gonzo-обзоры ML статей

13 January 2026 00:51

Не будем тянуть с разбором:

Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models
Xin Cheng, Wangding Zeng, Damai Dai, Qinyu Chen, Bingxuan Wang, Zhenda Xie, Kezhao Huang, Xingkai Yu, Zhewen Hao, Yukun Li, Han Zhang, Huishuai Zhang, Dongyan Zhao, Wenfeng Liang
Статья: https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf
Код: https://github.com/deepseek-ai/Engram
Ревью: https://arxiviq.substack.com/p/conditional-memory-via-scalable-lookup

# TL;DR

ЧТО сделали: Представили Engram — модуль «условной памяти» (conditional memory), который внедряет огромные статические таблицы эмбеддингов N-грамм прямо в слои трансформера. Авторы отделили хранение знаний от нейронных вычислений и вывели закон распределения разреженности (Sparsity Allocation): замена примерно 20% параметров MoE (Mixture-of-Experts) на такие хеш-лукапы (lookups) значительно улучшает метрики как в задачах на знания, так и в сложном ризонинге.

ПОЧЕМУ это важно: Работа ставит под сомнение парадигму «all-neural». Доказано, что специализированные лукапы эффективнее механизмов внимания для статических паттернов (сущности, идиомы), что позволяет разгрузить головы внимания для реальных рассуждений. Более того, поскольку индексы поиска детерминированы, таблицы памяти можно выгрузить в RAM процессора (CPU) с ничтожной задержкой. Это открывает путь к масштабированию моделей далеко за пределы HBM видеокарт.

Подробнее: /channel/gonzo_ML_podcasts/2032

gonzo-обзоры ML статей

12 January 2026 14:28

Перплексия теперь не модно. Эпиплексия модно. Всё на благо ограниченных наблюдателей!

Epiplexity: Quantifying the Structural Value of Data for Bounded Observers
Marc Finzi, Shikai Qiu, Yiding Jiang, Pavel Izmailov, J. Zico Kolter, Andrew Gordon Wilson
Статья: https://arxiv.org/abs/2601.03220
Ревью: https://arxiviq.substack.com/p/from-entropy-to-epiplexity-rethinking

# TL;DR

ЧТО сделали: Авторы ввели понятие эпиплексии (epiplexity) — новую метрику из теории информации, которая оценивает объём структурной информации, доступной *вычислительно ограниченному* наблюдателю. В отличие от энтропии Шеннона или колмогоровской сложности, подразумевающих бесконечные ресурсы, эпиплексия явно учитывает конечность модели (программы) и процесса обучения (вычислений).

ПОЧЕМУ это важно: Этот фреймворк разрешает старые парадоксы, где теория противоречит практике глубокого обучения — например, почему детерминированные процессы (вроде симуляций или self-play) создают ценный сигнал. Практически это даёт строгую метрику для отбора данных: для предобучения важен не минимум финального лосса (энтропии), а максимум усваиваемой структуры (эпиплексии).

Подробнее: /channel/gonzo_ML_podcasts/2022

gonzo-обзоры ML статей

10 January 2026 15:12

Очень интересная работа сразу по множеству параметров.

Во-первых, очередной пример AI for Systems, где автомат находит решения лучше человека (в данном случае лучше по крайней мере равно быстрее, не жертвуя корректностью).

Во-вторых, сам юскейс агента интересен — ему надо работать с железом, про которое не знает базовая LLM, но это решается подачей агенту хорошей документации. Если вместо написания оптимизированных библиотек (cuBLAS, MIOpen) под каждый чих, мы будем приоритезировать исчерпывающую машиночитаемую документацию, то это интересный сдвиг сам по себе. И документация наконец станет объектом первого класса, и может наконец экосистема CUDA пошатнётся.

В-третьих, это ещё и интересная инфа про альтернативное железо. И про ускоритель MTIA интересно, и про то, что Triton перебил по количеству CUDA-ядра по крайней мере в одной экосистеме. Наверняка и у Гугла тоже CUDA ядра не на первом месте, а какой-нибудь Pallas.

Классный кейс, короче.

KernelEvolve: Scaling Agentic Kernel Coding for Heterogeneous AI Accelerators at Meta
Gang Liao, Carole-Jean Wu, Gaoxiang Liu, Hongsen Qin, Ying Wang, Yavuz Yetim, Jia Jiunn Ang, Xiayu Yu, Yihan He, Feng Shi, Zewei Jiang, Chunli Fu, Ruichao Xiao, Dianshi Li, Alicia Golden, Michael Kuchnik, Samuel Hsia, Zhou Fang, Abdul Zainul-Abedin, Ketan Singh, Sean Zhang, Noah Weller, Zach Marine, Wyatt Cook, Hongtao Yu, Wenyuan Chi, Barney Huang
Статья: https://arxiv.org/abs/2512.23236
Ревью: https://arxiviq.substack.com/p/kernelevolve-scaling-agentic-kernel

# TL;DR

ЧТО сделали: Исследователи из Meta представили KernelEvolve — фреймворк, который использует LLM и поиск по графу для автоматической генерации высокопроизводительных ядер на языке Triton (https://triton-lang.org/). Система применяет RAG (retrieval-augmented generation), чтобы подтягивать спецификации железа (NVIDIA, AMD и кастомные чипы MTIA от Meta), что позволяет оптимизировать как вычислительно тяжелые операции, так и задачи препроцессинга данных.

ПОЧЕМУ это важно: Это стратегический сдвиг в AI-инфраструктуре, отвязывающий архитектуру модели от ограничений железа. Система достигла 100% корректности на бенчмарке KernelBench (https://arxiv.org/abs/2502.10517) и показала ускорение до 17× относительно PyTorch в продакшене. Это доказывает, что агенты способны справиться с комбинаторным взрывом операторов и типов ускорителей, что критически важно для внедрения проприетарного кремния (MTIA), для которого у публичных LLM нет обучающих данных.

Подробнее: /channel/gonzo_ML_podcasts/1993

gonzo-обзоры ML статей

09 January 2026 15:51

А вот другой заход на то, что внимание и все эти огромные матрицы не нужны! Здесь переходим к спайкам и отказываемся от линейной алгебры в пользу Lookup таблиц.

