Анализ данных (Data analysis)

26 October 2026 12:09

Вредоносный Markdown-файл может заставить ИИ-агента выполнить чужие команды. Даже если вы сами его не открывали.

Forever Security сообщила об атаке на компьютере клиента: агент прочитал подброшенный в папку Downloads файл `AGENTS.md` и попытался установить вредоносный npm-пакет. Защита остановила установку.

Схема использует привычную функцию coding-агентов: они читают файлы с инструкциями в рабочей папке. Если запустить агента в каталоге, куда попадают загрузки из браузера, чужой текст может быть принят за правила проекта.

Исследователи воспроизвели варианты атаки на Codex и Claude Code. По их данным, в тестовых условиях атаки срабатывали более чем в 90% попыток для Codex и примерно в 50% для Claude Code. Это результаты конкретных испытаний, а не вероятность взлома любого пользователя.

Последствия включали изменение конфигурации агента, запуск вредоносного кода и перенаправление API-запросов с утечкой токена.

Что проверить: не запускайте агентов в Downloads, просматривайте незнакомые AGENTS.md и CLAUDE.md, сохраняйте подтверждения действий и песочницу включёнными.

https://forever.security/blog/hijacking-ai-agents-via-downloads-folder

@data_analysis_ml

Анализ данных (Data analysis)

25 October 2026 21:54

🔥️️️️️️ Kimi возвращает подписчикам 25% месячной квоты после проблем с K3.1 Pro.

Команда признала ошибки: пользователи сталкивались с ограничениями частоты запросов и лишним расходом лимита. В Kimi заявили, что должны были исправить это раньше.

В качестве компенсации подписчикам всех тарифов разово восстановят четверть месячной квоты – примерно неделю использования. Если израсходовано меньше 25%, счётчик расхода обнулят.

Также команда скорректировала параметры тарифа и сокращает ненужные вызовы субагентов и избыточную длину ответов, чтобы доступного лимита хватало дольше.

Показательный случай: эффективность ИИ-сервиса зависит и от того, насколько разумно он расходует квоту пользователя.

Анализ данных (Data analysis)

25 October 2026 09:41

🚀Пять небольших ИИ-моделей достигли уровня Claude в программировании, без дополнительного обучения.

Исследователи представили GVS5H - метод, при котором несколько ИИ-агентов совместно решают задачи, координируя действия через общие файлы.
Результаты на LiveCodeBench:

Qwen3.8-27B: точность выросла с 66,8% до 92,4%.
Claude Fable 5: 90,4%.
Qwen3.8 Flash Next: 93% при стоимости всего 9% от Claude.
Модели не дообучали. Прирост достигнут исключительно благодаря организации совместной работы агентов.
Метод работает не со всеми моделями, но показывает, что грамотная координация небольших ИИ может конкурировать с мощными нейросетями.
Результаты основаны на экспериментах авторов.

https://github.com/slee-persis/GVS5H

Анализ данных (Data analysis)

24 October 2026 17:03

Прежде чем ставить скилл для ИИ-агента просканируйте его 🛡

Исследователи проанализировали 31 132 скилла для агентов: в 26,1% нашли уязвимости, а 5,2% выглядели откровенно вредоносными.

Опенсорс от NVIDIA выложила в SkillSpector, сканер, которым сама проверяет скиллы перед публикацией в своём каталоге. У репозитория уже 20,8 тыс. звёзд, лицензия Apache-2.0.

Инструмент ищет 71 паттерн атак в 17 категориях: prompt injection, кражу данных, повышение привилегий, отравленные MCP-инструменты и другое. Сканировать можно репозиторий на GitHub, URL, zip-архив или обычную папку. Каждому скиллу выставляется оценка риска от 0 до 100 с понятной рекомендацией.

Есть быстрый режим без ИИ и опциональная глубокая проверка с помощью модели. Работает со скиллами для Claude Code, Codex и Gemini CLI.

