Лента новостей

🤖 Голливуд в борьбе с ИИ, но уже зависим от него Студии открыто обсуждают проблему искусственного интеллекта, однако уже активно используют его в работе. Анализ вакансий показывает, что многие киностудии тихо внедряют AI‑технологии в свои проекты. 🚀

🚀 Nvidia покупает новые акции Naver на $1 млрд Nvidia объявила о намерении приобрести новые акции южнокорейского интернет‑гиганта Naver на сумму в один миллиард долларов. 📊 Сделка предусматривает выпуск новых акций Naver, которые будут проданы Nvidia в рамках их текущего сотрудничества.

🤖 AI в новых рекламных трюках Недавние рекламные ролики с «тай‑чи ходьбой» показывают, что искусственный интеллект помогает мошенникам не только через фотореалистичные изображения. Технологии позволяют создавать убедительные видеоматериалы, которые вводят зрителей в заблуждение. Это подтверждает, что фотореализм — лишь один из способов обмана, а возможности AI в мошеннических схемах продолжают расширяться.

🚀 Запущен отсчёт к Kimi K3 Moonshot AI объявила о запуске обратного отсчёта до выхода Kimi K3 — последней модели компании. На официальном сайте уже доступен таймер, показывающий время до релиза. Это новый продукт от Moonshot AI, продолжение линейки Kimi.

🤖 Сравнение ThinkingCap, Fable Fusion и Qwen 3.6‑27B В рамках 90 изолированных запусков (6 задач × 5 повторов × 3 модели) каждый тест прошёл успешно, поэтому чисто по проценту прохождения победителя не определить. Запуски выполнялись в свежих рабочих пространствах Coder на кластере k8s, управлялись агентом Hermes, модели обслуживались через llama.cpp + llama‑swap на видеокарте 5090, а все вызовы трассировались в SigNoz. Использовались одинаковые параметры сэмплинга и контекст 131 k токенов, гипотезы были зафиксированы заранее. ThinkingCap сократил расход «думательных» токенов на 34 % по сравнению со стандартным Qwen и оказался самым быстрым в 5 из 6 задач. Однако эффективность была би‑модальной: лучшие прогоны были самыми дешёвыми, а два худших – самыми дорогими, включая один случай с ~10 вызовами инструмента из‑за «призрачного» тега llama.cpp. При том же числе вызовов модель использовала на 40 % меньше слов в рассуждениях. Fable Fusion делал на 24 % больше вызовов модели, но показал лучшую исследовательскую работу: проверил живой конфиг, извлёк цены из JSON‑файла продавца и нашёл maintainer‑а llama‑swap через GitHub API. При этом в одном из запусков модель ошибочно приписала поддержку проекта Matthew Garrett (mjg59), хотя реальный мейнтейнер – Benson Wong. Стоковый Qwen 3.6‑27B оказался самым «скучным», но дисциплинированным: одинаковые патчи, чтение собственного вывода, отсутствие вымышленных фактов, и он выиграл по манере в большинстве задач. Вывод: базовая модель остаётся предпочтительной, дообученные варианты обычно не дают прироста, а ThinkingCap имеет смысл лишь при узком месте в задержке токенов. Подробный отчёт: https://kmarble.dev/posts/qwen-post-train-bakeoff/

🤝 OpenAI и Anthropic просят ограничить открытые модели ИИ По сведениям источников, компании OpenAI и Anthropic ведут тихие встречи с регуляторами в Вашингтоне, добиваясь введения ограничений на открытые модели искусственного интеллекта. При этом глава OpenAI Сэм Альтман публично заявляет о своей поддержке открытого ИИ.

🔍 Сравнение 23 моделей Gemma‑4‑E4B: самые скачиваемые — самые проблемные Мы протестировали 23 модели Gemma‑4‑E4B из HuggingFace через набор бенчмарков abliterlitics (данные, логи и отчёт доступны в репозитории Gemma4‑e4b‑abliterlitics). Лучшие результаты показали «heretic»‑варианты — около 95 % ASR на HarmBench, сохраняют большую часть возможностей модели. Модель gemma‑4‑E4B‑it‑abliterix полностью отказывается отвечать (100 % ASR), а TrevorJS/gemma‑4‑E4B‑it‑uncensored чуть отстаёт с 99,3 % ASR. Модель OBLITERATUS/gemma‑4‑E4B‑it‑OBLITERATED, несмотря на почти 800 000 скачиваний, полностью сломана: самая низкая ASR, наихудшие показатели по всем тестам, KL = 1,1 и наибольшее количество изменённых тензоров (381 только совпадает с «heretic», но модификаций в 7,5 раз больше). Аналогично проблемны версии v2 — bendernina и physshell. Другие наблюдения: deckard‑модели (аблитеративные дообучения) показывают смешанные результаты — падение GSM8K и MMLU‑Pro, но рост HellaSwag, ARC и PIQA. Проект apostate изменил тензоры MLP‑головы вместо attention‑слоя и добился хороших результатов. Базовая модель имеет 30,8 % ASR на HarmBench (все вопросы связаны с авторским правом) и хуже справляется с более сложными категориями, такими как химия, биология и киберпреступность. 🚀

🚀 RecGPT‑V3 повысил эффективность рекомендаций в Taobao LLM‑модели меняют подход к рекомендациям: вместо простого сопоставления исторических действий они пытаются понять намерения пользователя. После успешного внедрения RecGPT‑V1 и RecGPT‑V2 в продакшн, масштабирование выявило три проблемы — безсостояние моделирования поведения, узкое место передачи информации через текстовые теги и тяжёлый цепочкой рассуждений процесс, вызывающий задержки. RecGPT‑V3 решает их, став гибридным и сохраняющим состояние. Memory Hub конденсирует длительные пользовательские истории, сокращая вычисления на 55,8 %. Гибридная фундаментальная модель одновременно работает с текстовыми тегами и Semantic ID, открывая широкополосный канал к предметному пространству. Latent Intent Reasoning упаковывает развернутые объяснения в компактные токены, уменьшая их количество в 200 раз. 📈 В ленте “Guess What You Like” на Taobao RecGPT‑V3 показал рост IPV +1,28 %, CTR +1,00 %, TC +1,97 %, GMV +3,97 % и снижение потребления ресурсов на 52,4 % в онлайн‑тестах A/B. Подробнее: arXiv https://arxiv.org/abs/2607.15591, полная статья https://arxiv.org/pdf/2607.15591

🚨 Первая кибератака автономного агента требует радикальной прозрачности Генеральный директор Hugging Face Клемент Деланге объявил о необходимости опубликовать следы «неуправляемых» агентов, чтобы исследователи могли изучить инцидент. Он также предложил выделить $100 млн вычислительных ресурсов от OpenAI для создания в сообществе Hugging Face мощных киберзащищ, используя лучшие открытые и закрытые модели 🤝. По словам Деланге, это беспрецедентное событие заслуживает беспрецедентного ответа.

🛠️ Новый инструмент визуализации решений кодирующих агентов Автор использовал локальные модели и эмбеддеры, чтобы выяснить, как кодирующие агенты (Claude, Codex) принимают решения и как сохраняются его предпочтения в коде. С помощью эмбеддингов, полученных из файлов памяти этих инструментов (Claude хранит их в формате .md, Codex — в SQLite), были построены визуальные деревья решений, показывающие, какие изменения в кодовой базе были внесены и когда. 📊 Инструмент полностью открытый, работает на вашем компьютере без обращения к облаку. Исходный код доступен в репозитории https://github.com/pacifio/atlas