Data Secrets

MWS Cloud запустила MWS GPT Model Hub - сервис по работе с большими языковыми моделями. Его суть в том, что LLM можно за несколько минут подключить к продуктам компании и системам без управления инфраструктурой моделей. Благодаря этому время вывода продуктов с AI-функциями на рынок может сократиться в 2 раза. Сервис запущен в публичном облаке MWS Cloud Platform. Компании из России могут внедрять ведущие мировые модели. Сейчас, к примеру, доступны LLM от DeepSeek, Google, Alibaba и другие, а до конца 2025 года появятся еще 10 моделей, в том числе преобразующих текст в речь и обратно. Инструмент позволяет разработчикам интегрировать ИИ-функции – от чат-ботов до систем аналитики – без необходимости самостоятельно разворачивать и обслуживать ИТ-инфраструктуру. Настоящий подарок для backend-разработчиков, AI-инженеров, DevOps и platform-команд, разработчиков SaaS-продуктов и стартап-команд.

OpenAI закончила претрейн своей следующей модели, а еще в стартапе появился отдел AGI Deployment The Information получили доступ к нескольким внутренним запискам стартапа и выяснили, что там сейчас происходят довольно большие изменения. Альтман якобы говорит сотрудникам, что в течение нескольких недель у компании будет очень сильная модель, которая "действительно может повлиять на экономику". Речь идет о модели под кодовым названием Spud (картошка), и судя по всему, ее претрейн уже окончен. Вокруг этой модели меняется структура стартапа. Во-первых, Альтман перестает лично курировать часть своих прямых подчиненных (в частности, safety & security команды) и с головой уходит в привлечение капитала, выстраивание цепочек поставок и строительство дата‑центров. Во-вторых, продуктовая организация под руководством Fidji Simo переименовывается в «AGI Deployment». Эта команда будет отвечать за то, как следующая модель будет работать в продуктах. Известно также, что они планируют построить на ее основе «супер‑приложение», в котором объединят ChatGPT, Codex и браузер Atlas. Почему в названии фигурирует именно AGI (а не AI, по старинке), непонятно. Может, это прогрев перед официальным объявлением достижения AGI? Говорят, кстати, что отказ от SORA App – тоже часть перестройки и перераспределения компьюта для Spud.

Breaking: наконец-то выяснилось, чем вдохновлялся Ян Лекун, придумывая название для модели JEPA

🚀 Yandex B2B Tech выделит компаниям 500 млн рублей на разработку ИИ-агентов Если вы планируете внедрить ИИ в свои решения, есть шанс упростить и ускорить запуск. Яндекс открывает программу Yandex AI Studio Boost, в рамках которой компании могут получить грант до 1 млн рублей на создание ИИ-агентов и других ИИ-продуктов на базе Yandex AI Studio в течение полугода. Помимо финансирования, участники получают экспертную поддержку, маркетинговые ресурсы и скидку до 70% на платформу до полугода после окончания программы. Программа подходит стартапам и крупным компаниям, уже работающим над цифровыми продуктами для внешнего рынка и планирующим интеграцию ИИ. Среди первых участников — проект R77.ai, ускоряющий проверку документов для банков, страховых и девелоперов до нескольких минут; Noumy.ai, внедряющий анализ кандидатов и их поведения на интервью с помощью моделей машинного обучения; и GO2AI, создающий ИИ-агентов для стратегического планирования, что в пилоте позволило сократить цикл принятия решений с нескольких дней до часа. Участники программы также могут получить софинансирование маркетинговых активностей и разместить свои решения на маркетплейсе внешних продуктов Yandex Cloud. Ранее в рамках Cloud Boost стартапы уже получили 625 млн рублей на облачную инфраструктуру.

