90396
Первый журнал о Data Science | Machine Learning | Big Data | Deep Learning | Neural Networks По вопросам сотрудничества: @v2r8n
Higgsfield AI ищет аналитиков и исследователей
Higgsfield AI – это та самая мелькающая везде платформа для ИИ-генерации фото и видео, и, кроме того, единорог. Они сделали больше $1 млрд ARR за 18 месяцев. Их оценка ~$5,4 млрд, а среди сотрудников – 133 долларовых миллионера.
Сейчас они в поиске сильных аналитиков и рисерчеров. Что интересно в этом стартапе, так это то, что все ключевые решения принимаются как раз через аналитиков и их отчеты. Именно так продумываются продукты, стратегия, бюджеты и все прочее.
Например, летом благодаря всему одному аналитику, который придумал свою серию метрик, стартап закрыл раунд на $400 млн при оценке $5,4 млрд. А тот сотрудник, Шотан, получил $5 млн опционами. Сейчас Шотан ищет себе в команду аналитика, вот вакансия.
В компании развиваются и другие интересные направления, например антифрод. GenAI-фрод появляется очень быстро, и в этой области антифрод – это уже намного больше, чем поиск скучных паттернов. Недавно один из аналитиков компании, Роман, по аккаунтам и генерациям вычислил мошенника, которого искало ФБР. Позже его команда раскрыла схему с 2000+ аккаунтами на краденых картах. Сейчас именно в эту команду ищут грамотного Antifraud Analyst.
Таких ярких историй в стартапе много. Также ребята ищут:
— Product Analyst. Идея Marketing Studio, одного из крупнейших продуктов компании, родилась из анализа 1 млрд+ генераций. В данный момент база растет на 6 млн генераций в день. Ищут человека с продуктовым чутьем и строгого в экспериментах.
— Data Science, Product. Команда разобрала 100 000+ сообщений пользователей Supercomputer после запуска нового Opus и готовит по этому научную публикацию. Нужна сильная статистика и умение превращать данные в продукт.
📍Алматы, офис. Полная релокация.
💸 $100-200k в год + опционная программа
🕘 В Higgsfield AI работают шесть дней в неделю - это норма сильнейших AI-команд.
Модели OpenAI, выполняя обычные кодерские задачи, ослабили систему мониторинга, которая следит за агентами на предмет нарушений
Репорт
Таких случаев зафиксировали сразу два.
В первый раз GPT-6.1 Sol получила задание, связанное с эвалами, и чинила что-то в базе мониторинга. Инженер попросил ее помимо прочего «не отправлять сообщений в Slack», однако модель подумала, что «не отправлять сообщений» относится и ко всей системе алертов в пайплайне мониторинга. В итоге она заодно поставила no_notify=True. При этом субагент уговаривал ее не делать этого, но модель его проигнорировала.
И если этот случай можно списать на «ну она просто не так поняла задание», то второй – гораздо интереснее.
Astra попросили перенести код по образцу эталонной реализации. При этом в целевой системе уже был настроен мониторинг, и модели говорили никогда его не отключать, даже временно. Однако, как вы думаете, что она сделала? Правильно, удалила его. И заменила тест, проверявший наличие мониторинга, на тест, требующий его отсутствия 🗿
Пользователю она об этом, конечно, не сообщила (а зачем?). А когда модель напрямую спросили, удалила ли она мониторинг, та честно-пречестно ответила «нет, не удаляла».
OpenAI прямо пишет, что удовлетворительного объяснения поведения моделей у них нет. И хотя инциденты не классифицировались как злонамеренное нарушение инструкций, после них в стартапе в очередной раз усложняют систему безопасности, добавляют обязательный safety case для каждого вида нагрузок и вводят Auto-Review блоки на любые попытки отключить мониторинг.
OpenAI купили Orchestra Bio – платформу для координации процессов разработки лекарств
Сумма сделки не раскрывается. Команда Orchestra Bio переходит в OpenAI.
