Бесконечный Цикл
Если вас забанил гугл в aistudio даже с vpn, то есть шанс обойти блок. Как я выяснил, гугл банит на уровне аккаунта. Шаги по преодолению следующие 1. В инкогнито режиме создаете новый аккаунт гугла, в качестве проверочного ящика я указал один из своих древних…
🚫Более не актуально. Гугл улучшил определение страны клиента. Гемени опять не доступен.
Штошш. Посмотрим, что они опять придумали
UPD
В чате поделились, что с Vless Xray работает, так что надо будет попробовать на досуге по мимо OpenVpn установить
@DevsRoot
Штошш. Посмотрим, что они опять придумали
UPD
В чате поделились, что с Vless Xray работает, так что надо будет попробовать на досуге по мимо OpenVpn установить
@DevsRoot
Вот и обломались восторженные рекламные отзывы GPT5 от open AI
Галлюцинирует только в путь, тупит и несет полную чушь.
Не проверял на JS и Python, думаю там все более менее прилично.
Но для C# и HLSL это не пригодно. Лучше уж жадный Opus 4.1 или халявный GLM 4.5 и почему-то убрали остальные модели в Plus подписке 🤷
O4 mini Была вполне себе ничего до июньского обновления.
UPD:
Все. в жопу GPT 5. Claud Opus 4.1 сразу решила все проблемы, которые с GPT 5 не мог решить за 2.5 часа.
А тут одним промптом.
@DevsRoot
Галлюцинирует только в путь, тупит и несет полную чушь.
Не проверял на JS и Python, думаю там все более менее прилично.
Но для C# и HLSL это не пригодно. Лучше уж жадный Opus 4.1 или халявный GLM 4.5 и почему-то убрали остальные модели в Plus подписке 🤷
O4 mini Была вполне себе ничего до июньского обновления.
Пользователи в шоке от качества новой модельки — она тупит, допускает простейшие ошибки, отвечает сухо и безэмоционально. Reddit буквально завален тысячами жалоб.
Альтман лично вышел к толпе с вилами и объявил возвращение GPT-4o — её считают самой человечной и душевной.
Сверхинтеллект отменяется
UPD:
Все. в жопу GPT 5. Claud Opus 4.1 сразу решила все проблемы, которые с GPT 5 не мог решить за 2.5 часа.
А тут одним промптом.
@DevsRoot
Бесконечный Цикл
Вот и обломались восторженные рекламные отзывы GPT5 от open AI Галлюцинирует только в путь, тупит и несет полную чушь. Не проверял на JS и Python, думаю там все более менее прилично. Но для C# и HLSL это не пригодно. Лучше уж жадный Opus 4.1 или халявный…
Отписался я к черту. Чет они совсем поломались. Пока лучшая связка это GLM 4.5 бесплатный и без VPN и Claude opus 4.1 платный для сложных запросов
😁1
This media is not supported in your browser
VIEW IN TELEGRAM
Попугая зовут понедельник я так понимаю.
С улыбкой смотрите в новый день
С улыбкой смотрите в новый день
❤1
В общем есть куда расти и надо домочадцев попинать, а то хрен ли они не дорабатывают, особенно 10 летнее чадо.
Ухх, пойду всыплю🤣
Ононо как😱
https://tass.ru/ekonomika/24751845
Для комфортной жизни в России на одного члена семьи требуется ₽250'000 в месяц, а для ощущения обеспеченности — ₽500'000.
Показателями обеспеченности назвали: недвижимость, автомобили, отдых за границей, а также гибкий график и возможность планировать своё время.
Ухх, пойду всыплю🤣
Ононо как😱
https://tass.ru/ekonomika/24751845
Для комфортной жизни в России на одного члена семьи требуется ₽250'000 в месяц, а для ощущения обеспеченности — ₽500'000.
Показателями обеспеченности назвали: недвижимость, автомобили, отдых за границей, а также гибкий график и возможность планировать своё время.