Spiking Manifesto
Eugene Izhikevich
Статья: https://arxiv.org/abs/2512.11843
Код: https://github.com/izhikevich/SNN
Ревью: https://arxiviq.substack.com/p/spiking-manifesto

# TL;DR

ЧТО сделали: Юджин Ижикевич (легенда вычислительной нейробиологии) предложил новый фреймворк для спайковых нейросетей (SNN), который отказывается от симуляции мембранных потенциалов в пользу работы с векторами задержек (latencies). Идея заключается в маппинге относительного времени спайков (перестановок) на синаптические веса через таблицы поиска (LUT). Это позволяет полностью выкинуть перемножение матриц (MatMul) из цикла инференса, эффективно «компилируя» архитектуры глубокого обучения — включая трансформеры и RNN — в набор разреженных, эффективных по памяти обращений к таблицам.

ПОЧЕМУ это важно: Подход атакует главное бутылочное горлышко современного ИИ: вычислительную сложность O(N^2) и затраты памяти на плотные матричные операции. Используя комбинаторный взрыв вариантов порядка спайков (n! состояний) вместо линейной емкости векторных пространств, архитектура демонстрирует теоретическое снижение требований к пропускной способности памяти в 10 000 раз и значительно более быструю сходимость. Это открывает путь к запуску логики уровня LLM на железе с потреблением в милливатты.

Подробнее: /channel/gonzo_ML_podcasts/1975

gonzo-обзоры ML статей

08 January 2026 13:54

Заменяем тензорный лифтинг на геометрические методы. Очередной заход на замену квадратичного внимания на линейное не-внимание.

Attention Is Not What You Need: Grassmann Flows as an Attention-Free Alternative for Sequence Modeling
Zhang Chong
Статья: https://arxiv.org/abs/2512.19428
Ревью: https://arxiviq.substack.com/p/attention-is-not-what-you-need
Код: отсутствует
Модель: отсутствует

# TL;DR

ЧТО сделали: Автор представил архитектуру Causal Grassmann, заменяющую стандартный механизм self-attention размером L × L на слой геометрического смешивания. Вместо вычисления глобальной матрицы весов, модель проецирует скрытые состояния в низкоразмерное пространство, рассматривает пары токенов как 2D-плоскости на многообразии Грассмана и кодирует их взаимодействие через координаты Плюккера.

ПОЧЕМУ это важно: Работа ставит под сомнение догму о необходимости мягкого внимания (soft attention) для моделирования последовательностей. Ограничение взаимодействий конечномерным многообразием Gr(2, r) позволяет достичь линейной сложности O(L) и предлагает путь к математически обоснованной интерпретируемости, уходя от непрозрачного «тензорного лифтинга» (tensor lifting), свойственного трансформерам.

Подробнее: /channel/gonzo_ML_podcasts/1970

gonzo-обзоры ML статей

06 January 2026 20:37

Адаптировали локальный алгоритм обучения Forward-Forward от Хинтона к свёрточным сетям. Не скажу, что сама идея вплетать метку в исходные данные меня зажигает, мне кажется это далеко от реальности и скорее всё равно должен быть какой-то сигнал сверху, пусть и без бэкпропа. Но всё равно интересный движ.

Training convolutional neural networks with the Forward–Forward Algorithm
Riccardo Scodellaro, Ajinkya Kulkarni, Frauke Alves, Matthias Schröter
Статья: https://www.nature.com/articles/s41598-025-26235-2
Код: https://doi.org/10.5281/zenodo.11571949 (но его там нет)
Ревью: https://arxiviq.substack.com/p/training-convolutional-neural-networks

# TL;DR

ЧТО сделали: Авторы успешно адаптировали алгоритм Forward-Forward (FF) Джеффри Хинтона, изначально созданный для полносвязных сетей, под свёрточные нейросети (CNN). Главная фишка — «пространственно-распределённая разметка» (spatially-extended labeling). Идея в том, чтобы «впекать» информацию о классе прямо в изображение (через частотные узоры или деформации), позволяя локальным фильтрам видеть метку в любой точке картинки.

ПОЧЕМУ это важно: Это решает главную архитектурную проблему обучения без обратного распространения ошибки. Классический FF кодирует метку локально (например, one-hot пиксели в углу), что ломается в CNN, где веса общие, а рецептивные поля локальны. Работа доказывает, что CNN могут обучаться через максимизацию локальной метрики goodness даже на сложных данных, что открывает дорогу к энергоэффективному обучению на нейроморфном железе.

Подробнее: /channel/gonzo_ML_podcasts/1952

gonzo-обзоры ML статей

06 January 2026 00:37

#2026+

Про прошедший год написал, дайте теперь помечтаю про будущее. Краткосрочное, на ближайший год или чуть дальше. Я думаю, мой список несколько сверхоптимистичный, так что считайте его моим wishful thinking list если угодно.

🤖 Физические роботы

С колёсными доставщиками уже давно всё хорошо (мы ещё в 2017-18 были в акселераторе Berkeley SkyDeck в одном батче с Kiwibot, машинки которых разъезжали по городу и вполне успешно работали и строили глазки прохожим, а сейчас вообще этим никого уже не удивишь). Но есть ещё андроиды и прочие фелиноиды. У них количество начнёт переходить в качество. Андроид для дома останется слишком дорогой игрушкой, а вот фелиноид или каноид может стать вполне разумной.

🌍 World models

Понемножку начнут себя показывать лучше традиционных подходов на практике в отдельных областях. Будут какие-нибудь вообще улётные research демонстрации с заделом на интерактивные миры нового типа, в играх или других развлечениях. Появится какой-нибудь движок, сочетающий классический детерминизм и нейрогенерацию. Ожидаю, что будет развиваться параллельная ветвь внутри моделей мира, построенная не на LLM или какой-то иной FM (Foundation Model) сверху-вниз, а растущая снизу-вверх через embodiment.

🔬 Ускорение науки

Где-то за пределами чистой computer science появятся первые стабильные результаты по ускорению какой-то части научного процесса, так что это будет выражаться в смене экспоненты для тех, кто этим владеет. Может оно и уже появилось, не удивлюсь.

