Лента новостей

🔍 Как работает водяной знак в тексте ИИ Визуальное руководство показывает, как в сгенерированном ИИ‑тексте скрывается статистический маркер‑водяной знак. Он внедряется в распределение слов и символов, оставаясь незаметным для читателя, но позволяя определить, что текст создан машиной. В статье также объясняется, какие методы могут полностью удалить этот маркер, делая текст неотличимым от человеческого.

🚀 0.8 B модель перевода обгоняет 1.4 B Исследователь обучил небольшую (0.8 B) декодер‑only LLM на базе CyberAgent CAT‑Translate (лучший в своём классе для пар JA↔EN) так, чтобы она следовала заданному словарю при переводе. Выбор модели обусловлен её лучшей работой на мобильных устройствах. Обучение проходило в два этапа: 1️⃣ LoRA‑SFT – вводились исходный текст и детерминированные глоссы, обучая модель отдавать предпочтение предоставленным терминам; 2️⃣ MO‑GRPO (Ichihara et al., 2025, arXiv 2509.22047) – два наградных сигнала (качество перевода и соблюдение глосса) нормализовались отдельно, что устранило доминирование одной цели. Результаты на наборе Business Scene Dialogue (EN→JA) : - COMET‑QE : 0.748 (против 0.738 у 1.4 B) - MetricX‑24 : 0.748 (против 0.731) - chrF : 31.9 % (против 26.8 %) - BLEU : 19.3 % (против 17.2 %) Таким образом, 0.8 B модель превзошла базовый 1.4 B по всем четырём метрикам; лишь 3.3 B остаётся лидером. Соблюдение глосса достигло 91 %, задержка — 103 мс/предложение (int8, greedy) на Apple silicon. Готов ответить на вопросы.

🛠️ Три недели отладки векторной БД вместо LLM Разработчик (29 м, бекенд, «хорош в базах данных») построил локальный RAG‑проект: Ollama с llama 3 на GPU и набор PDF‑файлов. Работа с LLM заняла около 2 часов, а настройка векторной базы — три недели. **Неделя 1.** По умолчанию использовался Chroma. При 100 документах всё шло гладко, но на 50 000 документов запросы стали занимать ≈ 4 сек, что оказалось ограничением Chroma, а не ошибкой кода. **Неделя 2.** Перешёл на pgvector в уже имеющем PostgreSQL, но не создал HNSW‑индекс с нужным ef_construction, из‑за чего запросы выполнялись последовательным сканированием. Ошибку обнаружил в 3 утра, когда понял, что тестировал не ту таблицу. **Неделя 3.** Попробовал Milvus в Docker‑Compose (14 контейнеров). HNSW‑индекс работал, запросы стали быстрыми, но добавление скалярного фильтра заняло два дня, а pod «переполнился» памятью, что выявило высокие требования к памяти при построении индекса. Затем переключился на Zilliz Cloud — управляемый Milvus, запустил за ~20 минут, без Docker, используя тот же SDK и запросы. 💡 Вывод: часть с LLM оказалась простой, а основное время ушло на поиск, настройку и параметры векторной БД. При работе с более чем несколькими тысячами документов важно заранее продумать стратегию чанкинга и параметры индекса.

🚀 Открытая модель dots3-note preview dots3-note preview — первая открытая модель в семействе dots3, построенная по принципу Mixture‑of‑Experts. В ней 280 млрд параметров, из которых активны 16 млрд, а контекст может достигать 512 тыс. токенов. Модель воспринимает текст, изображения, видео и аудио, генерируя только текстовый вывод. Она оптимизирована для широкого круга задач: общие знания и выполнение инструкций, математическое и логическое рассуждение, использование инструментов и многошаговые рабочие процессы, интерактивные задачи с обновлением памяти, генерация кода и решение проблем, а также понимание изображений, документов, графиков, аудио и видео, включая работу с длинными контекстами 🔧. В семейство dots3 входят модели с разными балансами возможностей, задержки и стоимости вывода; dots3-note preview при этом является самым лёгким представителем этой линейки.

🚀 Новый AI‑модель от Writer с пониженной стоимостью токенов Writer анонсировал новую модель ИИ и обновлённый «harness», разработанные для снижения расходов на токены. Модель построена как пост‑тренировочная вариация открытого проекта Z.ai GLM‑5.2. По словам компании, система готова к развертыванию и будет стоить значительно дешевле.