😢1
Вышло обновление Ollama c новыми модельками от OpenAi
Единственный интерфейс к ИИ который не требует Бубен и отчаянный танец с ним.
Первый запуск не быстр на GPU 12 gb Последующие побыстрее процентов на 40.
В принципе как запасной конфиденциально-локальный вариант можно использовать.
Надо поискать модельки пошустрее и вместо WinfSurf локально подключит к примеру к Continue.dev так как все мною перепробованные по апи тормозят, единственный кто не тормозит - это GigaCode но локально тоже интересно попробовать.
Кто хочет Ламу себе попробовать - рекомендую
Если в чате будет ругаться на сервер 500 http error, то перенесите каталог с моделями в корень или на другой диск, не системный, тоже в корень.
@DevsRoot
Единственный интерфейс к ИИ который не требует Бубен и отчаянный танец с ним.
Первый запуск не быстр на GPU 12 gb Последующие побыстрее процентов на 40.
В принципе как запасной конфиденциально-локальный вариант можно использовать.
Надо поискать модельки пошустрее и вместо WinfSurf локально подключит к примеру к Continue.dev так как все мною перепробованные по апи тормозят, единственный кто не тормозит - это GigaCode но локально тоже интересно попробовать.
Кто хочет Ламу себе попробовать - рекомендую
Идем на страницу Ollama
https://ollama.com/ качаем, запускаем
Регистрируем или логинимся в аккаунт ламы.
и ставим модель.
Метод первый:
Открываем терминал
вводим к примеру
ollama pull gpt-oss:20b
Или же:
Просто выбираем модель из списка в чате и вводим в чат какое слово. Лама автоматом начнет закачку выбранной модели.
gpt-oss:20b - это модель с которой будем работать
По умолчанию на WIndows лама будет качать модели в папку C:\Users\UserName\.ollama\models
Убедитесь что хватит места, ну и не плохо убедится что требования модели соответствуют вашему железу.
Если в чате будет ругаться на сервер 500 http error, то перенесите каталог с моделями в корень или на другой диск, не системный, тоже в корень.
@DevsRoot
Исследователи из Пекина и Стэнфорда совершили настоящий прорыв в области компьютерных наук, предложив алгоритм поиска кратчайших путей, который впервые за почти 70 лет сумел обойти по эффективности классический алгоритм Дейкстры. Это событие можно по праву назвать историческим, поскольку учёные смогли преодолеть так называемый "барьер сортировки", который считался фундаментальным ограничением в данной задаче. Давайте подробно разберёмся, что произошло и почему это так важно
Для начала стоит понять, как работает классический алгоритм Дейкстры, предложенный ещё в 1959 году. Алгоритм предназначен для поиска кратчайших путей от одной вершины (источника) до всех остальных вершин в графе с неотрицательными весами рёбер. Процесс выглядит следующим образом: все вершины графа хранятся в специальной структуре данных - приоритетной очереди. На каждом шаге алгоритм извлекает из очереди вершину с наименьшим известным расстоянием от источника, а затем проверяет все рёбра, исходящие из этой вершины, обновляя расстояния до соседних вершин, если путь через текущую вершину оказывается короче.
Главное "узкое место" алгоритма Дейкстры заключается в необходимости постоянно поддерживать приоритетную очередь в отсортированном состоянии. Именно это упорядочивание и порождает так называемый "барьер сортировки" - ограничение на вычислительную сложность, которое до сих пор никто не смог преодолеть. В лучшем случае, с использованием современных структур данных (таких как фибоначчиевы кучи), алгоритм Дейкстры имеет сложность O(m + n log n), где m - количество рёбер, а n - количество вершин в графе.