🐋 Язык животных

Продвинемся в понимании одного из языков животных. Наиболее вероятно с китообразными, там уже были интересные результаты в прошлом году (нашли аналоги гласных и дифтонгов), но может и с кем-то другим, например, из врановых. Про двунаправленное взаимодействие пока рано говорить.

🐉 Китайский AI

Будут фигачить и дальше и подтягивать своё железо. Вообще, всё чаще вспоминаю условный биполярный по оси запад-восток мир из фильма The Creator. Не то чтобы какой-то особенно хороший фильм, но что-то мне кажется они уловили верно. Вообще, не про фильм, но слушайте поэтов, они раньше других начинают ловить суть вещей. За это их правящие круги и гоняют обычно.

⚙️ Production-level agents with 3 nines

Год надёжных агентов и богатых интеграций. Лучше научимся собирать агентов с предсказуемым качеством и запускать их в продакшн с надёжностью 99.9%. Вырастет более развитая инфраструктура и тулы. Появится сколько-то больших стартапов про эту экосистему.

🧠 Когнитивные архитектуры

Старый термин, но он возрождается и перерождается. Если на уровне продакшна будет движение к надёжности, то на уровне исследований и экспериментальных frontier-приложений будет движение в сторону поиска правильных для задачи когнитивных архитектур. Соревноваться между собой будут не отдельные LLM, у них уже почти случилась коммодитизация, а системы с LLM в качестве одного из элементов. Оркестрация, иерархия памяти, декомпозиция целей и контроль требований, контуры обратной связи -- лучшие наработки будут переноситься в продакшн.

👤 Агенты для простых смертных

Пока все агенты в основном были для бизнеса, узких кругов типа программистов, либо демонстрация возможностей неприменимая на практике. Пора начать появляться агентам, работающим на благо конечного среднего юзера -- решать его локальные day-to-day задачи по организации дел, покупок, логистики, работе с информацией. Текущие GPT/Claude/Gemini в принципе уже многое могут, особенно с правильными интеграциями, но ещё слишком много frictions.

🎬 Видео генерация

Ну уже всё. Соцсети и мессенджеры завалит AI слопом, он ещё и будет под вас персонализирован.

💻 Локальное железо

Запуск нормальных ллм on the edge где-то уже рядом. Спектр -- от домашних серверов до ноутбуков и телефонов, модели там конечно будут разного размера. Для меня поворотной точкой будет такая, когда ходить в условную GPT станет не нужно, для большинства локальных задач будет хватать локально развернутого условного Qwen.

gonzo-обзоры ML статей

05 January 2026 12:58

Забористая штука! Предлагают подход к созданию искусственных сред (или игр) с детерминированной сущностной компонентой и стохастической выразительной. Лучше всего полистать примеры на сайте сначала.

Web World Models
Jichen Feng, Yifan Zhang, Chenggong Zhang, Yifu Lu, Shilong Liu, Mengdi Wang
Статья: https://arxiv.org/abs/2512.23676
Код: https://princeton-ai2-lab.github.io/Web-World-Models/
Ревью: https://arxiviq.substack.com/p/web-world-models

# TL;DR

ЧТО сделали: Представили Web World Model (WWM) — гибридную архитектуру, разделяющую состояние среды на два слоя: детерминированный слой «Физики», работающий на стандартном веб-коде (TypeScript/JSON), и вероятностный слой «Воображения», синтезируемый LLM. Через серию реализаций — от бесконечных процедурных галактик до карточных игр и клеточных автоматов — авторы показали, как создавать согласованные и фактически бесконечные миры без огромных баз данных и склонных к галлюцинациям сквозных (end-to-end) генеративных моделей.

ПОЧЕМУ это важно: Работа закрывает «недостающее звено» между жесткими, конечными веб-приложениями и неконтролируемыми, полностью генеративными моделями мира (наподобие World Models, https://arxiv.org/abs/1803.10122). Рассматривая современный веб-стек как нейро-символьный субстрат, авторы предлагают практический план развертывания долгоживущих агентов, способных исследовать бесконечные пространства состояний, сохраняя при этом структурные гарантии, необходимые для игровой механики и надежности ПО.

Подробнее: /channel/gonzo_ML_podcasts/1929

gonzo-обзоры ML статей

05 January 2026 00:02

Много работ, где к нейросеткам добавляют эволюцию, в частности где LLM управляет этой эволюцией. Сходу вспоминается AlphaEvolve, ShinkaEvolve, Gödel Agent, GEPA, OpenEvolve и DeepEvolve.

DeepResearch вообще стал коммодити. И готовых имплементаций уже навалом, и через API можно использовать уже, тот же гугловый.

9. Media generation on the rise

Генерация картинок и видео за этот год очень прокачалась. Sora и Sora 2, Veo 3 и прочие генерят очень неплохо. У меня в ленте фейсбука уже довольно много AI-generated видео, не про все легко понять, что они ненастоящие. Началось, короче.

В нише для взрослых и не очень, похоже, тоже всё процветает, генерация полуодетых девушек на потоке; видел, что появились приложения про виртуальных подружек.

В генерации картинок в целом уже было всё довольно хорошо, но по мне так Nano Banana Pro знатно продвинула всё вперёд, такой хорошей работы с текстом я до неё не встречал. Теперь у нас есть комиксы, хоть они вас, возможно, и достали 🙂

10. Model welfare

Слово года для меня. Подробнее тут: https://www.anthropic.com/research/exploring-model-welfare

X. What else?

Убийцы трансформеров не появилось, зато гибриды трансформеров и мамбы (и всяких других SSM-подобных штук) продолжают плодиться. KAN’ы из прошлого года как-то сильно пока никого не потеснили, но где-то локально вроде используются. Какую-то новую архитектуру сложно назвать, из условно прикольного были Tversky Neural Networks, но не ожидаю от них какого-то особого прорыва, честно говоря. Рекуррентность возвращается, на ARC-AGI пришло несколько моделей, воскрешающих старые идеи Universal Transformer — HRM, TRM, URM. Много было работ про reasoning in the latent space (например, это и это), ожидаю дальнейшего развития.

