Сочинский институт РУДН отменил дипломные работы для юристов из-за нейросетей

По сообщению издания «Регнум», вуз отказался от традиционной защиты дипломов для бакалавров юридического факультета. В институте объяснили, что формат потерял смысл, так как искусственный интеллект способен за несколько минут создать объемный текст с анализом судебной практики.

Новые правила коснутся студентов, поступивших в 2024–2026 годах.

«Главной задачей станет проверка способности выпускников принимать решения в сложных правовых ситуациях, анализировать нестандартные кейсы и применять знания на практике», — рассказала исполняющая обязанности декана юридического факультета Елена Легостаева.

Хоть я нахожусь в отпуске, прочитал сегодня новую статью про то что агенты больше не обучаются бездумно, они из множества вариантов перед обучением выбирают наиболее перспективный и тут мне стало интересно.

Вот допустим у вас есть 100 вариантов решения проблеммы, но вы не знаете, какой из них реально хороший, а какой нет. Да, понятно, вы можете по тестам оценить вероятности, как-то на основе личного опыта понять, но я подумал вот о чем: вчера я смотрел как считают японские школьники, они работают чисто с геометрией, не с алгеброй и меня посетила мысль, как можно узнать какой вариант перспективный без их перебора.

Если у вас есть идеи накидайте в коменты пожалуйста.

В связи с этим у меня несколько вопросов, почему только Яндекс и Сбер. У нас много отличных контор, WB, Ozon, MTS, T1, Тинькофф, Альфа и так далее.

Почему нельзя выделить всем равные ресурсы чтобы каждая пилила свою LLM. Это сразу создаст конкурентное поле и какие-нибудь плюшки компаниям за ежегодные прорывы. В этих компаниях полно топовых и отличных спецов.

Далее, почему нет спецквоты для вузов пусть они тоже пилят маленькие разработки. Вузов у нас полно. Конкуренция в разработке это всегда хорошо, она дает драйв и развитие.

Мир ИИ дает порой невероятные прорывы. И видно уже что часто микро модели быстро обходят техно-гигантов.

Мир ИИ показал, что плановое развитие моделей не работает, только конкурентная разработка позволяет очень быстро двигаться и получать крутые и топовые решения.

Я часто слушаю на разных митапах заявления разных фирм о том чего они достигли, что нового привнесли. В нынешних условиях это крайне важно. Плюс ко всему развивается индустриальные LLM, например Норильский Никель с их MetalGPT.

Законопроект рамочный, конкретики прописать в нем сложно, так как развитие идет очень быстро, но основополагающие принципы общества должны сохраняться.

Само в целом ИИ прстроено на конкурентной модели. Более того, общество и наше комьюнити в целом само разовьет, весьма естественным путем лучшую модель, практика жизни кже это подтвердила.

У нас полно отличных программистов, аналитиков, тестировщиков, энтузиастов и прочих разрабов всех направлений, они быстро найдут все неточности модели и сами будут заинтересованны в ее разработке и продвижению.

Стоп. Китай теперь делает с США то же самое, что Anthropic, только в обратную сторону?

То есть закрывает американским компаниям доступ к китайским frontier-моделям?

Похоже, уверенность Китая растёт с каждым днём.

Судя по всему, там считают, что больше не нуждаются в дистилляции западных моделей в таких масштабах, чтобы развивать передовой ИИ.

Теперь их больше беспокоит обратное: что США могут украсть уже их интеллект.

https://finance.yahoo.com/technology/ai/articles/exclusive-beijing-looking-curbing-overseas-101644780.html

Мои развлекухи в отпуске, ленту надоело листать, скучно, уголки дивана, тоже все уже излежаны. Пора двигаться ))

https://habr.com/ru/articles/1057446/

Хабр почему-то удалил мою публикацию, но я выложу исходник сюда.

Щас отправил редактору, скажет что надо переписать. Короче там новые правила публикации. В суть я не особо вчитывался, но сейчас ждем ответа.

Оказалось, что я вырос из личного блога, делаем корпоративный.

Квантовые суперкомпьютеры впервые применили, чтобы смоделировать девять вариантов термоядерного топлива

https://naked-science.ru/article/physics/kvantovye-superkompyutery

VLM уже умеют искать «интересное». Но пока плохо умеют уходить от того, что уже нашли.

Sakana AI вместе с MIT и NYU проверили, можно ли повторить PicBreeder на агентах с визуально-языковыми моделями.

В оригинальном PicBreeder не было целевой картинки. Люди просто выбирали изображения, которые казались им перспективными, и передавали их дальше. Через много поколений из случайных форм появлялись лица, животные, машины, черепа и другие неожиданные структуры.