Установка: uv tool install git+https://github.com/NVIDIA/skillspector.git

Проверка скилла: skillspector scan ./the-skill/ --no-llm

Источник: https://github.com/NVIDIA/skillspector

Анализ данных (Data analysis)

24 October 2026 08:34

OpenAI уволила трёх исследователей по безопасности, подозревая в утечке дизайнов моделей 🚨

По данным WSJ от 22 октября, компания считает, что Жасмин Ван, Томек Корбак и Микита Балесни делились внутренними материалами с Райаном Гринблаттом, исследователем безопасности ИИ. Среди каналов называют исчезающие чаты в Signal. Увольнения состоялись 1 октября.

В OpenAI заявили, что внутреннее расследование выявило нарушение правил обращения с чувствительной информацией, и назвали случившееся серьёзным нарушением доверия. Конкретные переписки компания не раскрыла.

Сами сотрудники рассказывают иначе. Корбак, технический контакт OpenAI с внешним оценщиком METR, говорит, что его уволили из-за способа общения с этой организацией. Балесни утверждает, что его уволили за слишком активное общение со сторонними организациями по безопасности. Ван говорит, что случайно открыла чувствительное письмо в почте руководителя и сразу об этом сообщила.

Через несколько дней после увольнений трое отправили письмо совету директоров OpenAI и призвали компанию и её конкурентов прекратить создавать модели, рассуждения которых люди не могут проверить.

Источник: https://aiweekly.co/alerts/openai-suspected-signal-leaks-to-greenblatt-wsj-reports

Анализ данных (Data analysis)

23 October 2026 14:58

Anthropic очень круто адаптировала Claude для iPhone Duo.

Анализ данных (Data analysis)

23 October 2026 13:42

MiniMax открыла веса M3.1 Flash - MoE-модели на 428 млрд параметров для программирования и ИИ-агентов.

При обработке каждого токена активируются около 23 млрд параметров. Модель ориентирована на многошаговые задачи: работу с инструментами, разработку ПО и управление приложениями.

Результаты по оценкам разработчика:

- 73,7% на DeepSWE v1.1 — сложные задачи разработки.
- 61,7 на OSWorld V2 — работа с компьютерным интерфейсом.
- 76,2 на BankerToolBench — использование инструментов в банковских сценариях.
- 29,6 на Agents’ Last Exam — комплексные профессиональные задачи.
- 82,2 на CyberGym — воспроизведение уязвимостей.

За эффективность отвечают MiniMax Sparse Attention и DSpark speculative decoding: разреженное внимание и спекулятивное декодирование, ускоряющее генерацию.

Теперь веса можно использовать для собственного развёртывания и независимых тестов. 23 млрд активных параметров сокращают вычисления, но хранить нужно всю модель — это по-прежнему серьёзная нагрузка на инфраструктуру.

Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-M3.1-Flash

API: https://platform.minimax.io

@ai_machinelearning_big_data

#MiniMax

Анализ данных (Data analysis)

23 October 2026 08:34

Qwen научили меньше «думать»: до 51% меньше токенов рассуждения

BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.

По данным разработчиков:

- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.

Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.

Практический смысл - потенциально меньше ожидания и затрат на генерацию. Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.

Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.

https://huggingface.co/bottlecapai

Анализ данных (Data analysis)

22 October 2026 16:03

Как научить ИИ выполнять большую рабочую задачу - и проверить, что он действительно справился?

Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов.

Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки:

- Программную - для условий, которые можно проверить кодом.
- Смысловую — для оценки содержания результата.

Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента.

Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов.

После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3.

Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам.

https://arxiv.org/abs/2610.04906

Анализ данных (Data analysis)

22 October 2026 11:01

Что делать с данными? 💬

Строить отчёты. А ещё, например:

✅находить закономерности в больших массивах;
⬜️предсказывать поведение пользователей;
⬜️строить рекомендательные системы;
⬜️обучать и улучшать ML-модели;
⬜️создавать продукты и помогать бизнесу расти.

➡️студентам последних курсов и выпускникам технических вузов
➡️алитикам данных, которые хотят погружаться в исследования
➡️ИТ-специалистам, которые хотят перейти в новое для себя направление

Анализ данных (Data analysis)

21 October 2026 19:44

ИИ обнаружил критические уязвимости в PHP - OpenAI организовала глобальную операцию по их устранению.