И вот, после почти 70 лет попыток, команда учёных из Университета Цинхуа в Пекине и Стэнфордского университета наконец предложила решение, получившее название BMSSP (Breaking the Sorting Barrier for Single-Source Shortest Paths). Вот ключевые идеи, лежащие в основе нового алгоритма:
Разделение задачи на подзадачи с ограничением по максимальному расстоянию, до которого считаются пути. Это позволяет локализовать вычисления и работать с более управляемыми частями графа.
Сжатие "фронтира" - множества вершин на границе уже найденных кратчайших путей. Вместо хранения всех вершин фронтира, алгоритм оставляет только небольшое число ключевых вершин, называемых пивотами.
Рекурсивная обработка только пивотов и их ближайших соседей. Такой подход позволяет избежать полной сортировки всех вершин и значительно сократить объём вычислений.
Для остальных вершин расстояния добираются несколькими проходами по всем рёбрам. Этот метод напоминает алгоритм Беллмана-Форда, но применяется более локально и эффективно.
Процесс повторяется итеративно, с постепенным уточнением расстояний до всех вершин графа.
В результате сложность нового алгоритма BMSSP составляет O(m log^(2/3) n). Это означает, что логарифмическая составляющая растёт заметно медленнее, чем в алгоритме Дейкстры. Особенно заметен выигрыш на больших и разреженных графах, где количество рёбер m не сильно превышает количество вершин n.
Теперь давайте разберёмся, почему этот прорыв так важен для машинного обучения и смежных областей. На первый взгляд может показаться, что это чисто теоретическое достижение, не имеющее практического значения. Однако на самом деле алгоритм Дейкстры и его модификации используются повсеместно:
- В графовых нейросетях расстояния между вершинами часто используются как важные признаки для обучения моделей. Ускорение вычисления этих расстояний может значительно ускорить как обучение
- Для различных алгоритмов машинного обучения, применяемых в логистике, транспортных системах и оптимизации маршрутов, эффективное вычисление кратчайших путей является критически важной задачей.
- Даже в обучении с подкреплением (Reinforcement Learning) есть применение. При обучении роботов или автономных систем среда может быть представлена как граф состояний, в котором оптимальная политика - это кратчайший путь от начального состояния до целевого.
Таким образом, новый алгоритм BMSSP открывает новые горизонты для ускорения вычислений в различных областях науки и технологий.
@DevsRoot
Для начала стоит понять, как работает классический алгоритм Дейкстры, предложенный ещё в 1959 году. Алгоритм предназначен для поиска кратчайших путей от одной вершины (источника) до всех остальных вершин в графе с неотрицательными весами рёбер. Процесс выглядит следующим образом: все вершины графа хранятся в специальной структуре данных - приоритетной очереди. На каждом шаге алгоритм извлекает из очереди вершину с наименьшим известным расстоянием от источника, а затем проверяет все рёбра, исходящие из этой вершины, обновляя расстояния до соседних вершин, если путь через текущую вершину оказывается короче.
Главное "узкое место" алгоритма Дейкстры заключается в необходимости постоянно поддерживать приоритетную очередь в отсортированном состоянии. Именно это упорядочивание и порождает так называемый "барьер сортировки" - ограничение на вычислительную сложность, которое до сих пор никто не смог преодолеть. В лучшем случае, с использованием современных структур данных (таких как фибоначчиевы кучи), алгоритм Дейкстры имеет сложность O(m + n log n), где m - количество рёбер, а n - количество вершин в графе.
И вот, после почти 70 лет попыток, команда учёных из Университета Цинхуа в Пекине и Стэнфордского университета наконец предложила решение, получившее название BMSSP (Breaking the Sorting Barrier for Single-Source Shortest Paths). Вот ключевые идеи, лежащие в основе нового алгоритма:
Разделение задачи на подзадачи с ограничением по максимальному расстоянию, до которого считаются пути. Это позволяет локализовать вычисления и работать с более управляемыми частями графа.
Сжатие "фронтира" - множества вершин на границе уже найденных кратчайших путей. Вместо хранения всех вершин фронтира, алгоритм оставляет только небольшое число ключевых вершин, называемых пивотами.