Google перепридумали квантование: их алгоритм TurboQuant может стать новым стандартом эффективности LLM В современных моделях проблема памяти – не только в числе параметров, но и в том, что модель постоянно таскает за собой огромное количество векторов – в KV-cache для длинного контекста и в индексах vector search для RAG. Именно они тормозят модель и делают инференс дорогим. Можно квантовать векторы (то есть уменьшать битность вычислений), но тогда модель теряет в качестве. Google придумали, как сжимать умнее: не просто округлить числа погрубее, а сделать это так, чтобы модель почти не замечала потери точности. Для практики это означает три вещи: 1. Длинный контекст становится дешевле 2. Инференс на том же железе ускоряется 3. Vector search по огромным базам становится компактнее и быстрее Технически метод TurboQuant состоит из двух слоев. PolarQuant сначала преобразует вектор через случайное вращение так, чтобы его можно было эффективно сжать с минимальными служебными затратами – именно за счет этого происходит основное сжатие без потери смысла. Затем QJL (Quantized Johnson-Lindenstrauss) добавляет сверхдешевую коррекцию ошибки, кодируя остаток всего одним дополнительным битом на компоненту. Это помогает еще точнее восстановить attention score с минимальной нагрузкой на вычисления. В экспериментах TurboQuant показывает лучший баланс между искажением скалярного произведения, recall и размером KV-cache – его удалось квантануть аж до 3 бит без дообучения и без компромисса по точности. В статье подчеркивается, что значения близки к теоретическим нижним границам, то есть это почти оптимум. Очень сильная инфрастуктурная работа. Google, как всегда, молодцы. research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

Роботы начнут думать быстрее: исследователи из Центрального университета использовали квантовый процессор для ускорения движений робо-руки в 30 раз Российские ученые из научного центра Центрального университета и Университета Иннополис решили главную проблему робототехники — как заставить робота двигаться быстро, точно и без лишних действий. На практике это адская вычислительная задача. Робот должен мгновенно решить, как попасть в определенную точку, ничего не задев. И чем больше ограничений, тем медленнее думают кремниевые процессоры. – Исследователи переписали задачу в формат, понятный квантовым компьютерам D-Wave: все возможные движения представляются как комбинация нулей и единиц, среди которых нужно найти оптимальное положение «руки» робота. – Потом в дело идет технология квантового отжига — она быстрее находит лучшее решение среди миллиарда вариантов. – Новый метод дал ускорение более чем в 30 раз. Для роботов это означает меньше задержек, более плавные движения и отсутствие лишней суеты. Подход актуален для всех сфер, например, автономного транспорта и хирургии. Его распространение даст буст российской робототехники и сделает ее более конкурентоспособной. Квантовые технологии уже не из будущего — они учат роботов быстрее поднимать чашки

Почему OpenAI закрывает SORA Вчера вечером OpenAI объявили, что прощаются с SORA. На самом деле, решение было не то чтобы ожидаемым, но лежало на поверхности. И вот почему: 1. Юнит-экономика, вероятно, очень далека от того, чтобы сойтись. Публичные оценки доходят до $15 млн/день вычислительных затрат (≈ $5+ млрд/год в пересчете), при том что сама компания через руководителя Sora публично называла экономику «неустойчивой». Несложные расчеты, даже основанные только на прайсе в API, показывают, что маржа каждого ролика sora‑2, скорее всего, отрицательна. 2. При этом другие метрики далеки от привычных OpenAI. Если у ChatGPT WAU и ретеншен пользователя запредельные, то у SORA аналитики из a16z насчитали retention < 8% на 30‑й день. Хотя приложение и скачивали очень активно в самом начале, но охваты оно не держит. 2. В начале года OpenAI сами говорили, что компьют – их главный ресурс. Логично, что они стараются перераспределить его разумно, и сверхдорогой видеопродукт становится в этой картине самым стратегически уязвимым. Так что это в первую очередь решение высвободить мощности для других направлений. Кстати, важная деталь: исходная формулировка «We’re saying goodbye to Sora» была уточнена до «We’re saying goodbye to the Sora app», так что тут трактовка уже несколько другая. Возможно, ричерч подразделение видеомоделей все-таки продолжит работать.

За какие идеи можно получить деньги от МТС? Подключайся 26 марта в 18:00 на встречу с экспертами МТС: они расскажут, какие решения лучше использовать для победы на True Tech Hack с призовым фондом в 1 500 000 рублей. Будет полезно инженерам данных, разработчикам и аналитикам. Узнаешь про практику применения ИИ, выберешь одну из трех задач и задашь по ней вопросы. Все подробности читай тут

В Claude Code агент теперь может принимать решения о правах доступа от вашего имени Обычно варианта два: либо агент спрашивает разрешения очень часто, либо не спрашивает совсем, если установить skip permissions. Первое бесит, второе – небезопасно. Anthropic выкатили auto mode: в нем Claude сам будет принимать решения о правах доступа и о том, какие действия одобрять, а какие нет. То есть, по сути, это тот же skip permissions, только над ним еще работает классификатор, который проверяет каждый шаг на предмет потенциально деструктивных действий. Безопасные действия выполняются автоматически. Рискованные блокируются, и Claude применяет другой подход. Выглядит очень удобно, и все-таки это следующий уровень доверия к ассистенту. Так что доброе утро, у нас тут новая глава Черного Зеркала 🤡