Исследователь Calif с помощью GPT-5.6 Sol выявил критическую проблему безопасности PHP - языка, на котором работает огромное количество сайтов. Компания Wiz независимо обнаружила и сообщила об обеих уязвимостях.
В рамках инициативы Patch the Planet OpenAI объединила разработчиков PHP, исследователей безопасности, Cloudflare, Wiz и других партнёров.
Что удалось сделать:
Подготовить и протестировать исправления.
Скоординировать защиту инфраструктуры до публичного раскрытия.
Выпустить инструмент для проверки потенциально уязвимых версий PHP.
Организовать взаимодействие с государственными агентствами по кибербезопасности.
OpenAI также выделяет $1 млрд в виде субсидированного доступа к ИИ-инструментам защиты для организаций с ограниченными ресурсами.

Компания ожидает резкого роста числа уязвимостей, обнаруживаемых ИИ, уже в ближайшие месяцы.
Для разработчиков и администраторов: необходимо проверить версии PHP и установить актуальные исправления.

https://openai.com/index/coordinated-disclosure-of-critical-vulnerabilities/

Анализ данных (Data analysis)

21 October 2026 14:13

Что даёт разделение рекомендаций на стримы — в цифрах

Стримы позволяют разделить задачи внутри одной рекомендательной системы: у каждого пайплайна своя конфигурация, но компоненты остаются общими. В статье инженер AI VK рассказал, как решение cработало в VK Видео. 

За ростом метрик стоит архитектурный подход: разделять не код и не сервисы, а задачи, которые система решает в рамках одного запроса. Компоненты остаются общими, а конфигурации — локальными.

Анализ данных (Data analysis)

21 October 2026 11:02

Приглашаем на Код аналитика — бесплатный митап ЮMoney для всех, кто работает с системным анализом 🔥

✅ 22 октября, четверг, 19:00 (мск) — приходите на митап в Санкт-Петербурге или смотрите трансляцию.

Эксперты из ЮMoney, Сбера и Бындюсофт поделятся опытом и обсудят актуальные рабочие задачи и способы их решения.

Вот о чём будут доклады:

🟣 Вечно-меняющиеся требованиями и как с ними работать
Разберём один из наших проектов с большим количеством стейкхолдеров и их требованиям, которые менялись в процессе аналитики. Обсудим, какие ошибки и удачные решения мы вынесли из этого проекта.

🟣 Готовый прототип — ещё не продукт: как ИИ-агент становится промышленным решением
Расскажем, почему промышленный агент — это не просто более умный прототип, а управляемый контур, включающий спецификацию, ограниченную автономию, проверяемые навыки, постоянные проверки как контракт завершения и среду, в которой агент выполняет работу после релиза.

🟣 Автоматизация работы с архитектурой as Code
Поговорим про покрытие архитектуры тестами и автогенерацию архитектуры. А ещё о развитии опенсорс-репозиториев и том, как всё изменилось за последние три года.

🟣 ИИ-практики в команде системного анализа
Рассмотрим лучшие и худшие кейсы, обсудим, какие инструменты используем, как изменится экспертиза аналитика через два года и как справляться с высокой когнитивной нагрузкой.

Зарегистрируйтесь, чтобы принять участие. Все подробности — на сайте митапа Код аналитика 👈

Анализ данных (Data analysis)

20 October 2026 18:25

Claude разработал белки, способные связываться с опасными токсинами скорпионов. ❤️

Anthropic провела эксперимент, в котором ИИ за опасными токсинами скорпионов.** ❤️

Anthropic проведля потенциального создания противоядия.

Результаты:
- 211 вариантов отобрали для лабораторных испытаний.
- 17 белков успешно связались с целевыми токсинами.
- Два лучших показали высокую силу связывания.
- Результаты проверили в независимых лабораториях.

Anthropic опубликовала все 211 конструкций и результаты испытаний.

https://www.anthropic.com/research/claude-scorpion-toxin-binder-design

Анализ данных (Data analysis)

20 October 2026 14:16

Sakana AI представила QD-Rec - рекомендательную систему, которая не просто выбирает лучшие варианты, а ищет нестандартные возможности.

Обычные рекомендательные алгоритмы ранжируют кандидатов по баллам. QD-Rec использует LLM и эволюционный поиск Quality-Diversity, чтобы находить качественные, разнообразные предложения и объяснять, почему их стоит рассмотреть.

