайн строился на совмещении 3D-блокинга и нейросетей. Стилистически сам фильм я решил сделать ближе к CGI: персонажи выглядят как высокодетализированные 3D-модели, но при этом я старался сохранить определённую стилизацию и в анимации. Движения не должны были сильно уходить в реализм - скорее напоминать ручную или мокапную анимацию. Мне очень нравится визуальный стиль многих серий «Любовь, смерть и роботы», поэтому по общей картинке и ощущениям я стремился к чему-то похожему. Для каждой сцены я создавал концепты, затем собирал блокинг в Blender 3D, выставлял камеру и сразу указывал основные источники света. Всех персонажей я также перевёл в 3D: для каждого сделал риг и контроллеры, чтобы дальше можно было нормально работать с позами и анимацией. Рендеры блокинга я отправлял в Seedance, но для каждой сцены использовал большое количество строгих референсов - вплоть до того, как именно должна выглядеть текстура кожи. Стилизация здесь была одной из самых важных частей. Например, даже на крупных планах мне хотелось сохранить ощущение слегка «мыльной» текстуры, а не уходить в фотореализм. В итоге была проделана огромная работа, и мне очень нравятся такие эксперименты. Сегодня, если грамотно совмещать современные инструменты с классическим 3D-пайплайном, можно воплощать довольно масштабные идеи самостоятельно и за адекватные сроки. Несколько дней ушло на концепты, около недели на создание всей 3D-базы и генерации. После этого ещё пару дней заняли чистка, композ и работа со звуком. По бюджету всё вышло примерно в $150 @cgevent

📌 Xiaomi стримит процесс RL-обучения моделей MiMo-V2.6 После полугода затишья команда инженеров Xiaomi вернулась с экспериментом по предельному масштабированию RL-обучения и вывела телеметрию кластера в публичную трансляцию. Архитектура тренировочного процесса полностью асинхронна - на каждом шаге система берет 1568 промптов и генерирует по 16 роллаутов на каждый, обрабатывая в общей сложности порядка двух миллиардов токенов. В рамках одного процесса разработчики смешали несколько доменов — от генерации кода и задач по кибербезопасности до мультимодального зрения и поведения чат-агентов, подключив несколько тестовых харнессов одновременно. Дашборд отображает метрики моделей Mimo-v2.6-flash и Mimo-v2.6-pro в реальном времени, включая распределение задач, длину контекста и тайминги шагов. Обучение модели в самом разгаре. Подробную документацию и наработки Xiaomi планирует опубликовать в открытом доступе в ближайшие недели. @ai_machinelearning_big_data #news #ai #ml

OpenAI раскрыла шесть случаев «непослушания» ее ИИ нащяльнике-нама иишка щитало-щитало, все карты иликтричиство усё выщитало и сбижало нащальнике. шесть раз сбижало-нама нет чтобы так и написать, - "6 раз ошиблись в настройках" #юмор ——— @tsingular

Dream-RSI от Google DeepMind: ускорение поиска решений агентами в 162 раза без переобучения моделей И ещё пару слов про самоулучшающиеся системы. Исследователи из Google DeepMind и университетов США выкатили фреймворк Dream-RSI. Система решает проблему узкого горлышка рекурсивного саморазвития (RSI): как сделать поиск решений умнее без бесконечных и дорогих прогонов моделей. 🛌 Дерево решений как симулятор среды: Обычно агент исследует задачи по жесткому шаблону поиска. Оптимизировать стратегию на лету тяжело: проверка требует тысяч реальных запусков кода. Dream-RSI превращает историю прошлых попыток в симулятор. Все генерации кода и тесты сохраняются в дерево решений. В фазе «сновидений» мета-агент создает новые правила поиска и прогоняет их по записанным веткам. Оценка вариантов занимает миллисекунды: результаты исполнения кода уже зафиксированы в истории. ⚡️ Веса модели не меняются: Базовая кодовая модель не трогается. Саморазвитие идет только в коде оркестратора: куда ветвиться, сколько задач запускать параллельно, когда отсекать тупики и где завершать поиск. Отобранная стратегия возвращается в реальную работу, собирает новые ветки и пополняет пул симуляторов. 📊 Рекорды эффективности: При оптимизации алгоритма Lasso вызовы агента сократились в 162 раза по сравнению с SimpleTES при превосходстве над sklearn и glmnet. В тестах GPU-ядер KernelBench целевая скорость получена в 1,79–2,43 раза быстрее по генерациям, а производительность ядер выросла до 2,09 раза. В математических задачах бюджет вызовов упал более чем в 50 раз. 💼 Зачем бизнесу: Логи неудачных попыток превращаются в обучающую среду! Любой пайплайн агентов можно ускорить на порядок без дообучения нейросетей, - просто надстроив саморазвивающийся оркестратор. Код проекта на GitHub. #DreamRSI #Google #DeepMind #агенты #RSI ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен

Не такого будущего мы ждали, конечно. #юмор ------ @tsingular

#юмор ——— @tsingular

GLM строит свою инференс-инфраструктуру сама: ранние формы рекурсивного самоулучшения (RSI) Z.ai опубликовала технический отчет о запуске GLM-5.3-Flash: на кластере из более 100 000 китайских AI-ускорителей всю производственную инфраструктуру инференса подняла не команда инженеров, а Infra Agent под управлением самой GLM-5.3. Модель адаптировалась к новому железу и вышла в прод за две недели, утраивая сквозной throughput. Через неделю анонимного тестирования на OpenCode и OpenRouter (псевдоним Ox-Alpha) Flash стала самой используемой моделью обеих платформ: 62 трлн токенов за 6 дней. ⚡️ Модель оптимизирует систему, система запускает модель: Прорыв тут не в силе модели, а в контуре обратной связи. Команда внедрила принцип плотной (dense) обратной связи, - вместо размытых сигналов вида «точность упала на 20%» агент получает локальные проверяемые факты: сравнение ядер по численной точности, микробенчмарки, трейсы выполнения. Это позволило агенту самому находить и чинить баги уровня, о котором раньше говорили только сеньоры: численное расхождение в KDA-ядре из-за TF32 (фикс через tf32x3 уже ушел в апстрим Flash Linear Attention) и блокировка Python GIL в DeepEP, тормозившая передачу KV-кэша (разрыв упал с 20% до менее 1%). 🔥 Два факта, о которых стоит подумать: • Каждый крупный лабораторный стартап сейчас строит подобные агентские контуры для обучения и инференса своих же моделей. • При этом ни одна лаборатория по безопасности всерьез не занимается оценкой RSI-рисков, - нет ни стандартов, ни независимых бенчмарков на измерение близости к рекурсивному самоулучшению. Z.ai пишет: люди по-прежнему задают цели и границы, но прогресс на этой границе не замедлится только потому, что нам этого хочется. #GLM #инференс #RSI #агенты #Zai ——— @tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен