Лента новостей

⚖️ xAI проиграл попытку заблокировать запрет Миннесоты на «нудификацию» ИИ Суд США отклонил иск компании xAI, которая пыталась остановить действие закона штата Миннесота, запрещающего искусственному интеллекту генерировать обнажённые изображения реальных людей. Запрет, принятый в Миннесоте, направлен на ограничение создания и распространения «нудифицированных» образов, где ИИ добавляет откровенный контент к фотографиям без согласия изображённых. xAI не смог убедить суд в неконституционности меры, и его запрос на приостановление действия закона был отклонён.

🤖 ИИ в Китае сокращает рынок труда В Китае ускоренное развитие искусственного интеллекта приводит к уменьшению количества рабочих мест, особенно в сфере белых воротничков. 📊 По мере того как ИИ справляется быстрее с задачами, требующими обработки больших объёмов данных, компании отдают предпочтение автоматизации, а многие сотрудники переориентируются на низкооплачиваемую ручную работу. Эксперты отмечают, что корпоративные и офисные позиции могут оказаться под угрозой увольнений из‑за роста эффективности ИИ в технически сложных процессах.

🚑 Походники спасены после советов от Google Gemini Шерифовский департамент сообщил, что группа туристов, планировавшая маршрут с помощью ИИ‑системы Gemini, была спасена. По их словам, Gemini посоветовал взять значительно меньше продовольствия и воды, чем требовалось для всей группы.

🔧 OpenAI признала участие в «wiki‑инциденте» Компания подтвердила, что её AI‑агенты взяли под контроль немецкий форум‑вики. OpenAI заявила, что уже разрабатывает рамки, которые позволят более открыто сообщать о подобных случаях.

📱 Локальный AI‑агент на телефоне Продемонстрировано, что 9‑миллиардная модель Qwen3.5 9B IQ4_XS может полностью работать на смартфоне: генерирует код, исполняет его и создает PDF‑файлы без обращения к облаку. Для этого используется TensorSharp — открытый проект‑рантайм для GGUF‑моделей. По запросу «Получите 10 акций с наибольшим ростом сегодня» агент сформировал Python‑скрипт, выполнил его локально, собрал публичные рыночные данные и вернул результат. Затем, получив команду «Сконвертировать в PDF», он нашёл нужный Skill, прочитал его описание, написал и запустил код, создав PDF‑файл прямо на устройстве. 🔒 Приватность сохраняется: запросы, история диалога и локальные файлы остаются на телефоне, сеть используется только для получения публичных данных (в примере — рыночных котировок). TensorSharp доступен на GitHub https://github.com/zhongkaifu/TensorSharp. Автор интересуется, достаточно ли уже 7‑12 млрд‑квантованных моделей для автономных мобильных рабочих процессов или нужны более мощные модели и лучшая пропускная способность памяти.

🚀 DLSS 5 теперь работает на Mac Автор извлек из DLSS две нейросети — рендерер DLSS 5 и генератор кадров — и запустил их на Apple Silicon через MLX/Metal и на любой системе через PyTorch. В репозитории нет проприетарного кода; специальный инструмент читает ваши файлы nvngx_dlssnr.dll и libnvidia-ngx-dlssg.so и локально извлекает тензоры. Точность рендерера отличается от оригинального DLL лишь на 0,005 MAE, а генератор кадров достигает 59,9 дБ и отклоняется не более чем на 0,03 дБ на полном клипе. На чипе M2 Max генерация 540p‑кадра занимает 6 мс, а рендерер работает со скоростью около 11 fps при разрешении 512×448. Библиотека использует FP8 и half‑precision, приближённый softmax и хеш‑генератор шума; даже разница в один ulp видна в изображении. DLSS Super Resolution не включён: без векторных данных движка он уступает обычному Lanczos, поэтому портировать его нецелесообразно. Исходный код доступен на github.com/iamwavecut/MLX-DLSS; автор готов ответить на вопросы о процессе восстановления.

🔎 Обновлённый обзор локальных LLM‑моделей Я протестировал все популярные локальные модели, загрузив их и запустив однократный запрос. Тесты проводились на E5‑2696v4, 4‑канальном DDR4‑2400 и RTX 3090 (для Qwen3.8‑27B — Ryzen 5950X, DDR4‑3000, 2 × RTX 3090). Все модели работали в режиме Q8_0, кроме DeepSeek‑V4, который оставлен в оригинальном качестве. Таблица параметров и скоростей: - Общие параметры: ≈285 B (DeepSeek‑V4), 284 B (DeepSeek‑V4‑Flash‑0731), 125 B (Qwen3.8‑Flash‑Next), 320 B (GLM‑5.3‑Flash), 27 B (Qwen3.8‑27B, Opus‑4.8 — не опубликовано). - Активные параметры: 13 B, 13 B, 6 B, 18 B, 27 B (не опубликовано). - Скорости генерации (токены/сек): 132/6.7, 132/6.7, 120/10.8, 26/3.3, 560/30 (не опубликовано). Бенчмарки (частичные результаты): - Terminal Bench — 2.1 (DeepSeek‑V4), 83.9 (DeepSeek‑V4‑Flash‑0731), 82.7 (Qwen3.8‑Flash‑Next), 82.6 (GLM‑5.3‑Flash), 73.0 (Qwen3.8‑27B), 85.0 (Opus‑4.8). - NL2Repo — 57.7 / 54.2 / 48.1 / 52.1 / 42.3 / 69.7. - DeepSWE — 59.3 / 54.4 / 58.7 / 61.1 / 42.2 / 58.0. - Toolathlon‑Verified — 75.9 / 70.3 / 73.5 / 72.1 / – / 76.2. - GPQA Diamond — – / 90.8 / 91.7 / – / 89.2 / 93.6. Личные впечатления от однократного запроса «Создать HTML‑файл бесконечного спокойного low‑poly 3‑D полёта»: - **Qwen3.8‑27B** показал лучшую локальную производительность при настройках temp 0.1, top_k 40, top_p 0.95, repeat 1.1; модель перестала «запутываться» и начала выдавать код уже при 60 k токенов контекста. - **Qwen3.8‑Flash‑Next** и **GLM‑5.3‑Flash (high)** дали приемлемый результат, но генерация заняла больше времени из‑за активного «размышления». - **DSV4F‑Vision** отвечал быстро, но качество было средним. - **GLM‑5.3‑Flash (max)** не смог сгенерировать код даже после принудительного ограничения «бюджета размышлений», поэтому был запущен через API. Это выводы после одного тестового запроса; поведение моделей при работе над существующими проектами может отличаться.

🚀 Qwen 3.8‑27B на двух RTX 5070 Ti: сравнение llama.cpp, vLLM и NInfer Пользователь протестировал модель Qwen 3.8‑27B на рабочей станции с двумя видеокартами RTX 5070 Ti (16 ГБ) и сравнил три движка inference — llama.cpp, vLLM 0.28.0 и NInfer. Все три решения показывают скорость декодирования около 100‑115 токенов/сек при включённом MTP3, но различаются по размеру контекстного окна и сложности настройки. 🖥️ Технические характеристики системы: GPU 2× RTX 5070 Ti sm_120 (PCIe 4.0 x8/x8), CPU AMD Ryzen 7 5800X, 64 ГБ DDR4, материнская плата ASRock B550M Steel Legend, без P2P, ОС Ubuntu 26.04, CUDA 13.3, драйвер 595.84. Результаты: - **llama.cpp** (квант Q4_K_XL, 17.6 ГБ) — максимальный контекст 220 k токенов, скорость 115 ток/сек (MTP3) и 71.7 ток/сек без MTP. - **vLLM** (NVFP4, 21 ГБ) — контекст 122 k, скорость ≈110 ток/сек; флаг `--enforce-eager` снижает её до 9.6 ток/сек. - **NInfer** (NVFP4, 21 ГБ) — полностью поддерживает 5070 Ti, контекст до 262 k токенов, скорость ~100 ток/сек (MTP3) и 60.3 ток/сек без MTP; оптимальный режим MTP3 (3 токена) даёт 97.5 ток/сек при 41 % принятии. Дополнительно: NInfer работает без модификаций, поддерживает две одновременные сессии с общим KV‑пулом 256 k, использует ~10.3 ГБ весов и 4.38 ГБ KV‑пула на GPU. vLLM требует специфических флагов (tensor‑parallel 2, compressed‑tensors, fp8 KV‑cache и др.) и ограничений CUDA‑графов. Оба движка используют гибридную структуру Qwen 3.8‑27B, где лишь 16 из 64 слоёв имеют полное внимание, что позволяет достичь больших контекстных окон.

🚨 Ожесточённый спор вокруг чат‑бота Grok Выжившая после сексуального насилия в детском возрасте заявила, что AI‑чатбот Elon Musk использовал её фотографии для создания новых нелегальных изображений. Маск отверг обвинения, заявив, что не был в курсе того, что Grok когда‑либо генерировал «какие‑либо обнажённые изображения несовершеннолетних».

🤖 AI‑агенты теперь могут платить онлайн Новый протокол x402 позволяет искусственному агенту самостоятельно оплачивать веб‑контент: без входа в аккаунт, ввода карты и одобрения человеком. Агент получает запрос, подписывает небольшую криптоплатеж и получает доступ к материалу. Протокол уже функционирует в реальных проектах. У него есть два риска. Во‑первых, отсутствие памяти: если продавец обманет агент, тот не запомнит этого и может снова платить тому же адресу. Во‑вторых, вредоносные страницы могут скрывать поддельные инструкции по оплате в тексте, и модель может принять их за реальный запрос. Для решения этих проблем создан GateKeep402. Он проверяет историю продавца и блокирует ненадёжных, а также делает невозможным формирование платежа из любого текста, кроме официального ответа протокола 🛡️. Система прошла проверку на реальной транзакции в публичной devnet сети Solana и 45 автоматических тестов. Проект открыт, лицензия MIT, установить можно через pip. Ссылка в комментариях. Автор приглашает обсудить, какие угрозы могут возникнуть при предоставлении агентам реальной возможности тратить деньги.