———

Что важного упустил?

gonzo-обзоры ML статей

05 January 2026 00:02

#2025

Продолжу традицию подбивания результатов. В 2024-м было так. Я снова не тратил слишком много времени на подробный анализ, и попробовал собрать свой список относительно быстро. Писал текст дольше 🙂

Что всплыло в памяти про прошедший год

1. Year of agents

Определённо, 2025-й был годом агентов (и немного мультиагентов). Выглядит как очередное поветрие, коих сменилась уже масса — была мода на ML, была мода на AI, в этом году мода на агентов. Они теперь везде, стартапы заменяют “Loading…” на “Thinking…”, в каждую индустрию запихивают агентов — есть агенты для продаж, для маркетинга, для написания кода, да для всего уже, наверное, есть. Здесь мы говорим про LLM или AI-агентов, могут быть, конечно, и другие, и без всякого AI.

Единого определения агента, кажется, так и не появилось (как и для AI), но это не очень важно. Обычно под агентами подразумевают сущность с некоторым уровнем автономности, который может быть очень разным — от почти никакой до довольно полной. Агент обычно имеет доступ к тулам для взаимодействия с окружающим миром (дёргать API, ходить в поиск и базы данных, запускать код и команды ОС, и прочее), часто (но не всегда) имеет какую-то память, и делает ризонинг с помощью LLM — отсюда его вероятностная природа и частое отсутствие надёжности уровня “хоть сколько-нибудь девяток”.

API основных LLM эволюционировали в сторону агентности. Например, у OpenAI, сейчас API четвёртого поколения Responses API, до него были продолжающее промпты Completions API, работающее с историей чата Chat Completions API, и экспериментальное Assistants API. Теперь на уровне API есть встроенные тулы и способность вызывать внешние MCP. У Гугла свежее Interactions API в бете с возможностью вызывать как модели, так и агентов (типа Deep Research). Ну и так далее, все движутся в сторону API с агентскими возможностями. Плюс всё больше вокруг агентских фреймворков и визуальных построителей воркфлоу.

Агентов будет больше, жить будет веселее. Ждём развития этой волны в 2026-м. Я уверен, мы в целом научимся делать более надёжных и полезных агентов для всё большего количества областей.

2. MCP is one year old

Протокол MCP прочно занял своё место в мире, все основные агенты и интерфейсы моделей его поддерживают (типа Claude Desktop, Cursor, и прочее). Поначалу большая часть MCP серверов запускалась локально и общалась с агентом через stdio, но теперь всё больше становится Remote MCP серверов с общением через HTTP. За этим, мне кажется, большая тема, этот год покажет.

В ноябре 2025 MCP исполнился год, а в декабре 2025 Антропик передал протокол в свежесозданный Agentic AI Foundation внутри Linux Foundation. OpenAI туда же задонейтил AGENTS.md.

Более высокоуровневый протокол для взаимодействия агентов, A2A от Гугла, ещё ранее был отдан Гуглом в Lunux Foundation и тоже продолжает развиваться. Новые фреймворки типа ADK его поддерживают, вероятно весь адопшн ещё впереди.

3. Code agents

Снова про агентов, более конкретно про агентов для кода. Они шагнули за год сильно вперёд. Если год назад в основном польза была 1) в режиме копайлота, который даёт более умные саджесты и может написать какие-то куски кода внутри IDE, и 2) через общение с OpenAI/Claude/Gemini в режиме чата и копи-паста туда-сюда; то теперь есть гораздо более самостоятельные агенты внутри Cursor/Antigravity/…, которые вполне могут выполнять многошаговые действия на уровне репозитория или нескольких. Общение с такими агентами уже сильно за пределами продолжения промпта и саджеста, появляются фреймворки для spec-driven development (типа speckit) и в целом разработка с AI тулами становится более зрелой. Это ещё не предел, давно жду.

4. Chinese AI

gonzo-обзоры ML статей

31 December 2025 14:29

Не монолитами едиными достигать соты!

Adaptation of Agentic AI
Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
Статья: https://arxiv.org/abs/2512.16301
Код: https://github.com/pat-jj/Awesome-Adaptation-of-Agentic-AI
Ревью: https://arxiviq.substack.com/p/adaptation-of-agentic-ai

# TL;DR

ЧТО сделали: Предложили единую таксономию «Агентной адаптации», классифицирующую, как ИИ-системы обучаются через взаимодействие. Всё пространство решений разбили на четыре парадигмы по двум осям: локусу оптимизации (что меняем: Агента или Инструмент) и источнику сигнала (выполнение инструмента или выход агента).

ПОЧЕМУ это важно: Фреймворк подсвечивает сдвиг в проектировании систем: переход от дорогого монолитного файнтюнинга моделей к «Симбиотической инверсии» (адаптации лёгких инструментов под замороженного агента). Это позволяет получать SOTA-результаты, используя на порядки меньше данных и вычислений, чем требуют современные рассуждающие модели вроде DeepSeek-R1 (https://arxiv.org/abs/2501.12948).

Подробнее: /channel/gonzo_ML_podcasts/1903

Всех с Новым Годом!!! 🎄

gonzo-обзоры ML статей

30 December 2025 19:05

Мои любимые гиперсети.

Hypernetworks That Evolve Themselves
Joachim Winther Pedersen, Erwan Plantec, Eleni Nisioti, Marcello Barylli, Milton Montero, Kathrin Korte, Sebastian Risi
Статья: https://arxiv.org/abs/2512.16406
Код: https://github.com/Joachm/self-referential_GHNs
Ревью: https://arxiviq.substack.com/p/hypernetworks-that-evolve-themselves

# TL;DR

ЧТО сделали: Авторы предложили Self-Referential Graph HyperNetworks (GHNs) — класс нейросетей, способных генерировать параметры не только для решения задачи (policy), но и для создания собственного потомства. Встроив механизм стохастической вариации прямо в архитектуру, система интернализировала эволюционные операторы (мутацию и наследование), которые обычно находятся во внешних алгоритмах.