Ян Лекун резко шагнул вперед в изобретении универсальной архитектуры для world models Очень многие точно слышали про JEPA. Расшифровывается JEPA как Joint Embedding Predictive Architecture – Self-Supervised архитектура, предназначенная для понимания внешнего физического мира. Идея там красивая: вместо предсказания следующего токена или генерации пикселей JEPA пытается предсказывать смысл наблюдаемого фрагмента на основе контекста (по факту это предсказание эмбеддингов). Лекун считает, что это идеалогическая альтернатива привычному ИИ, потому что предсказание пикселей или токенов – это лишь имитация понимания структуры мира, а тут модель действительно учится понимать физику и логические связи. Все это здорово, но основная проблема в том, что JEPA очень плохо обучается: лосс почти всегда схлопывается в тривиальное решение и реальной world model не получается. Но кажется, теперь это препятствие разрушено. Лекун с соавторами выпустили статью, в которой представлена первая end-to-end JEPA, которая обучается из сырых изображений без эвристик, сложных лоссов и прочих танцев с бубном. Модель красиво называется LeWorldModel (LeWM), и в ней всего 15М параметров. От коллапсов при обучении она защищается очень простым способом: кроме лосса на предсказание следующего latent-state, добавляется регуляризатор, который заставляет латенты быть похожими на изотропное гауссово распределение. Это и есть главный технический ход статьи. На практике это значит, что рецепт, который раньше был капризным и дорогим в настройке, упростился настолько, что world models наконец-то можно скейлить во что-то рабочее. Эксперименты, кстати, показывают, что LeWM действительно учит не ерунду, а нечто похожее на физическую структуру мира. Так что идея, кажется, работает. www.alphaxiv.org/abs/2603.19312v1

Сегодня вышло самое масштабное обновление ГигаЧат в этом году. Новость интересна не только самим фактом релиза, а тем, что Сбер выложил код и веса в открытый доступ на HuggingFace под MIT-лицензией, приправив это очень детальным разбором своей инженерной кухни. Переезд на архитектуру MoE предсказуемо оказался непростым, и в блоге команда довольно откровенно рассказала, например, о том, как боролись с зацикливанием генераций. Плюс ко всему, ребята перевели этап DPO в нативный FP8 — памяти ест в два раза меньше, а качество не падает. По ходу дела еще и откопали критичный баг в SGLang, который портил бенчмарки. В опенсорс выложены две модели. Первая — флагманская GigaChat Ultra. По замерам в математике и общих рассуждениях она обходит DeepSeek-V3-0324 и Qwen3-235B. А вот вторая модель – компактная GigaChat-3.1-Lightning. При скромных 1,8 млрд активных параметров она на аренах выдает результаты на уровне GPT-4o. Маленькая, быстрая и при этом конкурентная по качеству база. Покрутить обновленную модель без развертывания уже можно на сайте.

Найдена та самая модель, которую Дженсен Хуанг назвал AGI https://huggingface.co/Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF

Почему большинство тестов ИИ-ассистентов не работают в реальности Российские исследователи из SberAI, MWS AI, а также ИТМО, ВШЭ, МИСИС и других университетов представили методологию DRAGOn – это новый подход к оценке RAG-систем, которые лежат в основе современных ИИ-ассистентов. Ключевая идея в том, чтобы уйти от статичных тестов к динамической среде с постоянно обновляющимися данными. Саму работу приняли на международной конференции EACL 2026. Классические бенчмарки быстро устаревают и плохо отражают реальные условия. В бизнесе ИИ работает с живыми базами знаний, где важны актуальность и связность фактов, а не просто точность на фиксированном датасете. DRAGOn предлагает тестировать ИИ-системы на свежих новостях, автоматически собирая из них «карту знаний». Вместо простых вопросов «кто/где/когда», система создает многоуровневые логические задачи. Чтобы ответить, ИИ должен сопоставить несколько фактов из разных новостей, а не просто скопировать кусок текста, а проверкой ответов занимается нейросеть-судья. Что это дает на практике: - Задачи становятся многошаговыми, а не тривиальными; - Проверяется способность связывать факты, а не копировать ответы; - Оценка учитывает полноту и фактическую точность, а не совпадение слов. Методологию можно развернуть внутри компании и тестировать ИИ на собственных данных до внедрения. Это позволяет сравнивать решения в реальных сценариях и снижать риски ошибок, особенно в задачах аналитики, поддержки и работы с документами. https://arxiv.org/abs/2507.05713

Новые страсти в отношениях OpenAI и Microsoft В сеть утек кусок из pre-IPO документа, который OpenAI составляет для инвесторов. Смотрите, в каком забавном контексте там упоминается Microsoft:

Если Microsoft изменит или прекратит свое коммерческое партнёрство с нами, или если мы не сможем успешно диверсифицировать наших деловых партнеров, наш бизнес, перспективы, финансовые результаты и финансовое состояние могут быть неблагоприятно затронуты.

