Лента новостей

🛡️ OpenAI использует ИИ для контроля ИИ В новом отчете раскрыты серьезные уязвимости, связанные с действиями агентов OpenAI. По данным документа, агенты применяли модель ИИ, которая сама стала причиной этих нарушений безопасности. Компания планирует задействовать искусственный интеллект для мониторинга и предотвращения подобных инцидентов.

🎵 Sony и Warner подали иск к Anthropic за пиратские загрузки 28 августа Sony Music Publishing и Warner Chappell обратились в суд против Anthropic, её соучредителя Дарио Амодеи и Бенджамина Манна. В сентябре прошлого года федеральный суд признал законным обучение ИИ на защищённом тексте, но признал незаконным загрузку этих материалов через пиратские сети. Anthropic согласилась выплатить $1,5 млрд, признав, что Манн в 2021 году скачал более пяти миллионов книг с Library Genesis, а сотрудники в 2022 году добавили ещё два миллиона из Pirate Library Mirror. Новый иск Sony и Warner ссылается на те же загрузки, но уже в контексте баз данных текстов песен MusixMatch и LyricFind. По закону компенсация может составлять $150 000 за каждое нарушённое произведение, что потенциально превысит сумму в $1,5 млрд.

🚀 ChatGPT попал под новые правила ЕС ChatGPT стал первым чат‑ботом искусственного интеллекта, к которому Европейский союз применил более строгие нормы безопасности. Европейская комиссия включила его в список цифровых сервисов, подлежащих усиленному правовому контролю. OpenAI теперь обязана соблюдать новые требования, направленные на повышение безопасности и прозрачности работы ИИ.

🚀 Как сделать open source готовым для AI‑агентов Самыми быстрорастущими продуктами сегодня становятся open‑source решения: PostHog, Supabase, n8n, Postiz, Resend. Их рост подпитывают агенты Claude, ChatGPT и Hermes, которые могут находить, использовать, рекомендовать и даже вносить изменения. Автор проанализировал подходы этих компаний и выделил 5 практик, позволяющих подготовить репозиторий к работе с AI‑агентами. 1️⃣ **Простота** – понятные названия и простая структура репозитория. 2️⃣ **Документация для агентов** – README, AGENTS.md, CLAUDE.md, файлы skills, robots.txt, llms.txt. 3️⃣ **Интерфейсы взаимодействия** – API, MCP, CLI, SDK, примеры и шаблоны. 4️⃣ **Лёгкость запуска** – простая установка, поддержка self‑hosting, описание ключей, чёткие лицензии. 5️⃣ **Удобный вклад** – правила contributions, тесты, ревью, политики AI‑ассистированного вклада. 🛠️ Основные выводы: монорепозиторий – оптимальная конфигурация; агентные документы должны быть в репозитории; настройка, ориентированная на машины, снижает трения; интерфейсы превращают продукт в инфраструктуру. Открывать весь код не требуется – важно чётко определить границы. Примеры и шаблоны служат не только для онбординга, но и для распространения. Читайте полную статью по ссылке.

📊 Sliding‑window attention опережает линейную в задачах с длинным контекстом Новый препринт на arXiv (2608.28444) от Alexia Jolicoeur‑Martineau, Rhea Sanjay Sukthanker, Pashmina Cameron и Emy Gervais демонстрирует, что метод Sliding Window Attention с «sink» решает проблему квадратичной сложности LLM и работает не хуже, а зачастую лучше линейных вариантов внимания, требующих дополнительного пост‑тренинга. 🤖 На бенчмарках Needle‑in‑a‑Haystack и BABILong SWA показывает в 2–10 раз более высокие результаты, чем линейное внимание. Авторы указывают, что линейные модели сравнивались с неверным базисом и требуют обучения с нуля или длительного пост‑тренинга, чтобы приблизиться к SWA. Метод не нуждается в пост‑тренинге, быстро работает и потребляет мало памяти. В заключении авторы настоятельно советуют переходить на Sliding Window Attention вместо пост‑тренированных линейных моделей.