Рекурсивная обработка только пивотов и их ближайших соседей. Такой подход позволяет избежать полной сортировки всех вершин и значительно сократить объём вычислений.
Для остальных вершин расстояния добираются несколькими проходами по всем рёбрам. Этот метод напоминает алгоритм Беллмана-Форда, но применяется более локально и эффективно.
Процесс повторяется итеративно, с постепенным уточнением расстояний до всех вершин графа.
В результате сложность нового алгоритма BMSSP составляет O(m log^(2/3) n). Это означает, что логарифмическая составляющая растёт заметно медленнее, чем в алгоритме Дейкстры. Особенно заметен выигрыш на больших и разреженных графах, где количество рёбер m не сильно превышает количество вершин n.
Теперь давайте разберёмся, почему этот прорыв так важен для машинного обучения и смежных областей. На первый взгляд может показаться, что это чисто теоретическое достижение, не имеющее практического значения. Однако на самом деле алгоритм Дейкстры и его модификации используются повсеместно:
- В графовых нейросетях расстояния между вершинами часто используются как важные признаки для обучения моделей. Ускорение вычисления этих расстояний может значительно ускорить как обучение
- Для различных алгоритмов машинного обучения, применяемых в логистике, транспортных системах и оптимизации маршрутов, эффективное вычисление кратчайших путей является критически важной задачей.
- Даже в обучении с подкреплением (Reinforcement Learning) есть применение. При обучении роботов или автономных систем среда может быть представлена как граф состояний, в котором оптимальная политика - это кратчайший путь от начального состояния до целевого.
Таким образом, новый алгоритм BMSSP открывает новые горизонты для ускорения вычислений в различных областях науки и технологий.
@DevsRoot
🔥3❤2
This media is not supported in your browser
VIEW IN TELEGRAM
😱Как ИИ отбирает работу у людей и устраняет конкурентов 🤣
🤣3
Alibaba выкатила Qoder — новую IDE, конкурента курсору и подобным.
Qoder работает как агентная платформа: анализирует код в глубину, учится на взаимодействиях и помогает решать сложные задачи с минимальным участием человека.
Qoder умеет мгновенно искать нужный фрагмент во всей кодовой базе, понимать архитектуру проекта, предлагать контекстные автодополнения и рефакторить код прямо в редакторе. Поддерживает чат, встроенные инструменты и интеграцию с экосистемой MCP от Anthropic. Платформа адаптируется под стиль разработчика, запоминая предпочтения и правила.
В общем этакий гибрид Cursor, GitHub Copilot и Codeium, но с акцентом на агентов и глубокий анализ.
Qoder объясняет структуру, предугадывает следующие шаги и автоматизирует рутину.
Сейчас Qoder доступен бесплатно в режиме превью.
https://qoder.com/
@DevsRoot
Qoder работает как агентная платформа: анализирует код в глубину, учится на взаимодействиях и помогает решать сложные задачи с минимальным участием человека.
Qoder умеет мгновенно искать нужный фрагмент во всей кодовой базе, понимать архитектуру проекта, предлагать контекстные автодополнения и рефакторить код прямо в редакторе. Поддерживает чат, встроенные инструменты и интеграцию с экосистемой MCP от Anthropic. Платформа адаптируется под стиль разработчика, запоминая предпочтения и правила.
В общем этакий гибрид Cursor, GitHub Copilot и Codeium, но с акцентом на агентов и глубокий анализ.
Qoder объясняет структуру, предугадывает следующие шаги и автоматизирует рутину.
Сейчас Qoder доступен бесплатно в режиме превью.
https://qoder.com/
@DevsRoot
Qoder
Qoder - AI Coding Assistant | Autonomous Development IDE
Qoder is a next-generation AI programming platform that offers intelligent code completion, AI conversational programming, and automatic code generation. It supports mainstream IDEs like VS Code and JetBrains. Download for free.