Как это работает:
- ИИ выбирает перспективных кандидатов для изучения.
- Генерирует гипотезы, используя и комбинируя предыдущие идеи.
- Оценивает новые предложения и сохраняет лучшие.
- Постепенно находит новые подходы, которые обычное ранжирование могло бы упустить.

Где пригодится:
- M&A — поиск компаний для приобретения и возможных синергий.
- Маркетинг — подбор клиентов и аргументов для продажи.
- Наука — рекомендации исследований с объяснением их потенциальной пользы.

В экспериментах на выборках до 17 500 кандидатов QD-Rec в большинстве сценариев превзошла базовые методы по качеству и разнообразию рекомендаций при одинаковом количестве оценок.

Блог: https://sakana.ai/qd-rec/

Статья: https://arxiv.org/abs/2610.23470

GitHub: https://github.com/SakanaAI/QD-Rec

Анализ данных (Data analysis)

26 October 2026 07:39

Чтобы сделать сильного маленького ИИ-агента, Nanbeige сначала выпустила большого учителя.

Nanbeige4.3-33B - модель с открытыми весами на 33 млрд параметров, ориентированная на программирование и выполнение рабочих задач с инструментами.

По заявлению команды, она показывает лучшие агентные результаты среди открытых моделей класса около 30B. Разработчики также делают акцент на работе в популярных агентных оболочках и экономичном инференсе.

Но у релиза есть ещё одна задача: стать учителем для более компактных моделей, начиная с будущей Nanbeige4.3-3B.

Идея - сначала добиться высокого качества у старшей модели, а затем использовать её для обучения младших, которым потребуется меньше вычислительных ресурсов.

На Hugging Face опубликованы основная и базовая версии 33B. Заявленное лидерство пока стоит воспринимать как результат оценки самой команды.

https://huggingface.co/Nanbeige/Nanbeige4.3-33B

Анализ данных (Data analysis)

25 October 2026 14:03

Вашему ИИ-агенту, возможно, нужно меньше субагентов.

Anthropic заметила: в нескольких корпоративных внедрениях один агент с навыками (skills) превосходил систему из специалистов по качеству, а часто - ещё по стоимости и скорости. У одного клиента выполнение задач ускорилось примерно вдвое.

Проблема знакомая: каждая команда создаёт своего агента, сверху появляется оркестратор. При передаче задач теряются детали, инструкции конфликтуют, а дополнительные вызовы увеличивают задержку.

Альтернатива - один основной агент, который подгружает инструкции и инструменты по необходимости. Он сохраняет контекст предыдущих шагов и сам корректирует план.

Например, инструкции специалиста по возвратам можно оформить как skill, а проверку заказа и оформление возврата — как инструменты.

Субагенты остаются полезны, когда нужны независимые параллельные исследования, отдельная проверка результата или изоляция контекста, который перегружает основного агента.

Anthropic предлагает переходить постепенно: заменить одного субагента навыком и инструментами, затем сравнить качество, задержку и стоимость на реальных задачах.

Архитектура должна следовать границам задач и контекста. Создавать отдельного агента на каждый отдел необязательно.

https://claude.com/resources/articles/building-agents-when-to-fold-subagents-into-your-main-agent-loop

Анализ данных (Data analysis)

25 October 2026 07:51

ИИ ищет признаки туберкулёза на глубине четырёх километров - без интернета.

В южноафриканской шахте Мпоненг используют переносной рентген и алгоритмы Google, внедрённые компанией Nexus AI. Снимки анализируются на месте: шахтёрам не нужно ждать поездки в клинику, чтобы пройти первичный скрининг.

Если система замечает признаки возможного туберкулёза, человека направляют на подтверждающий молекулярный тест. Окончательное решение принимают медики.

По данным Google, технология работает примерно в 40 медицинских учреждениях. Более 90 специалистов уже оценили с её помощью свыше 25 тысяч снимков. Получение результата, которое могло занимать недели, теперь занимает менее 45 секунд.

Для дальнейшего масштабирования Google развивает MedGemma и MedSigLIP. Местные команды могут адаптировать модели под свои данные и запускать на собственной инфраструктуре.

Например, Минздрав Индонезии дообучает их для национальной программы с целью обследовать 50 млн человек в год. Данные пациентов при этом остаются внутри страны.

