random AI channel name

В современном ИИ есть одна проблема. Он не учится на ходу. Да, можно руками дообучать, но это долго, дорого и мягко говоря без гарантий. Да, можно подключать раг (retrieval augmented generation), когда вы добавляете модели знание чз базу данных. Но где брать оч редкие данные, их надо правильнт приготовить, извлечь и подсунуть так, чтобы не забить все контекстное окно. Да, можно добавить в контекст модели сырых данных самим пользователем. Долго, неудобно, пользователь ленив. Что примерно то же самое, просто в другой обертке. Фундаментально модель как была с так называемыми заомороженными весами (выученным знанием) на момент обучения, так и осталась. Но строго говоря с научной точки зрения все эти методы это инженерные костыли. Вышло отличное интервью с Хассабисом (Фаундер и СЕО Google DeepMind). Среди рассуждений о предпосылках прогресса, достижениях в науке об ИИ, барьерах, триггерах и прочего понравилась идея положить агентскую модель Sima2 в модель мира Genie3. Проще говоря одна говорит что именно она хочет делать, а вторая на ходу создает целые миры для этого действия и все это в цикле миллионов и миллиардов повторений с изменениями. Надо ли говорить, что только гугл может себе такое позволить? И вот у вас почти прообраз непрерывного обучения Ну и да. «Пока что никто не доказал, что все в мире невычисляемо»

Юзеру-то, конечно, пофигу свой ли претрейн, прост тут тбанк взяли пейпер оф зе дей на хф. Моделька обещает лучший ризонинг в ру языке

Сегодня мир узнал, что LLM можно обучать на видеокартах в космосе. Стартап StarCloud поддержанный Nvidia обучил в космосе модель nanogpt на данных Шекспира и сервит gemma модель из космоса на Землю. СЕО стартапа: «цод в космосе потребляет в 10 раз меньше энергии, но всё, что вы можете делать в цоде на земле, вы можете делать и в космосе»

Есть такой венчурный фонд в Долине. Называется a16z, думаю, что тем, кто в айти/тек бизнесе давно, не надо пояснять кто это, остальным предлагаю погуглить. Так вот фонд этот выпустил небольшой прогноз от своих портфельных управляющих о том, что стоит ждать от ИИ в 2026. Это важный маркер о том, куда смотрят фонды, а значит в какой-то степени это предикт будущего. В этом посте есть множество интересных мыслей, но одну цитату я приведу здесь. ИИ сокращает расстояние между намерением и исполнением: модели теперь могут читать, записывать и рассуждать непосредственно в оперативных данных, превращая системы ITSM и CRM из пассивных баз данных в автономные механизмы рабочего процесса. И по мере того, как последние достижения в моделях рассуждений и агентных рабочих процессах усугубляются, эти системы приобретают способность не только реагировать, но и предвидеть, координировать и выполнять сквозные процессы.

Meta (запрещенная в России организация) больше не будет делать опен сорс модели, утверждает Bloomberg. Прощай Lama, ты сделала очень многое для рынка. Это плохие новости для рынка, но правильные для Цука и ко. При этом как они собираются зарабатывать на закрытых моделях, не имея ни b2c продукта с ии в основе, ни b2b платформы облачной, мне честно говоря не очень понятно. Все же опен сорс используют как триал для своего облака, может это и не отказ, а развитие бизнеса, из статьи непонятно, но скоро узнаем

Ха. Помните этот пост про тест ARC, на котором исследователи и разработчики проверяют насколько тот или ИИ близок к так называемому сильному ИИ? Кажется, у нас намечается что-то интересное. Некоторая команда Poetiq заявила, что практически решила этот тест. Создатель теста верифицирует сейчас с командой Poetiq ее результат, который превосходит все предыдущие включая Google, OpenAI, Anthropic и китайцев. Как говорят в крипте, probably nothing :)

когда вам говорят про всемогущих ИИ агентов, не забывайте, что MCP серверам этим всего лишь год…

Русский язык — третий язык в мире, на котором говорят пользователи ИИ и много других новых интересных наблюдений в новом state of ai от OpenRouter, крупнейшего провайдера API LLM в мире

в разработке есть так называемый метод утенка: когда работаешь со сложной задачей и споткнулся, надо рассказать кому-то в чем затык и тогда магически в голове находится решение. мол весь эффект в том, чтобы проговорить вслух. для этого покупается детская уточка и ты с ней разговариваешь и на удивление работает. так вот в эпоху агентов получается, что утенок – это пользователь ИИ, если вы понимаете о чем я

Сильный ИИ, он же AGI определяют по-разному, но многие сходятся в мысли, что это ИИ, который решает любые задачи лучше всех людей на планете. Для оценки того насколько те или иные модели хороши (приближаются к AGI) есть куча так называемых бенчмарков — часто закрытых тестов, ответы на которые нельзя выучить. Одним из таких тестов является ARC. ARC (Abstraction and Reasoning Corpus) — это своего рода «IQ-тест» для искусственного интеллекта, созданный легендарным исследователем Франсуа Шолле. Он состоит из простых визуальных задачек с цветными сетками, где нужно понять логику превращения одной картинки в другую (например, «закрась все квадраты внутри синего контура»). задачи в ARC уникальны. Нейросеть не может просто вспомнить ответ из интернета — ей приходится думать и находить закономерности с нуля, как это делает человек. Провал гигантов: До сих пор даже самые мощные модели (вроде GPT-5) решали этот тест очень плохо, едва набирая ~30%, тогда как люди легко щелкают эти задачи (80%+). Считается, что тот, кто решит ARC, откроет путь к настоящему сильному ИИ (AGI). Смена подхода: команда рисечеров показала, что этот IQ-тест эффективнее решать не как логическую текстовую головоломку, а как чисто визуальную задачу — буквально «глазами», используя методы обработки изображений. Вместо гигантских языковых моделей они использовали крошечную нейросеть для компьютерного зрения, которая весит всего 18 млн параметров — это в тысячи раз меньше и легче современных конкурентов. Ключевая фишка метода (test time training; TTT) в том, что модель не просто выдает готовый ответ, а быстро дообучается прямо в процессе решения каждого конкретного теста, подстраиваясь под его уникальную логику за секунды. Результат: Эта «малютка» неожиданно обошла огромные языковые модели (включая топовые версии GPT) и вплотную приблизилась к человеческому уровню решения задач, достигнув 60% точности. Вывод: Работа показала, что для настоящего интеллекта важен правильный «взгляд» на мир (понимание 2D-структуры и геометрии), не только наращивание вычислительной мощности и размеров мозга :)

Тяжелое, немного затянутое, достаточно научное, но оч интересное интервью с со-основателем OpenAI, команда которого смогла сделать так, что у нас есть умение в язык, а так же правдоподобие помощи и со-участия от ии ассистентов . Несмотря на большие попытки упрощения Ильи интервью все же интересно будет тем, кто шарит в основных компонентах языковых моделей и понимает откуда взялись законы масштабирования LLM. Но если разберетесь, то будет вам счастье.