ПОЧЕМУ это важно: Это структурный сдвиг от парадигмы «оптимизации фиксированной модели» к «моделям, которые оптимизируют сами себя». Подход показал превосходную адаптацию в нестационарных средах (где правила игры меняются на лету), обойдя традиционные стратегии вроде CMA-ES или OpenES. Работа доказывает, что «evolvability» (способность к эволюции) — это навык, который можно выучить в зависимости от контекста, а не фиксированная эвристика.

Подробнее: /channel/gonzo_ML_podcasts/1895

gonzo-обзоры ML статей

28 December 2025 15:52

Объединённый автоэнкодер придумали. Объенкодер.

Странно, конечно, что раньше до такого спектрального разложения никто не дошёл. Наверняка кто-то дошёл. Ещё по-своему это похоже на старую историю имени Леона Гатиса про Neural Style Transfer (https://arxiv.org/abs/1508.06576), с которой Призма пошла и много прочего. Там низкоуровневые и высокоуровневые признаки брались с разных слоёв, здесь они же берутся из разных частотных полос разложения Фурье для латента. На кепстральные коэффициенты тоже похоже. Не, ну реально, неужели никто такого же раньше не сделал???

The Prism Hypothesis: Harmonizing Semantic and Pixel Representations via Unified Autoencoding
Weichen Fan, Haiwen Diao, Quan Wang, Dahua Lin, Ziwei Liu
Статья: https://arxiv.org/abs/2512.19693
Код: https://github.com/WeichenFan/UAE
Ревью: https://arxiviq.substack.com/p/the-prism-hypothesis-harmonizing

# TL;DR

ЧТО сделали: Авторы выдвинули «Гипотезу Призмы» (Prism Hypothesis), предположив, что конфликт между пониманием семантики (DINO) и визуальной генерацией (VAE) — это проблема частотной области. Семантика живет в низких частотах, а детали — в высоких. На этой базе создали Unified Autoencoding (UAE) — токенизатор, который через FFT раскладывает латенты на частотные полосы. Он сохраняет низкочастотную «семантическую базу», выровненную с учителем, и выносит мелкие детали реконструкции в остаточные высокочастотные слои.

ПОЧЕМУ это важно: Современные фундаментальные модели страдают от раздвоения архитектуры (отдельные энкодеры для понимания и декодеры для генерации), что неэффективно и ломает представления. UAE показывает, что единое латентное пространство может выдавать SOTA качество реконструкции (обходя RAE и SVG) и при этом сохранять высокую точность linear probing дискриминативных моделей. Это фактически объединяет восприятие и генерацию без привычных компромиссов.

Подробнее: /channel/gonzo_ML_podcasts/1874

gonzo-обзоры ML статей

27 December 2025 18:41

Manus круты. $100M ARR через 8 месяцев после запуска. И как я понимаю сугубо на внешних API. Ну может ещё на опенсорс моделях.

https://manus.im/blog/manus-100m-arr

Время строить, однозначно.

gonzo-обзоры ML статей

27 December 2025 00:46

Даёшь иерархию в авторегрессии!

PHOTON: Hierarchical Autoregressive Modeling for Lightspeed and Memory-Efficient Language Generation
Yuma Ichikawa, Naoya Takagi, Takumi Nakagawa, Yuzi Kanazawa, Akira Sakai
Статья: https://arxiv.org/abs/2512.20687
Ревью: https://arxiviq.substack.com/p/photon-hierarchical-autoregressive

# TL;DR

ЧТО сделали: Авторы предложили PHOTON — иерархическую архитектуру языковой модели, которая отказывается от стандартного «плоского» авторегрессионного сканирования в пользу многомасштабного (multi-resolution) подхода. PHOTON обрабатывает текст через энкодер, работающий «снизу вверх» для сжатия токенов в укрупнённые (coarse) латентные потоки, и декодер, работающий «сверху вниз» для реконструкции детализированных токенов, используя строго ограниченное локальное внимание.

ПОЧЕМУ это важно: Эта архитектура фундаментально отделяет стоимость генерации от общей длины последовательности на этапе декодирования. Поддерживая компактное, медленно обновляющееся глобальное состояние и ограничивая генерацию токенов локальными чанками, PHOTON сокращает трафик KV-кэша на порядки. Это дает прирост пропускной способности на единицу памяти (Throughput-per-Memory) до 1000x по сравнению с обычными трансформерами в условиях ограниченной памяти, предлагая потенциальное решение проблемы «бутылочного горлышка» при работе с длинным контекстом.

Подробнее: /channel/gonzo_ML_podcasts/1849

gonzo-обзоры ML статей

12 January 2026 23:44

DeepSeek разошёлся. Молодцы.

https://github.com/deepseek-ai/Engram

gonzo-обзоры ML статей

11 January 2026 12:50

Любопытная работа про генерацию компактных латентов из многомерных картиночных эмбеддингов.

One Layer Is Enough: Adapting Pretrained Visual Encoders for Image Generation
Yuan Gao, Chen Chen, Tianrong Chen, Jiatao Gu
Статья: https://arxiv.org/abs/2512.07829
Ревью: https://arxiviq.substack.com/p/one-layer-is-enough-adapting-pretrained

# TL;DR

ЧТО сделали: Представили FAE (Feature Auto-Encoder) — фреймворк, сжимающий тяжелые репрезентации из замороженных визуальных моделей (вроде DINOv2 или SigLIP) в компактные латенты для генеративных моделей. Главная фишка: энкодер состоит всего из одного слоя self-attention и линейной проекции, а уникальная стратегия «двойного декодера» восстанавливает сначала фичи, и лишь потом — пиксели.

ПОЧЕМУ это важно: Это элегантно решает проблему несовпадения размерностей между фичами «для понимания» (высокоразмерные, избыточные) и «генеративными» латентами (компактные), не требуя костылей в виде сложных лоссов выравнивания. Диффузионные модели с FAE сходятся в 7–13 раз быстрее бейзлайнов и выдают SOTA FID (1.29 на ImageNet 256). Работа доказывает, что для моста между дискриминативными и генеративными парадигмами достаточно минимальной адаптации.