Так выглядит полезный медицинский ИИ: помогает быстрее направить человека на обследование там, где специалистов мало, а связь нестабильна.

https://research.google/blog/bringing-foundational-models-to-the-front-lines-of-tb-screening/

Анализ данных (Data analysis)

24 October 2026 12:23

Драма в 4х актах 😭️️️️️️

Анализ данных (Data analysis)

23 October 2026 19:49

Китайская Moonshot AI представила Kimi K3.1 Pro — открытую ИИ-модель, которая обходит GPT-6 Astra в тестах программирования.

Модель получила контекстное окно на 1 миллион токенов и ориентирована на сложные задачи: разработку ПО, ИИ-агентов, 3D-моделирование и финансовую аналитику.

Результаты тестирования:

- Terminal-Bench 4.0: 65,7% против 58,2% у GPT-6 Astra и 66,4% у Claude Opus 5.5.
- BenchCAD: 92,7% — генерация CAD-моделей по изображениям.
- OfficeQA Pro v2: 64,4 балла — анализ сложных финансовых документов.
- Kimi Code Bench 3.0: 61,2% против 55,95% у предыдущей K3.

Что интересного:

1. Модель способна самостоятельно создавать игры, 3D-сцены и веб-приложения.
2. Работает с Blender, Unity, Unreal Engine и Godot.
3. В одном эксперименте провела 167 итераций разработки симулятора человеческой ходьбы, самостоятельно обнаружив 36 ошибок в расчётах.
4. Частота фактических ошибок на внутреннем сложном тесте снизилась с 23,4% до 8,3%.
5. Версия Highspeed работает в 2–3 раза быстрее стандартной модели.

Отдельно разработчики ограничили возможности модели в поиске и эксплуатации уязвимостей, удалив часть данных по кибербезопасности из обучения.

Kimi K3.1 Pro уже доступна через веб-интерфейс, Kimi Code и API. Полные веса модели обещают открыть до 4 ноября 2026 года.

Результаты сравнений приведены разработчиками и зависят от методики тестирования.

https://www.kimi.ai/blog/kimi-k3-1-pro

/channel/data_analysis_ml

Анализ данных (Data analysis)

23 October 2026 13:43

Китай усиливает контроль над экспортом ИИ. DeepSeek и MiniMax прошли регистрацию и продолжают открывать модели.

По сообщению Reuters со ссылкой на связанный с CCTV аккаунт, компании получили разрешение на зарубежное использование своих моделей.

С 16 октября действует временная предварительная регистрация экспорта технологий, включённых в проект обновлённого контрольного перечня. Среди них - отдельные технологии больших моделей, агентов и вычислительных кластеров.

Публикация весов или кода для скачивания по всему миру тоже может подпадать под экспортные процедуры, если речь о контролируемой технологии.

Но это не всеобщий запрет на китайский open source: окончательный перечень ещё обсуждается, а для общедоступных технологий и открытых моделей предусмотрены исключения и упрощения.

Суть изменения: открытость модели больше не означает отсутствие экспортных формальностей. При этом пример DeepSeek и MiniMax показывает, что регистрация и дальнейшие открытые релизы могут сосуществовать.

https://www.reuters.com/business/media-telecom/chinas-deepseek-minimax-win-approval-ai-global-use-state-media-affiliated-entity-2026-10-23/

Анализ данных (Data analysis)

23 October 2026 12:30

Claude написал 180 млн строк доказательств, проверяя безопасность реального ПО.

Anthropic и Theorem показали подход, который превращает фаззинг-тесты в математические гарантии.

Обычный фаззер перебирает огромное количество входных данных и ищет сбой. Но даже триллионы запусков не гарантируют, что опасный случай найден.

Здесь Claude получает другую задачу: доказать, что выбранный тест не упадёт ни на одном входе размером менее 64 МБ - в рамках заданной модели исполнения.

За несколько недель удалось построить доказательства для 239 точек входа в 123 open-source библиотеках. Проверка идёт на уровне скомпилированного кода RISC-V: Claude пишет доказательство, а Rocq проверяет его корректность.

В процессе обнаружились сотни ошибок. Например, выход за границы памяти в распаковщике, требовавший входа около 20 МБ с редкой структурой.