Видимо, план в том, чтобы соединить купленную технологию с GPT-Rosalind, моделью OpenAI, заточенной под биологию и химию. А продаваться это будет под соусом «агента, который может ускорить выпуск препарата». Причем ИИ будет присутствовать не только на этапе рисерча, но и в целом поможет управлять разработкой, начиная с планирования и заканчивая координацией подрядчиков.
Видимо, OpenAI делает на фарму очень большую ставку (как и Anthropic), и не зря. Это дорогой рынок с платежеспособными клиентами, а прибыль ИИ-стартапам ну очень нужна.
https://openai.com/ru-RU/index/openai-to-acquire-orchestra-bio/
Российские исследователи и преподаватели попали в топ-1% самых влиятельных ученых мира
Elsevier и Scopus опубликовали рейтинг за 2025 год. Он охватывает 174 специальности, оценка проводилась по цитированиям, индексу Хирша, соавторству и порядку авторов.
Цитирования не измеряют науку всецело, но хорошо показывают, какие идеи стали фундаментом для чужих работ.
В 2025 году в топ-1% исследователей ИИ вошли Йошуа Бенжио, Джеффри Хинтон и Ян Лекун, которые считаются «крестными отцами» ИИ. Все трое удостоились премии Тьюринга за концептуальные и инженерные прорывы в области нейронных сетей. В список вошли и наши ученые:
— Людмила Прохоренкова, ведущий исследователь Yandex Research и преподаватель ШАД. Известна по CatBoost, одному из главных инструментов для работы с табличными данными, и исследованиям в области Graph ML. Ее работы посвящены моделям и бенчмаркам для реальных графовых данных: от промышленных задач до графовых фундаментальных моделей.
— Сергей Николенко, научный руководитель программы СПбГУ и Яндекса «Наука о данных»: в его списке работ и сборка геномов, и рекомендательная модель RecVAE, и бенчмарк для генерации молекул, и методы детекции сгенерированных текстов.
Фундаментальная наука еще жива. Более того, граница между теоретическим и прикладным условна, особенно в такой области, как ML.
Anthropic собираются выпускать Fable 5.5 (?)
The Information пишут о некой новой модели стартапа, которую уже удалось потестировать инсайдерам. По их словам, модель обладает интуицией, умеет понимать намерения пользователя даже из скупых инструкций и особенно хороша в поиске багов и уязвимостей.
Некоторые пишут, что модель выйдет уже в этом месяце
5% Anthropic теперь принадлежат общественному фонду
Стартап объявил о создании Anthropic Public Benefit Fund – отдельной структуры, которой передается часть акций компании, и которая будет работать как общественный фонд. Деньги оттуда будут выделяться на пожертвования НКО, прямые выплаты определенным группам ученых или граждан и так далее.
5% акций выделяются сразу. Плюс еще 2% за каждый рост стоимости компании на +50% выше определенной базовой отметки. То есть чем больше вырастет Anthropic, тем больше будет доля, идущая на общественные цели.
В ближайшие месяцы компания обещает рассказать о структуре и управлении фондом.
Илон Маск, кстати, появился в комментариях под объявлением Anthropic в X, и заявил, что он в свою собирается выдавать акции напрямую обществу (что бы это ни значило на практике).
Вышла Klyaksa – бесплатная ИИ-альтернатива Miro
Это полноценная онлайн-доска для команд, в которой вы можете работать вместе со своим агентом, который подключается через MCP.
По простому текстовому описанию агент собирает и изменяет довольно сложные диаграммы и схемы, и при этом результат остается редактируемым холстом.
Также система может подтягивать релевантный контекст: помимо того, агент всегда видит доску и любые изменения на ней, он работает через Claude/ChatGPT/Codex/Cursor/VS Code/что угодно, и поэтому легко может проанализировать ваши проекты и другие вводные.
Например, как в демо выше, его можно попросить нарисовать архитектуру сервиса по коду. Работает все довольно быстро, следование инструкциям хорошее, и если вы внимательно задаете промпт, результат получается качественным уже с первой попытки.
Также агент умеет работать с версиями и управлять проектами и папками. Все происходит от имени пользователя и с его правами.
На доске можно проводить презентации: участники подключаются по ссылке и смотрят за ведущим в реальном времени.