🔥2
Бесконечный Цикл
Alibaba выкатила Qoder — новую IDE, конкурента курсору и подобным. Qoder работает как агентная платформа: анализирует код в глубину, учится на взаимодействиях и помогает решать сложные задачи с минимальным участием человека. Qoder умеет мгновенно искать…
Please open Telegram to view this post
VIEW IN TELEGRAM
Модель помогает врачам проводить консультации эффективно, учитывая как медицинские, так и психологические аспекты общения.
В основе модели — 5 ключевых этапов:
1. Начало консультации: установление контакта, приветствие, представление, объяснение цели и получение согласия.
2. Сбор информации: выявление проблем пациента с помощью открытых вопросов, активное слушание.
3. Осмотр: физикальное обследование с четкими объяснениями для пациента.
4. Разъяснение и планирование: обсуждение диагноза, вариантов лечения, совместное принятие решений.
5. Завершение консультации: подведение итогов, уточнение вопросов, назначение дальнейших шагов.
Также модель выделяет два непрерывных процесса: структурирование консультации и построение доверительных отношений на протяжении всего приема.
Модель универсальна: подходит для любых клинических ситуаций, помогает повысить качество общения, снизить количество упущенных жалоб и улучшить удовлетворенность как пациентов, так и врачей. Ее используют для обучения медиков по всему миру.
@DevsRoot
Please open Telegram to view this post
VIEW IN TELEGRAM
👍1
Новая нейросеть: иерархическая модель рассуждений (HRM)
Ученые представили прорывную архитектуру нейросетей, которая может изменить подход к искусственному интеллекту. Называется она Hierarchical Reasoning Model (HRM) или Иерархическая Модель Рассуждений.
HRM — это новая рекуррентная архитектура, вдохновленная работой человеческого мозга. В отличие от современных больших языковых моделей (LLM), которые используют метод "цепочки рассуждений" (Chain-of-Thought), HRM работает по принципу иерархической обработки информации.
Модель состоит из двух взаимосвязанных модулей:
• Модуль высокого уровня — отвечает за медленное, абстрактное планирование
• Модуль низкого уровня — обрабатывает быстрые, детальные вычисления
Преимущества HRM
Эффективность: Всего 27 миллионов параметров против миллиардов у современных LLM
Быстрое обучение: Достигает выдающихся результатов всего на 1000 обучающих примеров
Не требует предобучения: Работает без предварительного обучения на больших массивах данных
Высокая производительность: Почти идеально решает сложные судоку и находит оптимальные пути в лабиринтах
Низкая задержка: Выполняет задачи за один проход, без пошаговых рассуждений
Превосходит конкурентов: Обходит гораздо большие модели на тесте ARC — ключевом бенчмарке для искусственного общего интеллекта
Недостатки и ограничения
Новизна: Архитектура только представлена, требует дополнительной проверки и тестирования
Ограниченная применимость: Пока показана эффективность только на конкретных задачах (логические головоломки, поиск путей)
Неизвестность с масштабированием: Неясно, как поведет себя модель при решении более сложных и разнообразных задач
Требует новых подходов: Разработка и внедрение потребуют изменения существующих практик в AI
Перспективы
HRM открывает дорогу к созданию более эффективных и компактных систем искусственного интеллекта. Если дальнейшие исследования подтвердят ее универсальность, мы можем увидеть появление AI-систем, которые работают быстрее, требуют меньше ресурсов и лучше справляются с комплексными рассуждениями.
Это важный шаг на пути к искусственному общему интеллекту (AGI), который может выполнять широкий спектр задач на уровне человека или даже превосходить его.
https://arxiv.org/abs/2506.21734
@DevsRoot
Ученые представили прорывную архитектуру нейросетей, которая может изменить подход к искусственному интеллекту. Называется она Hierarchical Reasoning Model (HRM) или Иерархическая Модель Рассуждений.