Подробнее: /channel/gonzo_ML_podcasts/2013

gonzo-обзоры ML статей

10 January 2026 11:13

Если ещё не видели фильм про DeepMind, то он неплохой. Показывает людей за всеми их достижениями. Приятно было увидеть много знакомых имён, да и сколько-то лиц тоже :)

https://youtu.be/d95J8yzvjbQ

gonzo-обзоры ML статей

08 January 2026 18:39

Продолжение темы про эволюцию кода. Теперь Sakana опубликовала работу на базе старого доброго Redcode.

https://pub.sakana.ai/drq/

gonzo-обзоры ML статей

07 January 2026 15:23

Ай молодец, хорошо нагаллюцинировал!

"Работа даёт теоретический пинок любителям «инженерного шаманизма». Качество сжатия (измеряемое через MI) — главный рычаг производительности.

Для строителей RAG и агентов это сигнал: хватит мучить промптами финальную модель. Оптимизируйте ingestion (первичную обработку) на краю (edge). Мощные компрессоры на ноутбуках и телефонах, отправляющие в облако концентрированные «векторы мыслей» (текстовые саммари), — это путь к приватным и дешевым агентам нового поколения."

An Information Theoretic Perspective on Agentic System Design
Shizhe He, Avanika Narayan, Ishan S. Khare, Scott W. Linderman, Christopher Ré, Dan Biderman
Статья: https://arxiv.org/abs/2512.21720
Ревью: https://arxiviq.substack.com/p/an-information-theoretic-perspective

# TL;DR

ЧТО сделали: Авторы формализовали дизайн многошаговых агентных систем (типа Deep Research) через теорию информации, представив этап суммаризации как передачу сигнала через шумный канал. Предложили способ оценки взаимной информации (Mutual Information, MI), чтобы понять, насколько хорошо модель-«компрессор» сохраняет контекст для модели-«предиктора».

ПОЧЕМУ это важно: Исследование ломает стереотип «всё решат гигантские модели на последнем шаге». Оказывается, выгоднее вкладываться в компрессор: 7B-модель для сжатия в паре с небольшим предиктором часто бьёт огромные end-to-end модели. Практически это значит, что локальная 3B-модель на ноутбуке может сжимать данные, сохраняя 99% точности SOTA-пайплайнов, но срезая косты API на 74%.

Подробнее: /channel/gonzo_ML_podcasts/1959

gonzo-обзоры ML статей

06 January 2026 00:37

⚡️ Интересное железо

Будут интересные применения non-conventional hardware типа термодинамических компьютеров. Будет любопытная и разнообразная жизнь за пределами экосистемы NVIDIA. Может даже AMD наконец уже станет реальной альтернативой, хотя это уже совсем wishful thinking. За десяток лет так и не шмогли.

⚛️ Квантовые компьютеры

Продолжат активно развиваться. Для нейросетей пока не помогут, но помогут в отдельных специфических задачах. Вовсю пора изучать. Я уже начал/продолжил. В сочетании с тем, что по прошествии ста лет с момента возникновения квантовой механики мы знаем как оно работает на уровне математики, но до сих пор не знаем, почему именно оно всё работает именно так (по крайней мере пользуясь Копенгагенской интерпретацией), это особенно интересно.

🔮 Кишки и латентный мир

В архитектуре будет большой движ по части латентных рассуждений (в широком смысле). Будет больше моделей, явным образом работающих с латентным пространством, что выльется в улучшенную токенизацию или вообще уход от неё, более вычислительно эффективные решения и интересные мультимодальные решения. Возможно появятся какие-то новые забористые типы слоёв, не удивлюсь если многоуровневые и иерархические, и в сочетании с рекуррентностью.

📈 Оптимизация

Не удивлюсь, если появится новый хороший градиентный алгоритм оптимизации. Мне кажется, там назревает прорыв в понимании. За пределами чисто градиентных методов ожидаю большего зоопарка и скрещивания с эволюцией. Также ожидаю развития темы про Titans/Nested Learning.

👽 Aliens

Инопланетяне посмотрят на всю происходящую на Земле хероту и контактировать не станут. Ну нах.

———

Вот такой мой список. Через год посмотрим, что сбылось, а что осталось wishful thinking. Если у вас есть свои ставки на 2026 — делитесь, интересно сравнить прогнозы.

gonzo-обзоры ML статей

05 January 2026 19:16

Развитие темы про Large Concept Model (LCM) и Byte Latent Transformer (BLT), в каком-то смысле микс обеих. В LCM уходили в работу с концептами предложений через предобученные SONAR энкодер и декодер, в BLT динамически объединяли символы в латентные токены/патчи на основе энтропии через отдельную модель. Здесь по сути BLT без отдельной модели и end-to-end, определяющий границы концептов/патчей через косинусное несходство между проекциями соседних токенов.

Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space
Xingwei Qu, Shaowen Wang, Zihao Huang, Ge Zhang, Kai Hua, Fan Yin, Rui-Jie Zhu, Jundong Zhou, Qiyang Min, Zihao Wang, Yizhi Li, Tianyu Zhang, He Xing, Zheng Zhang, Yuxuan Song, Tianyu Zheng, Zhiyuan Zeng, Chenghua Lin, Wenhao Huang
Статья: https://arxiv.org/abs/2512.24617
Ревью: https://arxiviq.substack.com/p/dynamic-large-concept-models-latent

# TL;DR

ЧТО сделали: Представили архитектуру Dynamic Large Concept Models (DLCM). Она ломает привычную парадигму равномерных вычислений LLM, где каждый токен обрабатывается с одинаковой глубиной. Вместо этого DLCM динамически группирует токены в "концепты" переменной длины на основе выученных семантических границ. Эти концепты обрабатываются мощным "думающим" бэкбоном в сжатом латентном пространстве, а затем декодируются обратно в токены.

ПОЧЕМУ это важно: Это структурный сдвиг от предсказания следующего токена к "рассуждению следующим концептом". Отвязав гранулярность вычислений от количества поверхностных токенов, модель лучше справляется с задачами на рассуждение (вроде ARC и PIQA) при тех же затратах FLOPs на инференс. Вдобавок авторы предложили Decoupled µP и scaling law с учётом сжатия для стабилизации обучения таких гетерогенных архитектур.