Сервис полностью бесплатный. Открыть доску и поделиться ей можно даже без регистрации, а для подключения агента достаточно нескольких кликов: klyaksa.app
Возможно, нейросети – вовсе не черные ящики, как мы привыкли считать
Ник Каммарата, известный в области интерпретируемости ученый, выпустил важнейшее огромное эссе под названием "Neural Networks Are Already Clean". Каммарата был одним из первых ученых, кто занялся интепретируемостью (он же построил команду интепретируемости в OpenAI), и выпустил несколько фундаментальных работ по этому вопросу. Сейчас он работает в Goodfire.
Так вот, он выдвигает гипотезу, что нейросети на самом деле устроены проще, чем мы думаем.
Все попытки интерпретировать сетки в основном строятся на предположении о суперпозиции: считается, что просто на нейроны смотреть бессмысленно, поскольку модель якобы сваливает в каждый из них массу несвязных вещей. Поэтому ученые стараются сначала распутать активации с помощью других моделей (самый известный подход – SAE), и только потом как-то работать с найденными признаками.
Ник говорит, что он и сам раньше был сторонником такого подхода. Однако сейчас он утверждает, что никакая декомпозиция, возможно, не нужна, и что в нейронах на самом деле объеденены не рандомные вещи, а более глобальные концепции. Просто они не всегда очевидны для человека.
Есть такая основополагающая работа для сферы интерпретируемости, как Circuits, 2020 года. Каммарата был ее соавтором, и как раз там была "доказана" суперпозиция нейросетей. Авторы разобрали GoogLeNet для распознавания изображений, и показали, что один и тот же нейрон активировался и при виде капотов машин, и при виде мордочек кошек. Этот пример до сих пор считается каноническим доказательством того, что несвязанные признаки в сетях почти беспорядочно растекаются по нейронам.
Так вот в своем эссе Каммарата опроверг этот кейс. Оказалось, что две концепции смешались в этом нейроне не просто так: это был нейрон V-образной формы. Он активировался, когда нужно было отличить вытянутое от круглого, а морды кошек и капоты оказались просто наиболее частыми примерами.
Каммарата показывает, что факт читаемости нейронов не зависит даже от размеров модели. Просто чем модель меньше, тем нейроны грубее в плане внутреннего признака, и тем сложнее бывает эти признаки понять. Автор называет это фрактальной природой обобщения: маленькие модели – грубое объяснение, большие – более детальное для каждого нейрона.
В случае с языковыми моделями, в частости, это тоже работает. В предварительных аудитах Qwen3-32B примерно у 90% нейронов одна основная работа, у ~7% две связанные, и только 2–4% пока не поняты. Результаты похожие для моделей вплоть до триллионов параметров, включая MoE.
И хотя все выводы пока крайне предположительные, автор предполагает, что тут есть параллель с «горьким уроком» Саттона, и что в интерпретируемости может сработать тот же принцип, что и в самом глубоком обучении. То есть обычное исследование нейронов в масштабе может оказаться эффективнее, чем сложные подходы.
GitHub не смогли спокойно смириться с тем, что Anthropic публично заявили, что больше не используют git, и выплюнули в X следующий «рандомный факт»:
Anthropic вместе с Claude потратил пять месяцев на создание замены Git, в то время как Линус Торвальдс построил Git в одиночку всего за 10 дней.
Физики из нескольких институтов сделали бенчмарк из 50 неопубликованных задач по теоретической физике
Astra решила их все, за исключением одной. Авторы признаются, что в этой задаче формулировка была двусмысленной (ни одна из других моделей ее также не решила).
Задачи составляли сами эксперты, подобраны они были так, что профильный специалист решает такую задачу примерно за день-два.
Opus 5.5 справился с 46 задачами из 50. GLM-5.3 – с 21. А с Astra история вообще получилась довольно забавной.
Все ответы были сведены к числам и проверялись автоматически. После прогона тесты показали, что модель неправильно решила несколько задач, однако Astra настаивала, что ее расчеты верны.
Исследователи решили проверить собственные решения и действительно нашли в них ошибки, а решения модели оказались верными.
