Лента новостей

🚓 Полиция Техаса использовала ИИ для отчёта о поиске женщины после аборта В управлении полиции Техаса применили искусственный интеллект, чтобы автоматически составить служебный документ о применении системы видеонаблюдения Flock в деле поиска женщины, сделавшей аборт. Сотрудники указали, что ИИ помог оформить детали операции, включая описание использованных камер и маршрутов. Этот случай демонстрирует, как быстро правоохранительные органы внедряют инструменты ИИ‑наблюдения даже в особо чувствительных расследованиях.

🚨 ICE нанимает AI‑компанию для сокрытия личных данных сотрудников В утечке служебного меморандума сотрудник ICE сообщил, что новое ИИ‑решение будет защищать агентов от раскрытия их личных данных. По словам официального представителя, технология предназначена предотвратить до́ксинг сотрудников. Некоторые критики опасаются, что та же система может быть использована для выявления информаторов.

⚡ Ollama опережает llama.cpp на Celeron N5095 Проведённые сравнения Ollama 0.32.1 и нативной сборки llama.cpp (commit 9a286ac) на плате с процессором Celeron N5095 показали, что CPU‑раннер Ollama работает быстрее во всех тестах, обеспечивая от 16,1 % до 34,9 % больший внутренний throughput генерации. Токены в секунду (tok/s) при одинаковом запросе (4096‑токенный контекст, 4 потока, отключённый кэш подсказок, 96 генерируемых токенов): - Qwen3 0.6B – llama.cpp 6,725 → Ollama 7,809 - Qwen3 1.7B – 2,852 → 3,321 - Qwen3 4B Instruct – 1,484 → 2,002 - Phi‑4 Mini – 1,570 → 2,072 Полный Vulkan ускорил обработку подсказок в 3,31‑3,50 раз для Qwen3 0.6B и 1.7B, повысил скорость генерации примерно на 16 % и снизил пик температуры GPU с 81 °C до 57 °C и с 84 °C до 58 °C. При попытке запустить более крупные модели (Qwen3 4B, Phi‑4 Mini, Qwen3 8B, Gemma 3) возникали сбои GPU (reset i915, vk::DeviceLostError). Тесты MTP (глубины 1‑4) показали более медленную работу, чем без MTP, несмотря на активный путь draft. Для обычного CPU‑использования на этой плате рекомендуется оставаться на Ollama. При работе с Vulkan лучше выбирать модели Qwen3 0.6B или 1.7B, а MTP следует отключать. Полный отчёт, таблицы и детали тестов доступны по ссылкам: https://unland.dev/blog/youyeetoo-x1s-ollama-llamacpp-matched-retest и https://github.com/TrevTron/youyeetoo-x1s-kali.

🚀 HiddenLayer привлекла 100 млн долларов Компания объявила о получении инвестиций в размере 100 млн долларов, что совпало с ростом спроса предприятий на защиту развернутых ИИ‑решений. 🔐 В ответ на это, фирмы из сектора кибербезопасности ускоряют разработку продуктов, способных мониторить не только ИИ‑агентов, но и используемые ими инструменты и дополнения.

🔍 Amazon добавил проверку сообщений в Alexa for Shopping 📧 Теперь сервис может определить, является ли полученное письмо, смс или другое сообщение мошенническим, проверяя, действительно ли оно пришло от Amazon. Функция работает в рамках Alexa for Shopping и помогает пользователям избежать фишинговых атак.

📚 Jasper Research опубликовала руководство по созданию модели «текст‑в‑изображение» с нуля В «кукинбуке» подробно изложены все этапы разработки, включая обоснования и промежуточные результаты, что делает его полезным как для глубокого изучения, так и для простого интереса к методам передовых лабораторий. В комплекте предоставлен набор из 100 млн изображений и кодовая база с небольшим nano‑t2i‑моделью, позволяющие обучить собственную модель. Ссылки: Cookbook — https://huggingface.co/spaces/jasperai/t2i-technical-interactive-report, nano t2i — https://github.com/gojasper/nano-t2i, Monet Dataset — https://huggingface.co/datasets/jasperai/monet 🖼️