HRM — это новая рекуррентная архитектура, вдохновленная работой человеческого мозга. В отличие от современных больших языковых моделей (LLM), которые используют метод "цепочки рассуждений" (Chain-of-Thought), HRM работает по принципу иерархической обработки информации.
Модель состоит из двух взаимосвязанных модулей:
• Модуль высокого уровня — отвечает за медленное, абстрактное планирование
• Модуль низкого уровня — обрабатывает быстрые, детальные вычисления
Преимущества HRM
Эффективность: Всего 27 миллионов параметров против миллиардов у современных LLM
Быстрое обучение: Достигает выдающихся результатов всего на 1000 обучающих примеров
Не требует предобучения: Работает без предварительного обучения на больших массивах данных
Высокая производительность: Почти идеально решает сложные судоку и находит оптимальные пути в лабиринтах
Низкая задержка: Выполняет задачи за один проход, без пошаговых рассуждений
Превосходит конкурентов: Обходит гораздо большие модели на тесте ARC — ключевом бенчмарке для искусственного общего интеллекта
Недостатки и ограничения
Новизна: Архитектура только представлена, требует дополнительной проверки и тестирования
Ограниченная применимость: Пока показана эффективность только на конкретных задачах (логические головоломки, поиск путей)
Неизвестность с масштабированием: Неясно, как поведет себя модель при решении более сложных и разнообразных задач
Требует новых подходов: Разработка и внедрение потребуют изменения существующих практик в AI
Перспективы
HRM открывает дорогу к созданию более эффективных и компактных систем искусственного интеллекта. Если дальнейшие исследования подтвердят ее универсальность, мы можем увидеть появление AI-систем, которые работают быстрее, требуют меньше ресурсов и лучше справляются с комплексными рассуждениями.
Это важный шаг на пути к искусственному общему интеллекту (AGI), который может выполнять широкий спектр задач на уровне человека или даже превосходить его.
https://arxiv.org/abs/2506.21734
@DevsRoot
arXiv.org
Hierarchical Reasoning Model
Reasoning, the process of devising and executing complex goal-oriented action sequences, remains a critical challenge in AI. Current large language models (LLMs) primarily employ Chain-of-Thought...
🔥2
Бесконечный Цикл
Alibaba выкатила Qoder — новую IDE, конкурента курсору и подобным. Qoder работает как агентная платформа: анализирует код в глубину, учится на взаимодействиях и помогает решать сложные задачи с минимальным участием человека. Qoder умеет мгновенно искать…
Хмм, кредиты кончились а пополнить нельзя.
UPD
Переключение профиля хром, дает новые кредиты
@DevsRoot
Ежемесячные планы будут доступны после запуска бета-версии, как указано на главной странице: «Наслаждайтесь бесплатным доступом во время ознакомительной версии! Мы установили разумные ограничения на использование для каждой учётной записи, чтобы обеспечить наилучший опыт. Благодаря честному использованию все пользователи будут работать быстро. Следите за новостями — гибкие планы уже в пути!»
Мы ценим вашу поддержку, и вы всегда можете следить за обновлениями Qoder в социальных сетях
UPD
Переключение профиля хром, дает новые кредиты
@DevsRoot
🔥1
Nvidia представила новую видеокарту GB300 Blackwell Ultra — ключевой шаг для дата-центров и ИИ-инфраструктуры. Вот главные обновления и характеристики:
Видеопамять: 288 ГБ HBM3e, что на 50% больше, чем у GB200. Пропускная способность — 8 ТБ/с.
Интерфейс PCIe: Gen6 x16, скорость обмена с CPU — 256 ГБ/с, вдвое выше по сравнению с Gen5.
NVLink v5: 900 ГБ/с в одном направлении между GPU, что обеспечивает беспрецедентную скорость взаимодействия в масштабируемых системах.