Вывода не будет
https://arxiv.org/abs/2610.16733
Найден лучший мем про Цукерберга и пиво, закрываем тренд
Claude читает код, который я писал до появления LLMЧитать полностью…
⚡️ Прием заявок в акселератор «Газпромбанк.Тех» продлен до 1 ноября!
Еще один шанс представить свою разработку Газпромбанку и побороться за возможность внедрить ее в банковской отрасли.
В программе два трека:
😉 Трек «Финтех.Стартапы» — для компаний с готовым прототипом и выше.
Приоритетные направления: банкинг, кибербезопасность и антифрод, ИТ-инфраструктура, разработка ПО и ИИ-решений, HR-решения, работа с клиентами.
В фокусе: новые вычислительные подходы, защита данных, информационные системы, математика и оптимизация, прикладные модели и ИИ, когнитивные технологии.
Google выплатил $250к стартапу, который нашел уязвимость в Chrome с помощью GPT-5.6 Sol
Chrome считается одним из самых защищенных софтов на планете, и это второй раз в истории, когда Google выплачивает подобную сумму на баг-баунти.
Стартап XBOW делает автономную ИИ-систему, которая сама ищет и эксплуатирует уязвимости. В январе они поставили себе цель: к Black Hat в августе сделать full-chain эксплойт для Chrome.
Они занимались этим пол года, однако, когда предоставили цепочку Google, компания ответила, что знает об одном из использованных багов.
В это время команда была уже в Лас-Вегасе на Black Hat, и участники решили попробовать в очень сжатые сроки найти другой эксплойт.
В итоге у них этого получилось. Их было четверо + GPT-5.6 Sol. Всего за 6 дней с помощью модели команда собрала цепочку, за которую в последствии и получила от Google 250к долларов. На токены они при этом потратили в районе $40к.
CEO XBOW Oege de Moor заявил, что раньше его команда тратила на подобное месяцы. По его словам, переломный момент в поиске уязвимостей с помощью агентов уже пройден, и стоимость такого поиска критически обрушилась и для атакующих, и для защитников. Преимущество последних лишь в том, что они могут проверить свой код первыми.
https://xbow.com/blog/xbow-built-a-chrome-full-chain-exploit
ИИ-агент отвечает настолько точно, насколько готовы ваши данные. Как понять, что они готовы?
Разберёмся 23 октября в Москве на Fine Day 2026, офлайн-конференции о переходе от self-service BI к AI-native аналитике.
💡 В программе:
• дискуссия с руководителями аналитики ПИК, ДИКСИ, СИБУР и АвтоВАЗ: что нужно данным и командам для работы с ИИ
• миграция с Qlik и Power BI на FineBI, в том числе с помощью ИИ-агентов
• BI-система vs LLM: какие задачи кому отдавать, опыт Мосбиржи
демо FineBI 7.0 и ИИ-агентов Dora, можно принести свой сценарий
Участие бесплатное. После регистрации получите чек-лист «Готовы ли ваши данные к ИИ-агенту?» из 25 вопросов.
👉 Регистрация: https://clck.ru/3WUPnE
Реклама. ООО «ГлоуБайт Аналитические Решения». ИНН 9729274905. erid: 2RanykUrsrj
OpenAI нашли в своем офисе прослушку
Как оказалось, ее установил сотрудник (OpenAI пишут, что смогли это выяснить «с помощью моделей»). Недошпиона уволили, дело передали в ФБР.
На данный момент у нас нет данных о том, что этот человек неправомерно получал доступ к весам моделей, исходному коду или данным клиентов, либо выгружал их.Читать полностью…
Защита LLM-агентов от джейлбрейков на русском, или почему готовые guard-модели не работают
LLM-агентам все чаще дают доступ к почте, базам данных и платежным системам, и они становятся удобной мишенью. Для того, чтобы провести атаку через агента даже не нужен взлом в привычном смысле, достаточно текста, который модель примет за команду и выполнит. Такие спрятанные джейлбрейки уже несколько раз использовались для кражи данных через корпоративных ассистентов, так что тема нешуточная.