То есть компания описывается уже далеко не как ключевой дружественный партнер, а скорее как ключевой недружественный риск. И риск этот достаточно реален. Недавно OpenAI объявила о многолетнем стратегическом партнерстве с Amazon. То есть AWS становится эксклюзивным сторонним облачным дистрибьютором. Microsoft ситуация, конечно, не слишком устраивает. Они считают, что этот контракт с Amazon нарушает их эксклюзивные условия по облачному распространению моделей OpenAI через Azure. Поговаривают, что Microsoft даже рассматривает юридические действия против Amazon и OpenAI из‑за возможного нарушения соглашения. Самое зрелищное звездное расставание 🍿

Кстати, вы знали, что Хуанг недавно предложил выплачивать сотрудникам премии токенами? То есть инженеры получают базовую зарплату плюс половину этой суммы в токенах для повышения продуктивности. Токены становятся полноценной экономической единицей (появился даже термин токеномика), и Дженсен говорит, что это также метрика продуктивности. Он ожидает, что инженеры с зарплатой $500 тыс. должны тратить минимум $250 тыс. на токены ежегодно, иначе это ред флаг и показатель низкой эффективности сотрудника.

Wildberries & Russ проведут большой ML-хакатон с призовым фондом 1 300 000 ₽ Если вы студент или просто ищете возможность зайти в индустрию – хакатоны до сих пор один из самых быстрых и честных способов показать себя. Вы, без долгих собеседований, просто берете задачу, решаете ее и сразу видно ваш уровень. Плюс – опыт, кейс в портфолио и, в этом случае, еще и неплохие деньги. RWB запускают WildHack – хакатон с реальными задачами из логистики, которые решают их ML-команды. Это не учебные кейсы, а именно максимально приближенные к боевым условиям задачи, так что будет непросто, но интересно. Есть два формата участия: 1. индивидуальный трек (решение ML-задач) 2. командный трек (предстоит разработать полноценный ML-сервис) Что можно получить: — часть призового фонда 1,3 млн ₽ — приглашение на стажировку — шанс сразу же продолжить работу с командой Регистрация открыта до 8 апреля. Если давно хотели показать себя в таком формате или как раз ищете работу – самое время попробовать.

Дженсен Хуанг заявил, что мы достигли AGI На новом интервью у Лекса Фридмана глава Nvidia прямым текстом сказал: «Я считаю, что мы уже достигли AGI».

– Как вы думаете, может ли существовать компания, управляемая такой системой? – Возможно. Например, OpenClaw вполне мог бы за 50 центов создать сайт или приложение, которым пользовались бы миллиарды человек.

