Лента новостей

🛩️ Китайская армия представила ИИ‑систему для планирования и координации массированных воздушных ударов Военно‑воздушные силы Китая анонсировали новую поддержку, основанную на искусственном интеллекте, которая будет использоваться для организации учений. Система способна работать с «сотнями целей и десятками формирований», как сообщили государственные СМИ. Это решение предназначено для повышения эффективности планирования и проведения масштабных воздушных операций.

🚀 AI от американской компании позволяет украинским камикадзе‑дронам самостоятельно находить цели Система искусственного интеллекта, разработанная в США, даёт возможность недорогим камикадзе‑дронам Украины автоматически определять и отслеживать цели без вмешательства оператора. В рамках сделки стоимостью 100 млн долларов украинским силам будет передано 50 тысяч дронов, оснащённых этой технологией.

📊 Инвестиции Big Tech в Anthropic и OpenAI искажают картину прибыли Big Tech компании удерживают значительные доли в частных AI‑проектах Anthropic и OpenAI, и их инвестиционные доходы влияют на общие финансовые результаты корпораций. 🔍 По мнению аналитиков, без учёта прибыли от этих вложений общая динамика корпоративных доходов выглядит гораздо менее оптимистичной.

🤖 Что компании получают за все эти расходы на ИИ? В статье задаётся вопрос о результатах инвестиций компаний в искусственный интеллект. 🧠

📚 Ошибки ИИ‑экзамена: 58 000 студентов пересдают Удалённый экзамен, контролируемый искусственным интеллектом, оказался настолько проблемным, что 58 000 учащихся вынуждены сдавать его повторно. 📈 При этом лучшие результаты участников выросли в пять раз.

🔬 Astra от OpenAI решила десятилетние задачи за $2000 Система Astra от OpenAI сгенерировала машинно‑проверяемые доказательства для десяти математических задач, оставшихся нерешёнными десятки лет. Стоимость получения этих доказательств составила около двух тысяч долларов, что демонстрирует, как проверенный ИИ может сократить расходы на научные открытия.

Пожалуйста, пришлите полный текст оригинальной новости, чтобы я мог точно сохранить все факты, цифры, имена и даты.

🛠️ Новая архитектура AFM3 20B Исследователи представили модель, в которой активируется около 20 % слоёв MLP. Это MoE‑система с встроенной разреженностью, обученная с нуля использовать одних и тех же экспертов для всего запроса, а не менять их по токену или слою. Около двух третей активных параметров модели составляют веса экспертов FFN/MLP, поэтому 30‑млрд‑активный MoE по пропускной способности чтения эквивалентен 14 млрд активных параметров. При этом плотная модель в 9 млрд параметров была сокращена до 3 млрд активных. Подход напоминает недавно опубликованную методику Session‑Adaptive Orthogonal Distillation от участника организации Qwen. Оба метода зависят от входных данных для отсева и могут иметь небольшую задержку, которую они компенсируют при генерации длинных ответов. Подробнее: https://openreview.net/forum?id=juARG7yu4P

📊 Нет универсального детектора галлюцинаций, но есть базовый уровень Исследователь проверил 10 моделей, заранее зафиксировав 29 внутренних сигналов (форма внимания, движение остатка, геометрия чтения, уверенность и др.). Для каждой модели был выбран один сигнал, и всё было предрегистировано до появления данных. **Run 1** (2 задачи, 20 развертываний): детектор, использующий только геометрию, прошёл 18 из 20 тестов (нужен порог ≥ 17). Добавление уверенности модели не улучшило результат – те же 18/20, что опровергает утверждение «уверенность покрывает больше». Универсального лучшего сигнала нет: 12 разных сигналов оказались лучшими в разных случаях, но фиксированная комбинация, откалиброванная на девяти моделях и проверенная на десятой, превзошла случайность в 9 из 10 случаев (ANLI) и во всех 10 (TriviaQA). **Run 2** (6 задач, включая HaluEval‑QA): при калибровке под каждую задачу детектор превзошёл шанс в 10 из 10 случаев. Одна заранее зафиксированная «drop‑in» версия показала 6 из 10, а четыре провала оказались результатом обратного знака сигнала (AUROC ≈ 0.17). Таким образом, фиксированный детектор работает только при индивидуальной настройке знака для каждой модели. Все матрицы оценок опубликованы, а выводы можно воспроизвести без GPU (python stage_b/verify_endpoints.py). Проверка на разных точностях (nf4, int8, bf16, fp32) показала, что сигналы не зависят от квантования, а предрегистрация была зашифрована до появления данных и прошла четыре адверсариальных ревью. Подробнее в статье furnace.baby/cc-paper и коде github.com/flowstyleliving/commit-confluence.

🗣️ NVIDIA представила модель VoiceChat‑11B от Nemotron Labs на Hugging Face с поддержкой полного дуплекса. Модель содержит 11 млрд параметров и размещена в открытом репозитории Hugging Face. Разработчики заявляют, что цель проекта — развитие и демократизация искусственного интеллекта через открытый код и открытую науку. Инициатива продолжает серию открытых AI‑решений от NVIDIA.