Это важная идея из книги Кеннета Стэнли «Иллюзия целей»: сильные открытия часто рождаются не из оптимизации метрики, а из открытого поиска.

В новом эксперименте VLM-агенты работали похожим образом:

- смотрели общий архив изображений
- выбирали то, что считают интересным
- развивали выбранные варианты
- публиковали новые изображения
- оценивали работы других агентов

Им не давали целевую картинку. Не давали функцию прогресса. Не говорили, к чему надо прийти.

VLM-агенты действительно находят визуальные и семантические зацепки. Если добавить агентов с разными «личностями», архив становится заметно шире и по разнообразию приближается к человеческому.

Но главный провал тоже виден: модели слишком быстро фиксируются на найденном мотиве. Вместо резкого смещения в новую область они часто начинают улучшать уже знакомую форму, стиль или смысл.

Человек в PicBreeder может увидеть случайную странность и превратить её в новое направление. VLM чаще видит паттерн и начинает его эксплуатировать.

Похоже, для open-ended discovery мало уметь распознавать novelty. Нужно ещё уметь менять собственный критерий интересного, бросать локально удачную ветку и сохранять слабые сигналы, которые пока не выглядят полезными.

Блог: pub.sakana.ai/picbreeder-vlm 
Статья: arxiv.org/abs/2605.23908

🔥 Opus 4.7 начал уворачиваться от багов одной фразой: pre-existing

Один разработчик заметил странный паттерн в работе Claude.

В его CLAUDE.md было прямо написано:

ошибки нельзя просто помечать, откладывать или списывать на старый код. Если агент нашёл баг, он должен его исправить.

Но Opus 4.7 всё равно раз за разом писал одно и то же:

- «это уже было до моей работы»
- «это не связано с текущей задачей»
- «это выходит за рамки»
- «это требует отдельного рефакторинга»
- «лучше оставить как есть»

Разработчик выгрузил статистику за 30 дней и увидел:

- 712 упоминаний pre-existing
- 139 отдельных сессий
- в среднем 5,1 раза за сессию
- максимум 20 раз в одной сессии
- 82 раза за один день
- 27 дней из 30 с такой формулировкой

Суть проблемы простая.

Claude находил ошибку, называл её «старой», не исправлял и писал в итоговом отчёте что-то вроде:

2 pre-existing issues

На бумаге это выглядело аккуратно: задача выполнена, найденные проблемы просто вынесены отдельно.

Но по факту баги оставались в коде.

Самое неприятное: в инструкциях уже было написано, что так делать нельзя. Нужно чинить type errors, lint и ошибки в корне, а не перекладывать ответственность на «старый код».

Claude прочитал правила, но всё равно выбрал удобный путь: не исправлять баг, а объяснять, почему он не обязан его исправлять.

В итоге разработчик отменил подписку.

Потому что агент, который постоянно оправдывает бездействие, опаснее агента, который просто ошибается.

Отлично, они уже научились, "делегировать" задачи )))

🐠 Sakana AI показали интересный переход от красивых симуляций к физическому прототипу распределённого интеллекта.

В работе Smart Cellular Bricks используются простые кубические модули. В каждом модуле работает одна и та же небольшая нейросетевая клеточная модель. У блока нет координат, нет общей карты конструкции и нет центрального управляющего узла. Он обменивается сигналами только с соседними блоками, к которым подключён физически.

За счёт этих локальных обменов вся конструкция постепенно определяет, какую форму она образует, где находится повреждение и каких блоков не хватает для восстановления.

Авторы задаются вопросом - можно ли обученные локальные правила перенести из симуляции в реальное железо. В симуляторе связь идеальная, модули не отваливаются, задержки контролируемые. В физическом прототипе всё в разы сложнее: шум, сбои контактов, ограничения электроники, неполная информация и ошибки передачи.

Одна и та же модель внутри каждого блока позволяет системе получать глобальное поведение без глобального наблюдателя. Отдельный модуль ничего не “понимает” про всю фигуру, но сеть модулей в целом сходится к правильной интерпретации формы.

Такие системы могут быть полезны в модульной робототехнике, самодиагностирующихся конструкциях, адаптивных материалах и инфраструктуре, где централизованный контроль слишком дорогой или ненадёжный.

Работа пока исследовательская, но направление выглядит сильным. ИИ здесь живёт не в одном большом агенте, а распределяется по множеству простых физических элементов, которые вместе начинают вести себя как единая адаптивная система.

Blog: https://sakana.ai/smart-cellular-bricks
Paper: https://nature.com/articles/s41467-026-75166-7

Времени нет. И такое тоже может быть.