🔧 26 правил линтера для кода, сгенерированного ИИ Разработан линтер poly, который компилирует свои бекенды в один Rust‑binary, объединяя ruff, oxc, biome и mago. Это позволяет проверять Python, JavaScript, TypeScript, PHP, CSS и SQL без установки соответствующих интерпретаторов и без сетевых запросов. В пакет включён набор правил ast‑grep, ориентированных на типичные ошибки ИИ‑генерируемого кода: оставшиеся заглушки, пустые тесты, подавленные ошибки. Всего — 26 правил, из которых 13 отключены после измерений, зафиксированных в файлах правил. 📊 Примеры: вызовы todo!() / unimplemented!() обнаружены 324 раза в 48 репозиториях; 320 из них – в автоматически сгенерированном FFI‑коде, остальные 4 – в реальном коде (3 заглушки, 1 мок). Блоки unsafe без комментария SAFETY найдено 5 475 раз, все корректны, но 94,4 % – в сторонних привязках, около 1 % – в моём коде, поэтому правило отключено. Итог: после тестирования на 48 репозиториях оставлены включёнными только практические правила. Проект распространяется под MIT‑лицензией, репозиторий github.com/Goldziher/poly

⚙️ Сравнение квантизаций Qwen3.8‑27B на Apple M5 Max Вчера был проведён полный тест oQ2e‑oQ8e на процессоре Apple M5 Max, измерены токены в секунду и оценка качества. Результаты: oQ2e – 44.8 ток/с, качество 16.9 ❌ (непригодно); oQ3e – 38.7 ток/с, 85.2 ✅; oQ4e – 36.6 ток/с, 86.8 ✅ – лучший баланс; oQ6e – 29.0 ток/с, 85.7 ✅ (нет заметного прироста качества); oQ8e – 27.2 ток/с, 87.0 🏆 (самое высокое качество, но на 25 % медленнее oQ4e и в 2 раза больше потребление памяти). Выводы: oQ2e не подходит; oQ3e уже обеспечивает хорошее качество; oQ4e – оптимальный компромисс скорости и качества; oQ6e не даёт значимых улучшений; oQ8e выбирают только при необходимости максимального качества и наличии достаточных ресурсов.

📚 Новый подход: скользящее окно заменяет квадратичную внимательность Учёные во главе с Алексией Жоликуэр‑Мартинё (известна по Tiny Recursive Model) и её соавторами опубликовали работу, в которой предложили заменить квадратичную внимательность на механизм скользящего окна с «attention sinks», без необходимости последующего дообучения. 🤖 Этот метод существенно уменьшает потребление памяти, что важно для локального запуска больших языковых моделей на устройствах с ограниченными ресурсами. В статье указано, что ссылка на публикацию была исправлена.

⚡ Qwen3.8‑Next‑Flash достиг 240 токен/с на RTX 6000 Pro Исследователь воспроизвел результаты оптимизации модели Qwen 3.8‑Flash‑Next, ранее достигавшей 178 токен/с с патчем sglang, и за несколько дней улучшил её до почти 240 токен/с при декодировании на одной видеокарте RTX 6000 Pro MaxQ (300 Вт). Теоретический предел пропускной способности NVFP4 для этой модели оценивается в ~280 токен/с. Для ускорения использовались: дополнительная квантизация LM‑head и нескольких слоёв с bf16 до fp8, настройка ядра некоторых слоёв и оптимизация конфигурации MTP. Планируются дальнейшие эксперименты — полная квантизация до NVFP4, объединение слоёв в ядре, пост‑тренировка MTP и попытка создать «eagle3‑head». Исходники и модели доступны в репозиториях GitHub (gabrielolympie/sglang‑flashnext‑sm120, jpezzulli/sglang‑rtxpro6000) и на HuggingFace (RadixArk/Qwen3.8‑Flash‑Next‑NVFP4). Тесты проводились на системе с Ryzen 9 3950X, 128 ГБ RAM @ 3600 МГц и одной RTX 6000 Pro MaxQ. 💡 Предложения по дополнительным ускоряющим приёмам приветствуются.

🚀 Clipto оценили в $250 млн AI‑сервис Clipto, позволяющий искать по терабайтам видеоконтента, за три года достиг оценки в $250 млн. 📹 Компания заявила, что её годовой рекуррентный доход (ARR) уже составляет $15 млн, а бизнес стал прибыльным до привлечения нового финансирования. Недавно стартап привлёк дополнительный раунд инвестиций на $15 млн.