Вычисления: Поддержка FP8, FP6, FP4, NVFP4. Примечательно, что Nvidia отказалась от FP64-инструкций, фокусируясь на низкопрецизионных вычислениях для ИИ.
Энергопотребление: До 1400 Вт на один GPU.
Главное обновление — увеличение видеопамяти до 288 ГБ. Это позволяет сократить количество GPU для инференса больших моделей. Например, для DeepSeek V3/R1/V3.1 в нативной точности FP8 достаточно четырёх карт GB300, при этом остаётся много памяти для контекста. Это критично для масштабирования reasoning-моделей и многошаговых задач.
Тесты показывают: при инференсе DeepSeek R1 на четырёх GB300 производительность более чем в 6 раз выше на GPU, чем на 16 H100, благодаря снижению коммуникационных накладных расходов. Новый NVFP4-формат даёт почти FP8-точность при снижении расхода памяти в 1.8 раза по сравнению с FP8 и в 3.5 раза с FP16.
Чип стал заметно быстрее, но детальные независимые тесты пока не публиковались. Официальной информации о стоимости GPU или серверных стоек GB300 пока нет — ожидается, что цены будут выше, чем у GB200, и могут достигать нескольких десятков тысяч долларов за один GPU и миллионов за серверную конфигурацию
@DevsRoot
Видеопамять: 288 ГБ HBM3e, что на 50% больше, чем у GB200. Пропускная способность — 8 ТБ/с.
Интерфейс PCIe: Gen6 x16, скорость обмена с CPU — 256 ГБ/с, вдвое выше по сравнению с Gen5.
NVLink v5: 900 ГБ/с в одном направлении между GPU, что обеспечивает беспрецедентную скорость взаимодействия в масштабируемых системах.
Вычисления: Поддержка FP8, FP6, FP4, NVFP4. Примечательно, что Nvidia отказалась от FP64-инструкций, фокусируясь на низкопрецизионных вычислениях для ИИ.
Энергопотребление: До 1400 Вт на один GPU.
Главное обновление — увеличение видеопамяти до 288 ГБ. Это позволяет сократить количество GPU для инференса больших моделей. Например, для DeepSeek V3/R1/V3.1 в нативной точности FP8 достаточно четырёх карт GB300, при этом остаётся много памяти для контекста. Это критично для масштабирования reasoning-моделей и многошаговых задач.
Тесты показывают: при инференсе DeepSeek R1 на четырёх GB300 производительность более чем в 6 раз выше на GPU, чем на 16 H100, благодаря снижению коммуникационных накладных расходов. Новый NVFP4-формат даёт почти FP8-точность при снижении расхода памяти в 1.8 раза по сравнению с FP8 и в 3.5 раза с FP16.
Чип стал заметно быстрее, но детальные независимые тесты пока не публиковались. Официальной информации о стоимости GPU или серверных стоек GB300 пока нет — ожидается, что цены будут выше, чем у GB200, и могут достигать нескольких десятков тысяч долларов за один GPU и миллионов за серверную конфигурацию
@DevsRoot
🔥1
Генерал AI подразделения Сэм Альтман
ChatGPT отправляет русскоязычные запросы прямо в Пентагон и ФБР, считает первый зампред комиссии Общественной палаты Москвы по развитию гражданского общества Асафов. По его словам, OpenAI автоматически передаёт все данные на русском языке в ФБР. Также он отметил, что в этом году руководители компаний, развивающих ИИ, получили звания в Пентагоне, и назвал этот процесс новым фронтом. @ruble30
@DevRoots
ChatGPT отправляет русскоязычные запросы прямо в Пентагон и ФБР, считает первый зампред комиссии Общественной палаты Москвы по развитию гражданского общества Асафов. По его словам, OpenAI автоматически передаёт все данные на русском языке в ФБР. Также он отметил, что в этом году руководители компаний, развивающих ИИ, получили звания в Пентагоне, и назвал этот процесс новым фронтом. @ruble30
@DevRoots
😢1🤣1
👍1