Лента новостей

🚀 Zhipu представила флагманскую модель GLM‑5.3 Китайская компания Zhipu объявила о запуске новой ИИ‑модели GLM‑5.3, позиционируя её как шаг к уровню киберзащиты, сравнимому с Mythos. По заявлению компании, в тестах по кибербезопасности GLM‑5.3 превзошла ведущие американские системы. На платформе CyberGym модель обыграла Anthropic — Mythos 5 и OpenAI — GPT‑5.6 🔐.

🧠 Китайский нейрохирург решил десятилетнюю математическую задачу с помощью ChatGPT Джин Шанму, нейрохирург из Пекина, занимался проблемой, связанной с ультразвуковым исследованием мозга. В процессе работы он нашёл решение задачи, оставшейся открытой десятки лет, используя искусственный интеллект ChatGPT — событие, которое привлекло внимание математического сообщества.

🚩 Ток‑выход из OpenAI усиливает тревогу перед IPO В последние недели у OpenAI наблюдается отток топ‑менеджеров: несколько руководителей C‑уровня покинули компанию. Эти кадровые изменения вызывают опасения у инвесторов, поскольку OpenAI готовится к масштабному первичному публичному размещению акций. Эксперты отмечают, что уход ключевых специалистов может повлиять на стратегию и реализацию проектов, что увеличивает риски для будущих инвестиций.

🚀 Российская ракета с чипом Nvidia для точного наведения Российская баллистическая ракета теперь использует искусственный интеллект на базе чипа Nvidia, который помогает определять цели в Украине. Киев требует ужесточения контроля экспорта, чтобы иностранные полупроводники, в том числе такие чипы, не попадали в вооружённые системы Москвы.

🚀 Чип Nvidia в российской крылатой ракете S‑71M Украина сообщает, что в одной из российских крылатых ракет S‑71M обнаружен микрочип Nvidia Jetson Orin NX. Эти чипы, стоимостью $685, ранее продавались студентам‑робототехникам, а их присутствие в вооружении может свидетельствовать о применении технологий искусственного интеллекта в военных системах. 🛡️ Инцидент выявил пробел в контроле экспорта компонентов, которые могут использоваться в оружейных проектах.

🚨 Ошибка AI‑детектора YouTube: Kurzgesagt пострадал Система YouTube, названная «slop detector» и предназначенная для подавления низкокачественного AI‑контента, ошибочно заблокировала видео канала Kurzgesagt. 📉 В результате эта загрузка стала наименее просматриваемой у канала с 2013 года. Другие создатели уже выразили опасения, что могут столкнуться с тем же.

🚀 США требуют от союзников выбрать сторону в гонке ИИ с Китаем В ближайшее время американские официальные лица планируют сообщить партнёрам, что в сфере искусственного интеллекта они должны определиться, с кем сотрудничать — с США или с Китаем. Такое требование станет частью стратегии США по ограничению влияния Китая в передовых технологиях.

🚫 Молодёжь против ИИ Американцы в возрасте 18‑34 лет выражают недоверие к каждому крупному игроку в сфере искусственного интеллекта. 📊 По результатам опроса 45 % считают, что ИИ может навредить их карьерным перспективам, а значительное большинство поддерживает усиленный государственный контроль.

🚀 Квантование модели Qwen 3.8‑27B на 4 × RTX 5090 Сегодня вышла версия Qwen 3.8‑27B. Мы квантовали её из оригинальных весов (16 файлов с per‑tensor‑override и imatrix, откалиброванным на публичных корпусах), сократив размер с Q8_0 = 28.9 ГБ до IQ1_M = 8.5 ГБ, и протестировали все найденные GGUF‑версии на Hugging Face. Тесты проводились на одной машине с 4 × RTX 5090, сценарий eval_neutral, контекст 4096, 87 чанков. В качестве эталона использована наша BF16‑конверсия оригинальных весов (логиты сохранены в 88 ГБ). Каждый квантик оценивался на файлах размером от 12 до 21 ГБ. Наша кривая ошибок ниже всех остальных. Наибольший разрыв — при 13.8 ГБ: у unsloth Q3_K_M и у нашего AD‑IQ3_S одинаковый размер, но наш показатель KLD = 0.0325 против 0.0484 у unsloth (на 33 % лучше). В некоторых местах сообщество выигрывает: 2‑битные файлы UD от unsloth лучше ниже 11 ГБ, а Q6_K от lmstudio (22.4 ГБ) обгоняет наш ближайший файл 23.1 ГБ. При размерах > 25 ГБ различия исчезают, а ниже 10 ГБ все кванты сильно деградируют (IQ1_M = 76.3 % top‑1). Для оборудования с 16 ГБ оперативной памяти лучший вариант — наш AD‑IQ3_S (13.8 ГБ) с точностью 92.4 % top‑1 на HF (imatrix, per‑tensor‑layout). Подробнее и все файлы: https://huggingface.co/collections/AtomicChat/qwen-38-27b-6a7c86fe00e317b78f572767. Наш открытый AI‑приложение: https://atomic.chat. Ждём ваши вопросы и отзывы! 📊

🚀 Qwen3.8-27B ускорился почти в 3 раза на Apple Silicon mlx-dspark — это порт MLX к спекулятивному декодеру DSpark от DeepSeek (релиз DeepSpec) и DFlash от z‑lab, работающий в одном безпотерьном цикле проверки. В версии 0.10.0 добавлена поддержка модели Qwen3.8‑27B через drafter от RadixArk, первая голова, упакованная в SpecForge/SGLang. На MacBook M4 Pro с 48 ГБ ОЗУ медианные показатели (три запуски, greedy, идентичные токены) для 8‑битного режима: средняя ускоренность 2.45× (3.00× для математики, 2.38× для кода, 1.96× для чата), скорость 8.3 → 20.3 токен/с (для кода до 3.18×). Пиковое потребление памяти ≈ 29 ГБ. Для 4‑битного режима ускорение 1.74×, скорость 25.3 токен/с при ~18 ГБ памяти. Интересно, что 8‑битный режим с drafter (20‑27 токен/с) превзошёл обычный 4‑битный (14.6 токен/с), обеспечивая качество 8‑бит при скорости лучше 4‑бит. Проверка «lossless» осуществляется в реальном времени: каждый сгенерированный токен сверяется, а в приложении для macOS режим Race сравнивает спекулятивный и обычный вывод по токен‑идентификаторам. Установить можно через pip install mlx-dspark (включён сервер совместимый с OpenAI и API Anthropic Messages, позволяет запускать локальную модель для Claude Code) и через нативный macOS‑пакет (DMG/Homebrew). Исходный код доступен на GitHub: github.com/ARahim3/mlx-dspark.