Подробнее: /channel/gonzo_ML_podcasts/1941

gonzo-обзоры ML статей

05 January 2026 01:23

Да, чуть картинку не забыл!

gonzo-обзоры ML статей

05 January 2026 00:02

DeepSeek, конечно, стал офигенным прорывом, особенно R1, пожалуй. После него стало понятно, что гэп между американскими фронтирными компаниями и остальными, возможно, не такой уж и большой. Знатно некоторые товарищи забегали. Благодаря этой работе (а не оригинальной DeepSeekMath из 2024), RL алгоритм GRPO (Group Relative Policy Optimization) стал чуть ли не стандартом, везде теперь используется (хоть после него уже и много чего ещё появилось).

Qwen и до DeepSeek был очень хорош, и продолжает быть таковым. Их модели, в отличие от DeepSeek по крайней мере можно запускать на железе разумного размера, без кластеров H100. Часто являются дефолтными моделями для старта, как выясняется даже для американских стартапов.

Есть и много других интересных моделей: Kimi K2, MiniMax, GLM, Hunyuan, теперь ещё и IQuest-Coder. Что тут ещё сказать, молодцы.

5. JEPA + World Models

Тему про модели мира я люблю, писал про неё и в прошлый раз, и мне кажется за год здесь много всего произошло, количество понемногу переходит в качество.

Во-первых, появилось 100500 вариантов и развитий JEPA: V-JEPA 2, VL-JEPA, LLM-JEPA, LeJEPA, JEPA as a Neural Tokenizer, а также близкая к JEPA NEPA.

Во-вторых, сам Лекун ушёл делать свой стартап про World Models.

А ещё вышел Dreamer 4, появилась гугловая Genie 3 (после первой версии всё без статей 🙁), и в целом движ идёт.

6. TPU rises, NVIDIA defends

NVIDIA — самая дорогая компания мира и по-прежнему лидер, но почему-то неожиданно оказалось, что топовые модели можно обучать и без её железа. Пока лучший пример — Гугл, обучивший очень хорошую Gemini 3 (и все предыдущие Gemini) на своём TPU. TPU продолжает развиваться, есть какие-то разговоры про поставку железа за пределы Гугла (в Anthropic), и было бы интересно, если бы эта альтернатива появилась на открытом рынке. NVIDIA в свою очередь разбирается с конкурентами, вот прямо перед новым годом как бы съела Groq. Китайцы тем временем усиленно пытаются перейти на своё и на государственном уровне пытаются отвязаться от Нвидии — какая-никакая своя экосистема у них есть.

Про другие ASIC сказать труднее. Ну вот Cerebras вроде как жив и продолжает производить свои супер-вафли, которые также можно поюзать в облаке. GraphCore как компания жив, но что-то от них ничего особо интересного не слышно, хотя архитектура их чипов была любопытная. Знаю, что используют внутри JAX, подарил свою книжку их Engineering Fellow. SambaNova вроде тоже что-то делает, и (я пропустил) оказывается Intel изъявил желание её купить. За интелом правда солидный трек убийства разных купленных компаний, с одной Nervana они годами кормили нас завтраками про новые чипы, которые так и не вышли.

7. AGI/ASI hype & 2027 scenario delayed

Сценарий появления сверхчеловеческого ИИ под названием AI 2027 как оказалось откладывается.

Но ничего, авторы выпустили обновлённую версию под названием The AI Futures Model с оценкой на май 2031 про появление Automatic Coder, который может автоматизировать создание ASI, и июль 2034, когда разница между ASI и лучшим человеком будет в два раза выше, чем между лучшими людьми и медианными профессионалами, и так по всем когнитивным задачам.

Чуть подробнее по-русски тут, а вообще читайте сайт, там красиво всё сделали, навигация особенно прикольная.

AGI/ASI хайп, кажется подсдулся. Некоторые товарищи слишком оголтело всё обещали и ничего не заделиверили, так что одни теперь говорят, что термин AGI мол не очень полезный нынче; другие заявляют, что термин overhyped (сложно было не согласиться); ну и так далее.

Но рано или поздно всё равно всё будет.

8. AI+Science

В этом году было много работ про агентов для науки. AI Scientist-v2 от Sakana создал статью, которая прошла пир ревью на воркшоп ICLR. Было много других работ про агентов для науки, где понемножку отдельные шаги исследований мы начинаем покрывать. Например, (это или это). Такого будет больше.

Про математику отдельно писать не буду, но здесь тоже большой прорыв, сразу несколько компаний показали результаты сопоставимые с золотой медалью на международной математической олимпиаде.

gonzo-обзоры ML статей

04 January 2026 20:24

DeepSeek выкатили под новый год работу про более стабильные hyper-connections (HC, не путать с hyper networks). HC — это расширенный (многоканальный и более широкий) вариант residual connections. Раньше взрывался, а теперь не взрывается. Профит!

mHC: Manifold-Constrained Hyper-Connections
Zhenda Xie, Yixuan Wei, Huanqi Cao, Chenggang Zhao, Chengqi Deng, Jiashi Li, Damai Dai, Huazuo Gao, Jiang Chang, Liang Zhao, Shangyan Zhou, Zhean Xu, Zhengyan Zhang, Wangding Zeng, Shengding Hu, Yuqing Wang, Jingyang Yuan, Lean Wang, Wenfeng Liang
Статья: https://arxiv.org/abs/2512.24880
Ревью: https://arxiviq.substack.com/p/mhc-manifold-constrained-hyper-connections

# TL;DR

ЧТО сделали: Авторы из DeepSeek-AI предложили Manifold-Constrained Hyper-Connections (mHC). Это фреймворк, модифицирующий архитектуру Hyper-Connections (гипер-связи) путём проекции матриц смешивания резидуальных потоков на многогранник Биркгофа (множество дважды стохастических матриц). Реализовано это через дифференцируемый алгоритм Синкхорна-Кноппа, встроенный прямо в forward pass.