📊 Databricks привлек $5 млрд при оценке $190 млрд Компания планировала собрать $1 млрд, но инвесторы запросили $15 млрд. В итоге раунд завершился привлечением $5 млрд, что оценило фирму в $190 млрд. Основатель и CEO Али Годси в интервью TechCrunch отметил, что разработки в области ИИ остаются дорогими 🤖. Он добавил, что из‑за высокого интереса инвесторов компания согласилась на более крупный раунд, чем изначально планировалось.

🏎️ Ultrafast: OpenAI ускорила GPT‑5.6 Sol OpenAI анонсировала режим «Ultrafast», который делает работу модели GPT‑5.6 Sol в 14 раз быстрее. Режим доступен в виде предварительного просмотра и нацелен на корпоративных пользователей, которым важна повышенная производительность. 🚀

🤝 IBM и OpenAI объявили о партнерстве IBM заключила соглашение с OpenAI, направленное на развитие искусственного интеллекта в корпоративном секторе. В рамках сделки компания планирует обучить и сертифицировать десятки тысяч своих консультантов по технологиям OpenAI. Это позволит расширить экспертизу IBM в области ИИ‑решений для бизнеса.

🚀 MiniMax‑H3 запущен на Strix Halo Запустили генерацию видео с синхронным стерео‑аудио на базе MiniMax‑H3, используя ROCm 7.14, PyTorch 2.13.0+rocm7.2 и ComfyUI с int8‑обрезанными весами и 4‑шаговым turbo LoRA (lightx2v). Параметр HSA_USE_SVM=0 важен для единой памяти. Тест: 124 кадра (5,17 с @ 24 fps) с 32 kHz стерео‑аудио. Время обработки: 512×288 – 96 с, 384×640 – 228 с (из них ~45 с – загрузка модели), 1344×768 – прервано после 16 минут (шаг 1 из 4). Рост разрешения сильно увеличивает нагрузку: токенов ≈ 17,9 k vs ≈ 125 k, а внимание растёт почти в 49‑кратном размере. Turbo LoRA сокращает количество шагов (20 → 4), но не уменьшает стоимость каждого шага. GPU работал на 100 %, VRAM – 96 % всё время, ComfyUI выводил «Using pytorch attention», что указывает на отсутствие оптимизированного ядра для gfx1151. ⚠️ Файлы Abiray/Minimax‑H3‑nvfp4‑INT4‑INT8‑Convrot опубликованы с лишними байтами в конце, из‑за чего safetensors их отклоняют (ошибка «incomplete metadata»). Обрезка до заявленного конца решает проблему; чистую копию аудио‑VAE публикует Comfy‑Org, и её SHA‑256 совпадает с обрезанным файлом. Для новых запусков рекомендуется использовать Comfy‑Org/MiniMax‑H3, но учтите, что это обрезанные community‑весы и их качество отличается от официального H3. Полный набор скриптов и описание доступны на GitHub: https://github.com/DanCard/minimax-h3-strix-halo. Opus 5 использовался для создания окружения и выполнения.

🎮 Doom работает на LLM без обучения Исследователь перенёс алгоритм рендеринга оригинального Doom в веса трансформера, используя собственный компилятор torchwright. Обучения не было — каждый вес вычислен программно. Промпт содержит геометрию уровня, позицию игрока и направление взгляда; генерация выдаёт команды отрисовки, а 43‑строчная хост‑программа превращает их в пиксели. Модель использует стандартную архитектуру Phi3ForCausalLM и загружается в обычные transformers без trust_remote_code. Выпущено два чекпоинта: 320×200 (21 млрд параметров, 85.87 ГБ) — один кадр требует 3 614 токенов ввода и 53 747 токенов вывода, генерация занимает чуть меньше 40 минут на GPU B200; 80×50 (34 ГБ скачивания) — рекомендуется 80 ГБ видеопамяти (64 ГБ теоретически возможно). Тесты проводились в облаке (GPU B200 и A100‑80), локальный запуск пока не проверялся. Подробный пост и ссылки на модели: https://ood.dev/posts/doom/, https://huggingface.co/physicsrob/torchwright-doom-e1m1-80x50, https://huggingface.co/physicsrob/torchwright-doom-e1m1, исходный код — https://github.com/physicsrob/torchwright_doom.