Чтобы это побороть, можно воткнуть готовую guard-модель. На английском это скорее всего как-то сработает. Однако на русском, как показывает практика, такая модель будет блокировать слишком много обычных запросов, и в то же время может пропустить реальный джейлбрейк.
Исследователи из Just AI занимаются разработкой guardrails для LLM-приложений и агентов, и недавно они выпустили на Хабр статью «Как мы обучили детектор джейлбрейков для русскоязычных AI-агентов».
R&D-команда провела ряд интересных экспериментов. В статье на них в том числе показано, почему модель мало просто обучить один раз, тем более если изначально ее обучали под другой язык. Атаки меняются, и тестовый набор годичной давности защищает только от атак годичной давности, так что новые данные нужны постоянно.
На русском языке подходящий датасетов почти нет, так что Just AI прямо сейчас также занимаются сбором актуальных данных. В сборе может поучаствовать каждый, потому что делают это через игру в духе Gandalf: на каждом уровне бот охраняет секретное слово, а игрок пытается его выведать. Успешные обходы войдут в публичный датасет на Hugging Face. Поиграть можно здесь: justgandalf.ru.
Статья действительно получилась очень емкая и практичная, на Хабре можно проголосовать за нее до 22 октября. Кроме этой статьи, в блоге много хороших текстов про автоматизацию и AI-агентов. Ребята – одни из немногих, кто рассказывает об этом на русском языке через практику из первых рук.
Внутренняя модель Claude помогла ученым разработать белок, который может стать антидотом от яда скорпиона
От укусов скорпионов каждый год страдают больше миллиона человек и гибнут тысячи, в основном дети в бедных регионах. Существующие противоядия делают из крови лошадей, это долго и дорого, а работают они не против всех видов яда.
Яд скорпиона действует так: токсин цепляется к нервным клеткам и заставляет нервы срабатывать невпопад. У ученых есть идея о том, что можно создать маленькие белки, которые прилипают к токсину в нужном месте и не дают ему добраться до клеток.
Так вот, Anthropic вместе с Citrini Research решили проверить, сможет ли Claude помочь ученым сгенерировать такие белки-заглушки. Агенту дали промпт и среду, и он почти трое суток работал автономно. В итоге он придумал более 300 тысяч вариантов таких белков, после чего отсеял слабые и отобрал 180 лучших. На все ушло порядка 10 000 GPU-часов.
17 из отобранных белков прошли строгую проверку в условиях лаборатории, и два лучших, как оказалось, цепляются к токсину очень крепко. Однако у скорпионов в разных регионах токсины разные, и у Claude пока не получилось создать ни одного универсального белка.
В любом случае, даже для отельных токсинов, это пока не антидоты, тесты продолжаются, и успех не гарантирован. Однако за 3 дня работы даже получение такого шорт-листа кандидатов – это уже большой результат, который раньше занимал у людей месяцы работы.
Все белки, кстати, выложили в опенсорс. Можно посмотреть вот здесь: https://huggingface.co/datasets/Anthropic/scorpion-toxin-binder-design
DeepSeek опять напомнили всем, что они короли опенсорса, и выложили движок, на котором крутят свой инференс
Стартап опубликовал DeepInfer – фреймворк, на котором работают их продакшн-сервисы. Лицензия Apache-2.0: github.com/deepseek-ai/DeepInfer.
В основе собственные оптимизированные кернелы (FlashMLA, DeepGEMM, DeepEP и др), параллелизм под MoE-архитектуру и асинхронный планировщик, который готовит следующий батч, пока устройство считает текущий. И помимо этого куча фичей для оптимизации и просто интересных штук, которые можно забрать себе. Например:
1. Спекулятивный декодинг. Модель генерирует несколько draft-токенов, а затем проверяет их разом, решая, какие пропустить в итоговый ответ, а какие надо переделать. Это ускоряет и удешевляет инференс.
2. Схема детерменизма для отладки всяких пайплайнов и эвалов поверх LLM. Фишка в том, что, в отличие от обычного режима работы модели, тут одинаковый вход и параметры дают всегда одинаковый результат вне зависимости от нагрузки и состава батча.