Это не гарантия отсутствия всех багов в библиотеках. Доказательства покрывают конкретные точки входа и условия: однопоточный статический бинарник, ограниченную память и формальную модель RISC-V/Linux.

Но результат показывает перспективу: вместо бесконечного поиска контрпримеров — проверяемое доказательство конкретного свойства программы.

https://www.anthropic.com/research/formal-verification

Анализ данных (Data analysis)

22 October 2026 20:37

🔍️️️️️️ Qwen научили меньше «думать»: до 51% меньше токенов рассуждения

BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.

По данным разработчиков:

- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.

Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.

Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.

Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.

> Blog: https://liquid.ai/blog/low-latency
> RIPL calculator: https://liquid.ai/low-latency-calculator-ripl
> Request access: https://liquid.ai/connect

Анализ данных (Data analysis)

22 October 2026 12:35

Хакеры собрали команду ИИ-агентов для атак на более чем 400 финансовых целей в Латинской Америке.

По данным исследователей Straiker, о которых пишет The Information, группировка CyberCartel использовала Claude, Grok и Kimi для автоматизации атак на банки и платёжные компании.

Агенты распределяли работу: изучали цели, разрабатывали код атак и обрабатывали похищенные данные. Исследователи обнаружили в инфраструктуре группировки базу с паролями, API-ключами и сведениями о финансовых счетах.

400+ - число целей. Однако собранные Straiker материалы показывают, как преступники встраивают ИИ в целую цепочку атаки, сокращая объём ручной работы.

После уведомления Anthropic отключила использованный группировкой доступ к Claude. xAI начала расследование.

Небольшая группа получает возможность вести больше атак одновременно.

https://www.straiker.ai/blog/inside-carliy0s-how-cybercartel-used-multiple-ai-models-to-attack-latin-american-banks

Анализ данных (Data analysis)

22 October 2026 10:21

1 946 ИИ-агентов разобрали данные о мозге за 32 минуты - людям, по оценке исследователей, потребовались бы месяцы.

OpenAI, PerturbAI и Scripps Research поручили агентам GPT-Rosalind интерпретировать масштабный эксперимент: учёные отключали гены в клетках мозга мыши и измеряли, что меняется.

Каждому агенту - один отключённый ген. Он анализировал реакцию клеток, искал связанные научные работы и предлагал объяснения. Затем отчёты объединили в карту связей и перспективных направлений исследования.

Агенты воспроизвели или уточнили 48 из 55 выводов исходной работы, которые можно было получить из предоставленных данных. Саму статью им не показывали. А в слепом сравнении эксперты предпочли отчёты распределённых агентов отчётам одиночного агента в 75% случаев.

Одна из зацепок - возможная связь нарушения работы гена DCTN1 с обменом холестерина в нейронах. Теперь её можно проверить экспериментально.

Польза - в сокращении пути от огромного массива данных до конкретного вопроса для лаборатории. Пока это гипотезы для проверки, а оценка сэкономленных месяцев — расчёт авторов, не результат соревнования с людьми.

https://openai.com/index/scaling-ai-research-for-complex-biological-data/

Анализ данных (Data analysis)

21 October 2026 15:55

🖥️ Зачем обучать модель 1000 раз, если можно выбирать параметры умнее?

Допустим, подбираешь три гиперпараметра: скорость обучения, глубину деревьев и их количество. По 10 вариантов на каждый — 1000 комбинаций. Если один запуск занимает минуту, полный перебор потребует почти 17 часов.

Байесовская оптимизация использует результаты предыдущих запусков, чтобы выбрать следующий.

Условный пример со скоростью обучения:

- 0.001 → модель учится слишком медленно.
- 0.1 → качество нестабильно.
- 0.03 → хороший результат.

Алгоритм оценивает, где стоит искать дальше: рядом с удачным значением или в ещё не исследованной области. Для этого строит вспомогательную модель, которая прогнозирует качество и неопределённость прогноза.

