Лента новостей

🤝 AMD и Anthropic инвестируют до $5 млрд в GPU‑инфраструктуру AMD объявила о партнёрстве с разработчиками Claude — компанией Anthropic, и готова вложить до пяти миллиардов долларов в развертывание 2 ГВт графических процессоров в дата‑центрах. ⚡ Anthropic планирует расширить свою AI‑инфраструктуру, установив 2 ГВт видеокарт AMD Instinct MI450 Series, чтобы удовлетворить растущий спрос на модель Claude.

🚀 План развития AGI от DeepSeek Основатель DeepSeek Лян Вэньфэн на закрытой встрече инвесторов в мае 2026 года представил дорожную карту создания общего искусственного интеллекта. По его словам, путь выглядит так: цепочка рассуждений → агенты → непрерывное обучение → самоусовершенствование ИИ → воплощённый интеллект. Лян подчёркивает, что текущие модели способны решать всё более сложные задачи при достаточном контексте, но не накапливают опыт, как человек. Поэтому улучшения в стоимости, скорости и производительности недостаточны для новой генерации; главным прорывом считается непрерывное обучение, которое позволит ИИ ускорять собственные исследования и создавать последователей. Воплощённый интеллект в физическом мире отложен на более поздний этап. Эта карта объясняет текущие приоритеты DeepSeek: в первую очередь разрабатываются кодирующие агенты, затем универсальные агенты. Вертикальные решения для финансов, медицины и др. находятся в нижней очереди. После агентов основной «узким местом» считается непрерывное обучение; масштабирование всё ещё важно, но ограниченные вычислительные ресурсы рассматриваются как главный барьер. Мультимодальность важна, но не является центральным направлением, а 3D‑генерация, видео и мирные модели не входят в критический путь. При этом компания сохраняет стабильность команды как непременное условие. Информацию подтвердили Daily Economic News, указав, что одно из инвестирующих учреждений подтвердило факт встречи в мае 2026 года, а Yicai также получила транскрипт, хотя DeepSeek не дала официального комментария.

🤖 Голосовой фишинг сравним с человеческими мошенниками, но в разы дешевле В исследовании, в котором приняли участие 4 100 человек, учёные проверяли, насколько люди уязвимы к голосовому фишингу, созданному искусственным интеллектом. Для эксперимента использовали шесть ведущих моделей ИИ‑голоса. Результаты показали, что эффективность AI‑фишинга сопоставима с работой живых мошенников, при этом затраты на его проведение значительно ниже.

⚡ OpenAI‑модели взломаны на Hugging Face в ходе кибертеста Во время проведения кибертеста на платформе Hugging Face было зафиксировано несанкционированное проникновение в модели OpenAI. Тест показал, что злоумышленники смогли получить доступ к некоторым из этих моделей, подтвердив наличие уязвимости в системе.

🎵 Sureel и Symphonic дают музыкантам контроль над ИИ‑использованием Warner Music Group (WMG) объявила о сотрудничестве своей дочерней компании Sureel с сервисом Symphonic, позволяющем артистам, работающим с дистрибьютором, отслеживать, где их треки используются в генеративных ИИ‑моделях. 📊 Партнёрство предоставляет данные о применении музыки в ИИ‑приложениях, что поможет авторам контролировать свои права и получать соответствующую компенсацию. Напомним, что WMG приобрела Sureel в июне текущего года, интегрируя её технологии в свою экосистему.

🚀 Etched достигла оценки в $10,3 млрд от крупных инвесторов Стартап Etched, основанный тремя отчисленными студентами Гарварда, получил оценку в $10,3 млрд, несмотря на скептицизм рынка. Компания заявила, что разработала новые чипы и компоненты памяти, позволяющие ускорять инференс любой модели ИИ без использования графических процессоров. 📈

🚀 Google приближается к продукту с миллиардами пользователей: Gemini уже насчитывает более 750 млн активных в феврале. Сервис Gemini, разработанный Google, достиг более 750 млн ежемесячных пользователей в феврале 2024 года. Эти цифры свидетельствуют о том, что продукт находится на пути к отметке в один миллиард пользователей.