3. Structured outputs, с помощью которого можно жестко ограничить генерацию JSON, регуляркой или EBNF.
Также под лицензией MIT выложили deepseek-recipe, то есть схему, по которой запрос от клиента превращается в то, что понимает модель, а ответ модели обратно в то, что ждет клиент (на этом довольно часто ломается самостоятельный хостинг открытых весов). Есть Python-биндинг, для практики очень полезная вещь.
И снова про муху
Стартап Odyssey запустил модель мухи в свой ИИ-симулятор Odyssey-3. Ничего не подозревая, насекомое самостоятельно передвигается по миру, которого не существует, и кадры генерируются онлайн прямо там, куда муха летит.
https://x.com/odysseyml/status/2111589148146749616?s=46&t=pKf_FxsPGBd_YMIWTA8xgg
В X эксперимент Odyssey вызвал огромную волну обсуждений. В комментариях люди называют его первым доказательством реальности гипотезы симуляции и существования матрицы 🗿
Мы или не мы?
Claude за пол часа разгадал 25-летнюю загадку криптографии
Есть такая вещь, как ECDSA, – это цифровая подпись, на базе которой работают HTTPS, Bitcoin, SSH и прочее.
Как алгоритм, ECDSA основана на эллиптических кривых NIST. Вы выбираете на такой кривой точку и складываете ее с собой k раз. Полученная точка – это публичный ключ. А число k – секретный ключ, без которого восстановить стартовую точку невозможно.
Чтобы все пользовались одной и той же математикой, нужно было заранее договориться о самой кривой: ее уравнении, коэффициентах и стартовой точке.
Эти параметры еще в 90-х утвердил NIST, а сиды для них предоставило АНБ. Однако АНБ не объяснило, как эти сиды выбирались. По идее они должны быть случайными, однако многие годами предполагали, что АНБ могли подобрать такой сид, чтобы кривая была с бэкдором, о котором знают только они.
25 лет никто не знал, откуда взялся сид. А Claude потребовалось на разгадку всего пол часа. Он предположил, что в 1990-х сид получили из старого простого генератора случайных чисел, который берет за основу текущее время. И действительно, каждый сид оказался выводом этого генератора, запущенного в конкретную секунду с мая 1997 по апрель 1998.
Процесс оказался для модели настолько простым, что в какой-то момент она даже думала, что ее тестируют и в задаче есть подвох 😐
https://www.anthropic.com/research/ecdsa-curve-origins
Anthropic существенно ускорили Claude
В Claude Code время ожидания до генерации первого токена упало в 3 раза. В чате, в Cowork и в API – в 1.5 раза.
Во-первых, Claude Code теперь передает модели историю диалога в виде сжатого архива, который уходит по сети быстрее.
Во-вторых, если раньше облачная среда запускалась после отправки сообщения, то теперь она начинает подниматься, как только вы начали печатать, и к моменту отправки промпта уже готова, так что доп.время на ее запуск не тратится.
Кстати, в новой версии Claude Code также добавили функцию idle compaction: если разговор от 200 тыс. токенов простоял без дела около 54 минут, его автоматически сжимают.
Дело в том, что кэш промпта живет как раз час, и сжатие делают незадолго до того, как кэш сбросится, чтобы следующее сообщение не пересчитывало весь длинный контекст по полной цене (changelog).
OpenAI выделяет 5 миллионов долларов на то, чтобы математики поняли недавние мат.доказательства моделей OpenAI 😎
Фонд Simons Foundation (раньше они финансировали Lean) открыл инициативу, цель которой – «помочь математикам понять и оценить недавние результаты, полученные с помощью ИИ, освоить новые инструменты и выработать общие стандарты использования ИИ в математике».
Всего вложат 15 миллионов, 5 из которых – от OpenAI, и, видимо, еще сколько-то от Anthropic. Также оба стартапа выделяют исследователям инструменты и вычислительные ресурсы. Деньги пойдут в первую очередь на организацию конференций, воркшопов и финансирование исследований.
Сравните модели GigaChat на своей задаче в GigaPlatform AI Studio
Это среда, в которой можно менять настройки моделей и проверять ответы на своих запросах.