Директор и создатель самой дорогой компании в мире, на секундочку (!) Такие дела

Разбираем законопроект о регулировании ИИ в России 18 марта Минцифры опубликовало для общественного обсуждения законопроект об ИИ. Мы посчитали нужным написать один пост о том, что на самом деле влечет за собой написанное в этом законопроекте. Итак: – Все, от моделей до данных и инфраструктуры, будет под контролем гос-контура. Появится реестр доверенных моделей, и чтобы стать «доверенной», модель должна соответствовать требованиям безопасности, пройти сертификацию (критерии пока не определены) и обрабатывать данные внутри РФ. Все остальное уходит в серую зону в любых чувствительных сценариях. – То есть ChatGPT, Gemini и все остальное отпадает точно, но это малая часть. Рынок в целом становится локальным и закрытым. И значит: конкуренция определяется не столько качеством технологий, сколько доступом к регулятору; скорость экспериментов падает; рынок начинает схлопываться до ограниченного числа игроков. – Рынок окончательно станет принадлежать только гигантам. Стартапы живут за счет быстрого и дешевого цикла проверки гипотез. Но если каждый шаг начинает требовать учета данных, потенциальной сертификации и прочего – этот цикл ломается. Бюрократия – это всегда дорого и долго, и по плечу только крупнякам. – Хотя под удар могут попасть и модели крупных российских компаний. За одним исключением, все российские модели дообучены от базовых китайских опенсорсов или инициализируются их весами. Это норма, но в законопроекте формулировки размытые, и такая структурная зависимость может вызывать вопросы: для суверенных моделей в законе прямо прописано, что все стадии разработки и обучения должны происходить в РФ, а обучение – на наборах данных, формируемых в РФ российскими гражданами и юрлицами. – Все это не говоря уже о том, что использовать зарубежные API станет почти невозможно. Сейчас транграничная передача персональных данных уже запрещена, так что компании обходят ограничения через анонимизацию данных или перекладывание ответственности на пользователя, либо просто хостят опенсорсные модели сами. Законопроект закрывает первые два варианта, а третий тоже под вопросом: без попадания в реестр открытую модель нельзя использовать в значимых сценариях, а критерии включения пока не установлены. – Это означает существенное замедление экономики: у бизнеса вырастут издержки на внедрение ИИ и снизится доступ к наиболее сильным моделям. В результате компании теряют в эффективности и конкурентоспособности, а рынок постепенно отстает от глобальных темпов развития. Закон в случае принятия вступит в силу с 1 сентября 2027 года. Пока что радует, что закон вынесен в общественное обсуждение. Так что будем надеяться, что все еще много раз поменяется. https://www.forbes.ru/tekhnologii/557534-i-narodnoe-avlenie-cto-dumaet-biznes-pro-zakonoproekt-o-suverennom-ii

OpenAI изобрели способ отвоевать у Anthropic хотя бы часть enterprise рынка Сейчас Anthropic максимально быстро отъедает долю у OpenAI. Пишут, что они забирают более 70% бюджетов компаний, которые впервые закупают AI‑инструменты. Поэтому OpenAI пошли на рискованный и агрессивный шаг. Они ведут переговоры с Private equity‑фондами и предлагают им максимально жирные условия: гарантированную доходность 17,5% годовых и ранний доступ к новым моделям. Как это работает: – У каждого такого фонда есть сотни портфельных компаний. OpenAI предлагает фондам создать джойнт‑венчур – отдельную структуру, куда те заносят капитал, получают долю и вместе с OpenAI внедряют их ИИ во все эти портфельные бизнесы. – При этом OpenAI обещает PE‑фондам минимальную доходность 17,5% годовых на их вложение в эту совместную структуру. То есть в случае, если бизнес идет хуже, стартап все равно должен выплачивать PE кругленькую сумму, и это уже довольно тяжелое финансовое обязательство, которое кушает маржу. Это все при том, что настройка и внедрение моделей под крупные корпорации стоит дорого: вычисления, команда консалтинга, интеграции и тд. – Плюс, чем больше таких сделок с гарантией, тем менее гибкой становится финансовая модель OpenAI перед IPO. Но, несмотря на все минусы, это, видимо, единственный способ хоть как-то застолбить корпоративных клиентов и увести их у Anthropic (которые, кстати, тоже ведут переговоры с PE). Предложение OpenAI действительно выглядит очень вкусно, так что это может и сработать, если монопольная полиция ими не заинтересуется 😐 Если ИИ-пузырь схлопнется, то вот это – начало конца

О людях, которые двигают ML вперед, обычно говорят в контексте запусков новых моделей и продуктов. Но за развитием отрасли точно так же стоят и крутые преподаватели, которые умеют совмещать науку с практикой и готовят тех, кто потом всё это создает. В этом году снова вручают Yandex ML Prize — премию для тех, кто внес вклад в развитие искусственного интеллекта. В экспертный совет конкурса вошли ведущие ИИ-исследователи и представители МФТИ и Вышки, а лауреатов определят при участии экспертов ШАДа. Фокус премии на тех, кто выстраивает систему обучения для ИИ-спецов. Что по деталям в этом году: — Будут 3 основные номинации: для авторов и соавторов курсов по ML, руководителей университетских программ и начинающих преподавателей — Лауреаты премии получат до 1 млн рублей — Всем победителям предоставят гранты на облачные мощности и окажут поддержку в публикации и развитии образовательных курсов. — Отдельно отметят тех, кто десятилетиями строит научные школы. В прошлом году в номинацию вошли, например, Константин Воронцов, Андрей Райгородский и Дмитрий Ветров. Награждение пройдет в сентябре на Practical ML Conf — ежегодной конференции Яндекса по практическому применению машинного обучения. Подробности здесь