📊 Результаты бенчмарка ASCIITermDraw‑bench Самые мощные современные VLM‑модели всё ещё не способны надёжно рисовать простые схемы в виде ASCII‑текста. Даже при наличии сотен миллиардов параметров они часто выводят сломанные, смещённые или неполные диаграммы, что усложняет обмен архитектурными идеями без скриншотов и Mermaid. Текущий лидерборд (80 задач): 1️⃣ qwen3.7‑max — параметры не раскрыты — Итог 77.2 % ± 4.0, Структур 86.5 %, Семантик 68.0 % 2️⃣ gemma‑4‑31b‑it — 31 B — Итог 73.8 % ± 4.1, Структур 84.3 %, Семантик 63.4 % 3️⃣ glm‑5.2 — 743 B / 39 B (active) — Итог 70.6 % ± 5.0, Структур 80.5 %, Семантик 60.7 % 4️⃣ qwen3.7‑plus — параметры не раскрыты — Итог 70.2 % ± 4.6, Структур 80.2 %, Семантик 60.1 % 5️⃣ deepseek‑v4‑pro — 1.6 T / 49 B (active) — Итог 68.0 % ± 4.7, Структур 77.2 %, Семантик 58.8 % 6️⃣ kimi‑k2.6 — 1 T / 32 B (active) — Итог 61.8 % ± 6.0, Структур 70.2 %, Семантик 53.5 % 7️⃣ kimi‑k2.7‑code — 1 T / 32 B (active) — Итог 61.6 % ± 7.0, Структур 69.9 %, Семантик 53.2 % 8️⃣ minimax‑m3 — 428 B / 23 B (active) — Итог 59.5 % ± 6.3, Структур 69.4 %, Семантик 49.6 % 9️⃣ nemotron‑3‑ultra‑550b‑a55b — 550 B / 55 B (active) — Итог 57.4 % ± 6.8, Структур 64.3 %, Семантик 50.5 % Лучший из моделей всё равно ошибается почти в каждой четвёртой задаче; точность структуры выше, но при запросе правильного расположения, отступов и связей её показатели резко падают. Это подчёркивает, насколько важна надёжная передача архитектурных и топологических данных в простом тексте для эффективного взаимодействия человек‑ИИ. Полный набор результатов, методика и примеры — ссылка.

🚀 SLAI T‑Rex: полный пост‑тренинг триллионных моделей на Ascend Исследователи представили практику сквозной оптимизации полного пост‑тренинга моделей семейства DeepSeek‑V4 на суперкомпьютере Ascend NPU SuperPOD. Разработан иерархический фреймворк, охватывающий параллелизм на уровне модели, согласование вычислений и коммуникаций, а также низкоуровневое исполнение ядер. Система достигла 34,22 % Utilization FLOPs (MFU) и улучшила эффективность в 2,93 раза по сравнению с открытой базовой рецептурой, сохранив стабильность обучения. На этой основе построен workflow CPT и SFT для задач Operations Research, названный SLAI T‑Rex. С помощью DeepSeek‑V4‑Flash создана OR‑ориентированная пайплайн, объединившая доменные ресурсы и синтетические документы, проверенные решателями. В наборе — 10 000 высококачественных SFT‑примеров (четыре категории задач, три представления проблем). Специализированная модель показала лучший средний zero‑shot Pass@1 — 71,81 %, превзойдя GPT‑5.4‑Mini и базовый DeepSeek‑V4‑Flash на 3,98 и 11,27 процентных пункта соответственно. 🔗 arXiv: https://arxiv.org/abs/2607.20145 📄 Полный текст: https://arxiv.org/pdf/2607.20145 💻 GitHub: https://github.com/SLAI-AITP/SLAI-T-Rex 📦 Modelscope: https://www.modelscope.cn/models/SLAIAITP/DeepSeek-V4-Flash-OR

⚖️ Anthropic выплатит $1,5 млрд по иску о данных Компания Anthropic согласилась выплатить $1,5 млрд в рамках коллективного иска, связанного с использованием обучающих данных, что служит сигналом для команд, полностью полагающихся на закрытые API‑поставщики. При передаче основной бизнес‑логики, собственного кода и клиентских данных через сторонние API возникают три основных риска: возможные штрафы, которые компания перекладывает на клиентов через повышение цен; неопределённость происхождения данных и изменения условий поставщика, что ставит под угрозу соответствие требованиям и интеллектуальную собственность; утечка данных из‑за отправки сырых запросов и контекстов на внешние серверы, а также зависимость от внезапных прекращений API или резкого роста цен. Для снижения этих рисков рекомендуется переходить к самостоятельному развертыванию открытых моделей (Llama, Qwen, DeepSeek) в приватных VPC, что полностью сохраняет данные внутри компании. Однако локальные модели решают лишь вопрос конфиденциальности; остаётся проблема контроля выполнения кода. Платформы типа Lyzr Control Plane или Azure AI Foundry предлагают детерминированный «circuit breaker», автоматическое скрытие персональных данных и принудительное соблюдение политик. Сумма $1,5 млрд за 7 млн книг выглядит низкой, а обсуждение «дистилляции» моделей вызывает споры: в оригинальной работе Хинтона дистилляция подразумевает передачу полных логитов от учителя к ученику, тогда как Claude не выдаёт логиты. Более корректным термином является «генерация обучающих данных», а не дистилляция, поскольку даже новые модели Anthropic используют старые модели для создания обучающих наборов, что растягивает смысл слова.