⚙️ Тест локального LLM Qwen3.8‑27B на RTX 5080 Первый серьёзный запуск настройки модели с истинным квантом Q4_K_M показал скорость ≈ 13,2 токен/сек при контексте 50‑61 K на видеокарте RTX 5080 16 GB. Тест проводился на системе: RTX 5080 16 GB, процессор i5‑14600K, 64 GB DDR5‑5600, Windows; использовались Unsloth Qwen3.8‑27B UD‑Q4_K_M (16,46 GB), официальная сборка llama.cpp b10760 CUDA 13.3, контекст 65 536, один слот Q4_0 K/V‑кеш, Flash Attention medium, текст‑only агент Pi. Результаты: 49 738 входных токенов — 13.247 / 13.260 / 13.261 tok/s в трёх запусках; 61 238 токенов — 13.055 tok/s; 4 из 4 запросов успешно выполнены, Pi отредактировал реализацию, запустил PowerShell и получил PASS. При выборе размещения FFN‑тензоров (перенос 16 крупнейших групп, ~2.764 GiB, на CPU) внимание и KV‑тензоры остались на GPU. Полный слой в LM Studio давал лишь 6.633 tok/s; MTP‑режим был медленнее (MTP1 8.654 tok/s, MTP3 7.810 tok/s), а без MTP — 13.256 tok/s, вероятно из‑за конкуренции за пропускную способность RAM. Полный набор скриптов, конфигураций, бенчмарк‑harness, сырые результаты, SHA модели и методика опубликованы — https://github.com/johnconnor2020/qwen38-27b-rtx5080-16gb. Ограничения: синтетический запрос‑промпт, тест Pi — практический smoke‑test, часть кэша переиспользовалась, скорость декодирования не менялась; результаты могут зависеть от пропускной способности RAM и версии llama.cpp. 📊

📊 Adobe приобрела индийский стартап Rilo Adobe объявила о покупке Rilo — компании, занимающейся рыночной аналитикой в Индии. Это второе приобретение Adobe в Индии после Rephrase.ai, которое было завершено в 2023 году. 🚀

🕹️ H3-World: управление игровым миром через язык Новая система H3-World переводит текстовые инструкции в действия персонажа и камеры, используя предварительно обученный текстовый путь MiniMax‑H3. Для точного контроля она привязывает один запрос к каждому интервалу латентного видео, что позволяет менять действия во времени. Обучение потребовало лишь 8 000 образцов игрового процесса, 10 000 шагов LoRA и 0,199 % обучаемых параметров, что обеспечивает управляемое движение даже в новых комбинациях действий и визуальных сценариях. ✏️ Статья: https://huggingface.co/papers/2609.01560 📄 arXiv: https://arxiv.org/abs/2609.01560 💻 Код: https://github.com/Danzer1xxxxChan/H3-World 🏠 Проект: https://danzer1xxxxchan.github.io/H3-World/ 🤗 Модель: https://huggingface.co/DANNY621/H3-World

⚠️ Открытые детекторы ИИ не выдерживают 0.5 % ложных срабатываний Исследователи проверили шесть известных открытых моделей‑детекторов, используя единый набор публичных данных: статьи Jabarian & Imas 2025 (NBER), эссе TOEFL 2023 (Liang), 1 060 текстов современных генераторов (GPT‑5.x, Claude Opus 5, Gemini 3.x) и 5 000 страниц FineWeb 2018 как человеческий пул. Для каждой модели порог был настроен на одинаковых 6 930 человеческих документах, чтобы достичь 0.5 % ложных срабатываний, после чего измеряли «отзывчивость» к чистому ИИ‑тексту, к тексту, изменённому Humanizer‑парафразом, и к «фронтирным» моделям. 🔍 Выяснилось, что четыре из шести моделей не могут достичь целевого уровня 0.5 % FPR. MAGE присваивает оценку >0.9999 целых 26 % обычных веб‑текстов, а старый детектор OpenAI RoBERTa показывает AUC 0.31 – хуже броска монеты против современных генераторов. При Humanizer‑парафразе эффективность падает: лучший детектор улавливает лишь 42 % таких текстов, второй – 4 %. Кроме того, все модели чаще ошибочно помечают эссе неродных авторов, чем работы носителей языка, что указывает на системный недостаток. Таблица результатов (ROC‑AUC / recall при 0.5 % FPR): - tropa-mini: 0.968 | 93.2 % | 41.6 % | 33.6 % - desklib/ai-text-detector-v1.01: 0.875 | 83.9 % | 4.0 % | 1.8 % - SuperAnnotate/ai-detector: 0.824 | 0.5 % | 1.4 % | 0.6 % - Hello‑SimpleAI/chatgpt-detector-roberta: 0.571 | 0.8 % | 0.4 % | 0.2 % - yaful/MAGE: 0.507 | — | — | — (не достигает 0.5 % FPR, флагирует 26 % человеческого текста) - roberta-large-openai-detector: 0.313 | 0.0 % | 0.1 % | 0.0 % Один из шести детекторов – наш собственный, опубликованный под Apache‑2.0. Все наборы данных и методика доступны в карточке модели на Hugging Face: huggingface.co/wasitaigeneratedcom/ai-text-detector-small.