ПОЧЕМУ это важно: Расширение резидуальных потоков увеличивает ёмкость модели, но обычно ломает свойство тождественного отображения (Identity Mapping), критически важное для глубокого обучения. Это ведёт к взрыву сигнала и нестабильности. mHC математически восстанавливает это свойство, позволяя масштабировать ширину сети (а не только глубину) и создавать сложные топологии без проблем с градиентами и без существенного оверхеда по памяти.

Подробнее: /channel/gonzo_ML_podcasts/1919

gonzo-обзоры ML статей

30 December 2025 19:33

В продолжение темы про Manus.

Если вдруг вы не видели эту свежую новость.
https://x.com/alexandr_wang/status/2005766469771223106

gonzo-обзоры ML статей

29 December 2025 17:53

System 3 предлагают. Не за горами и System 4.

Sophia: A Persistent Agent Framework of Artificial Life
Mingyang Sun, Feng Hong, Weinan Zhang
Статья: https://arxiv.org/abs/2512.18202
Ревью: https://arxiviq.substack.com/p/sophia-a-persistent-agent-framework

# TL;DR

ЧТО сделали: Авторы предложили концепцию "System 3" — мета-когнитивного слоя, который надстраивается над стандартными модулями восприятия (System 1) и рассуждений (System 2) в LLM. Реализация этой идеи представлена в Sophia — фреймворке персистентного агента. В отличие от традиционных агентов, которые "сбрасываются" между сессиями, Sophia поддерживает непрерывный "Журнал Роста" (Growth Journal), объединяя эпизодическую память, внутреннюю мотивацию и Theory-of-Mind. Это позволяет агенту генерировать собственные цели обучения и уточнять поведение без обновления весов модели.

ПОЧЕМУ это важно: Работа атакует проблему "окостенения" (ossification) современных агентов: будучи развёрнутыми, они не способны адаптироваться к меняющейся среде или улучшаться без переобучения с участием человека. Демонстрируя, как Forward Learning (обучение через контекст) под управлением мета-контроллера снижает затраты на рассуждения (reasoning) на 80% для повторяющихся задач, статья предлагает конкретный инженерный чертёж перехода от реактивных инструментов к персистентным, саморазвивающимся цифровым сущностям (Artificial Life).

Подробнее: /channel/gonzo_ML_podcasts/1886

gonzo-обзоры ML статей

27 December 2025 20:37

Больше гибридов SSM+Transformer! NVIDIA уже давно с ними экспериментирует.

NVIDIA Nemotron 3: Efficient and Open Intelligence
NVIDIA (250+ contributors)
Статья: https://arxiv.org/abs/2512.20856
Код: https://github.com/NVIDIA-NeMo/RL
Модель: https://huggingface.co/collections/nvidia/nvidia-nemotron-v3 (пока только Nano c тех.репортом, Super и Ultra обещают в ближайшие месяцы)
Ревью: https://arxiviq.substack.com/p/nvidia-nemotron-3-efficient-and-open

# TL;DR

ЧТО сделали: Представили семейство моделей Nemotron 3 (Nano, Super, Ultra) на базе гибридной архитектуры Mamba-Transformer Mixture-of-Experts (MoE). Главные фишки: LatentMoE (роутинг со сжатием для экономии канала), нативное обучение в NVFP4 для крупных моделей и одновременное RL-обучение в нескольких средах.

ПОЧЕМУ это важно: Это стратегический поворот от плотных (dense) гибридов к разреженным MoE ради скорости. Благодаря константному состоянию Mamba и аппаратно-эффективному LatentMoE модели держат контекст в 1M токенов и значительно обгоняют трансформеры по пропускной способности, а NVFP4 задаёт новый стандарт стабильности для обучения с низкой точностью.

Подробнее: /channel/gonzo_ML_podcasts/1861

gonzo-обзоры ML статей

27 December 2025 13:01

Дело говорит.

https://x.com/karpathy/status/2004607146781278521?s=20

gonzo-обзоры ML статей

26 December 2025 14:26

Ещё один способ не тренировать новый тип модели с нуля, а адаптировать предобученную. T5Gemma брала предобученный декодер и делала энкодер-декодер, новая Bolmo берёт BPE-модель и делает Byte-level модель.

Особенно приколен результат про перенос post-trained версии Olmo в Bolmo через арифметику весов: посчитали diff между instruction tuned olmo и обычной olmo, прибавили к bolmo, получили instruction tuned bolmo.

Bolmo: Byteifying the Next Generation of Language Models
Benjamin Minixhofer, Tyler Murray, Tomasz Limisiewicz, Anna Korhonen, Luke Zettlemoyer, Noah A. Smith, Edoardo M. Ponti, Luca Soldaini, Valentin Hofmann
Статья: https://arxiv.org/abs/2512.15586
Код: https://github.com/allenai/bolmo-core
Модель: https://huggingface.co/allenai/Bolmo-7B
Ревью: https://arxiviq.substack.com/p/bolmo-byteifying-the-next-generation

# TL;DR

ЧТО сделали: Представили Bolmo — семейство языковых моделей (1B и 7B), работающих на уровне байтов. Главная фишка: их не обучали с нуля, а получили путём «байтификации» (byteification) уже существующих subword-моделей (в данном случае Olmo 3). Авторы заменили слои эмбеддингов и токенизатор предобученного трансформера на легковесные локальные рекуррентные сети (mLSTM) и применили двухэтапную дистилляцию. Это позволило сконвертировать обычную LLM в байтовую, потратив менее 1% от исходного бюджета токенов на предобучение.

ПОЧЕМУ это важно: Byte-level модели (BLM) теоретически решают массу проблем: смещения токенизации, ограничение размера словаря, «слепоту» к отдельным символам. Но обучать их до уровня SOTA исторически было безумно дорого. Эта работа дает универсальный рецепт эффективного «ретрофиттинга» (модернизации) мощных subword-моделей в байтовые. И что критически важно: такие модели могут наследовать результаты пост-тренинга (например, instruction tuning) своих «родителей» через слияние весов, избавляя от необходимости заново выстраивать весь пайплайн безопасности и AI alignment.

Подробнее: /channel/gonzo_ML_podcasts/1837