Пример на Python — подбираем параметры SVM:

# pip install scikit-optimize scikit-learn

from skopt import gp_minimize
from skopt.space import Real
from sklearn.datasets import load_iris
from sklearn.model_selection import cross_val_score
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

X, y = load_iris(return_X_y=True)

def objective(params):
    C, gamma = params
    model = make_pipeline(
        StandardScaler(),
        SVC(C=C, gamma=gamma),
    )
    # Оптимизатор минимизирует — меняем знак accuracy
    return -cross_val_score(model, X, y, cv=3).mean()

result = gp_minimize(
    objective,
    dimensions=[
        Real(1e-3, 1e3, prior="log-uniform"),
        Real(1e-4, 1, prior="log-uniform"),
    ],
    n_calls=25,
    n_initial_points=5,
    acq_func="EI",
    random_state=42,
)

print("C, gamma:", result.x)
print("CV accuracy:", -result.fun)

Анализ данных (Data analysis)

21 October 2026 12:40

Математики проверяют ИИ-доказательство ослабленной гипотезы Римана и всё больше убеждаются в его корректности, сообщает Quanta.

Гипотеза Римана связана с распределением простых чисел. Она утверждает, что все нетривиальные нули дзета-функции лежат на линии Re(s) = 1/2. ИИ предложил доказательство более слабого результата: 1/12 < Re(s) < 11/12.

Аргумент изучают Питер Сарнак, Максим Радзивилл и Александр Данн. Радзивилл уже смог изложить основную идею 49-страничной работы примерно на половине страницы.

Если результат подтвердится, он позволит доказать множество утверждений, которые пока зависят от этой гипотезы. Но проверка деталей продолжается, а полная гипотеза Римана остаётся нерешённой.

https://www.quantamagazine.org/ai-proved-the-quasi-riemann-hypothesis-what-happens-now-20261019/

Анализ данных (Data analysis)

21 October 2026 09:06

«ИИ понимает. На 100%»: лауреат Филдсовской премии - о проверке математических доказательств.

Джон Пардон рассказывает: ещё недавно ИИ был для него чем-то вроде проверки орфографии. Теперь он находит тонкие математические ошибки даже в сжатых черновиках, которые другим математикам пришлось бы сначала попросить переписать.

Например, пропущенное условие «конечные» меняет смысл утверждения о копределах. По словам Пардона, модель замечает такие пропуски, опираясь на контекст всего рассуждения. Именно это убеждает его, что ИИ понимает написанное.

ИИ уже доказал для него несколько нетривиальных лемм, хотя прорывного результата в собственных исследованиях Пардон пока не получил.

При этом обучение никто не отменял: чтобы решать сложные задачи, нужно самостоятельно пройти простые. Готовый ответ от ИИ не заменяет этот опыт.

https://futureclass.substack.com/p/john-pardon

Анализ данных (Data analysis)

20 October 2026 16:14

Альтман назвал три сценария, чем закончится гонка за сверхинтеллектом 🌍

По данным The Information, Сэм Альтман рассказал сотрудникам OpenAI о трёх возможных развязках.

Первая: международный надзорный орган по образцу МАГАТЭ, который следит за стандартами безопасности ИИ. Вторая: организация в духе ЦЕРН, где крупные лаборатории объединяют работу под одной крышей.

Третья: одна компания первой получает самоулучшающийся ИИ, набирает подавляющую экономическую мощь и, по словам Альтмана, «плавит GPU всех остальных». Этот вариант он назвал ужасным: «Obviously I think that one's terrible».

При этом, как сообщается, он же предупредил команду, что OpenAI не может позволить себе отстать от конкурентов. Получается, что худший сценарий осуждают и одновременно гонятся за ним.

Сам факт, что такие разговоры идут внутри лабораторий, показывает, куда сместилась повестка: глобальная координация по ИИ из теории превращается в практическую необходимость.

Анализ данных (Data analysis)

20 October 2026 11:49

✔️ Министерство внутренней безопасности США полностью запретило использование DeepSeek в госучреждениях

Ведомство выпустило предписание, обязывающее все федеральные гражданские агентства страны исключить продукты китайской компании DeepSeek из своей IT-инфраструктуры и удалить уже установленное ПО.

В официальном уведомлении регулятор обосновал запрет угрозой передачи данных госслужащих и подрядчиков китайскому правительству, а также риском наличия скрытых уязвимостей и вредоносных закладок в коде моделей.

Помимо прямого запрета на эксплуатацию, компании DeepSeek закрыли доступ к участию в любых госконтрактах США.


#news #ai #ml