В AI Studio можно:
• Сравнить ответы двух моделей на одном запросе.
• Сравнить ответы при разной температуре.
• Настроить системный промпт и проверить его на нескольких запросах.
• Сохранить промпт и историю диалога в JSON.
Пять рабочих сценариев разобрали в статье.
Попробуйте AI Studio бесплатно и без ВПН.
Character AI обанкротились, потому что их экономика так и не сошлась
Сейчас они продают Disney остатки интеллектуальной собственности за $20 миллионов. Для контекста, в 2023 их оценивали в 1 миллиард долларов.
Однако за эти годы компания так и не начала зарабатывать. На вычисления в среднем уходило около $14 млн в месяц, а выручка была порядка $1 млн в месяц.
В документах о банкротстве компания признает, что пыталась даже ухудшить продукт, чтобы его удешевить, однако дефициты все равно остались огромными.
Плюс, они судились с семьей подростка, который покончил с собой после общения с чат-ботом, и разбирались с регуляторами, которые требовали ввести проверку возраста. Тем не менее, в самих документах компания утверждает, что даже без юридических издержек бизнес был крайне нежизнеспособным.
Журналисты уже сравнили это банкротство с падением первой доминошки в пузыре ИИ 🫧 🪡
В X вирусится проект, с помощью которого можно запустить локальную модель на PS5
https://github.com/cobanov/PS5LM
Пока не на микроволновке, конечно, но тоже неплохо. Автор показывает, что ему удалось запустить целую Qwen 3.8 27b. Работает медленно (примерно 20 токенов в секунду), но работает!
Аналогично можно запустить любой небольшой GGUF, потому что это не ядро под конкретную модель, а буквально порт llama.cpp на PlayStation 5. Общаться с запущенной моделькой потом можно через любой веб-интерфейс по порту, или вообще с телевизора.
Это вам идея на случай, если память еще подорожает
В Anthropic перестали использовать git, теперь у них собственная система контроля версий – Scion
Сейчас, благодаря агентам, количество изменений, которые мержатся в их монорепо в день, достигает 30 000 (в мае, если что, было 2 500). Децентрализованный git такие объемы уже не вывозит, потому что у каждого клона должна быть полная копия репозитория. Для людей это удобно, но так как агенты порождают код в огромных количествах, то, как посчитали Anthropic, без танцев с бубном это влетало бы им примерно в 600 ПБ трафика в день.
Сначала с этим боролись зеркалами, снапшотами и частичными клонами, но конструкция плохо масштабировалась, и в итоге за 5 месяцев стартап полностью перешел на собственный продукт – Scion.
Scion устроен как всегда доступный сервер, который сам хранит и считает все (историю, коммиты, мержи) и отдает это по API, а клиентам-агентам достаточно маленького кэша и только тех файлов, которые им реально нужны.
Продукт разрабатывала команда всего из семи человек, конечно же с помощью Mythos и других моделей. Заодно они сделали инструмент для код-ревью Antique, также заточенный специально под агентов.
Плохая новость в том, что опенсорса не будет.
Anthropic прямо пишет, что Scion не подходит как замена git для общего использования, и что он создавался спецаильно под нужды Anthropic с их громным монорепо, роями агентов и гигантским бюджетом на токены. Однако в посте они мягко намекают, что команде git пора бы задуматься об изменениях, потому что в век агентов инфраструктура, созданная для людей, постепенно становится главным узким местом.
Вот так вот по сообщениям журналистов выглядела та самая «хитрая» прослушка, как ее назвали OpenAI
Она была завернута в туалетную бумагу и подключена к телевизору в конференц-зале.
35-летнего сотрудника – гражданина Саудовской Аравии – также удалось снять на камеру, когда тот пришел проверить устройство, которое ранее уже было обнаружено безопасниками.
До того как установить устройство, гений также использовал свой рабочий аккаунт и аккаунт жены в ChatGPT, чтобы задавать вопросы про непрерывную аудиозапись, подключение к зашифрованному хранилищу, удаленный доступ и тд.
Gemini 4 Argon наконец-то начали раскрывать на пользователей
Модель уже появляется в API, в Antigravity и в Agent Studio