172 subscribers
125 photos
47 videos
99 files
623 links
ALGORITHMS MACHINE LEARNING
Download Telegram
Anthropic разобрал 400 тысяч сессий с Claude — и вывернул все предположения наизнанку

Anthropic проанализировал 235.000 пользователей за семь месяцев
Оказалось: успех сессии с AI-агентом определяет не знание Python, а понимание того, что ты строишь

Разделение труда внутри сессии такое:
→ Человек принимает 70 % стратегических решений (что делать)
→ Агент — 80 % исполнительских (как делать)

Дальше — интереснее
Новичок в теме запускает промптом в среднем 5 действий агента и 600 слов вывода

Эксперт — 12 действий и 3.200 слов
Та же модель, та же подписка

В пять раз больше работы

Единственная переменная — насколько хорошо вы понимаете задачу

Результат:
→ Сессии экспертов достигают успеха в два раза чаще
→ Новички бросают провальные попытки в 19 % случаев
Все остальные — в 5 %

Фоновое знание кода, не играет роли
Юристы, аналитики, маркетологи и менеджеры успешны наравне с разработчиками
Минетжеры — даже чуть лучше

Рост эффективности идёт от компетентности, а не мастерства
Рабочее понимание проблемы даёт почти весь выигрыш
Узкая специализация добавляет совсем немного сверху

Узкое место никогда не было в синтаксисе
Оно — в том, насколько чётко вы представляете, что пытаетесь построить


Нейросеть не думает
Делает что думает, человек

Оригинал отчета
https://www.anthropic.com/research/claude-code-expertise
Google shipped the Interactions API into GA, a new API designed to let you orchestrate across models and agents in the same interface, and is a new default API going forward

Interactions sets the stage for the new era of Agents

The
Interactions API documentation to get started
Oxford introduced Masked Language Flow Models (MLFMs)

A method to scale flow-based language models to reasoning and instruction-following tasks

GitHub
Biology's EDA moment has arrived

Bota Biosciences presents
Biology Protocol Language (BPL) and BPL-COGEN: a compiler-verified protocol language and AI pipeline that turns ambiguous natural language lab instructions into precise, machine-checkable code

Every reagent, unit, and container state is tracked, so impossible operations are caught at compile time

On 300 Nature Protocols benchmarks, it achieved 95.1 % fidelity to the original, with wet-lab validation showing reproducible execution across manual and automated platforms

A key step toward autonomous, physically embodied AI in biology
Китай занял 1-е место со своим суперкомпьютером, а РФ - 83-250-е места

Китайский
суперкомпьютер LineShine (LingKun, Huawei LX2) неожиданно занял 1-е место в мире с результатом 2.198 EFlop/s

Топ-10 суперкомпьютеров мира:
1. LineShine - Китай, 2.198 EF (CPU ARM LX2)
2. El Capitan - США, 1.809 EF (AMD + MI300A)
3. Frontier - США, 1.353 EF (AMD + MI250X)
4. Aurora - США, 1.012 EF (Intel + GPU)
5. JUPITER Booster - Германия, 1.000 EF (NVIDIA Grace Hopper)
6. HPC7 - Италия, 0.572 EF (AMD + MI300A)
7. Eagle - Microsoft Azure,0.561 EF (Intel + H100)
8. HPC6-Италия, 0.478 EF
9. Fugaku - Япония, 0.442 EF (Fujitsu A64FX)
10. Alps-Швейцария, 0.435 EF (Grace Hopper)

Россия в новом рейтинге представлена:

1. Chervonenkis (Яндекс) — 83-е место (~21.5 PF) - это гетерогенная система на AMD EPYC + NVIDIA A100, одна из самых мощных в России
Она лидирует среди российских суперкомпьютеров уже несколько лет

2. Галушкин (Яндекс)
3. Ляпунов (Яндекс)
4. Christofari Neo (Сбер)
5. Christofari (Сбер)
Большинство европейских подростков пользуются AML-инструментами несколько раз в неделю — и делают это без какой-либо системной подготовки
ОЭСР и Еврокомиссия выпустили первый совместный международный фреймворк о том, чему именно нужно учить школьников в эпоху искусственного интеллекта

Над AI Literacy Framework два года работали более 2.000 специалистов из 100 стран
Авторы разграничивают использование и понимание Второе и есть цель

Фреймворк устроен как матрешка, где каждый уровень вкладывается в следующий и без предыдущего не работает

«Взаимодействие с AI» — школьники учатся распознавать, где AI уже применяется, и критически оценивать его результаты. «Создание с AI» и «Управление AI» — разграничивать задачи, которые стоит делегировать машине, и те, где необходимо человеческое суждение

«Формирование AI» — ученики осмысляют, как улучшить систему с точки зрения общественного блага

Так что Европа, которая обычно долго запрягает, скоро может понестись во всю прыть
Фреймворк планируют встроить в PISA 2029, то есть AI-грамотность начнут оценивать наряду с математикой, чтением и естественными науками

А значит, профильным министерствам придется напрягаться уже сегодня
Иначе к тем, кто окажется внизу списка, могут появиться вопросики
Пока же трое из четырех учителей в странах ОЭСР не чувствуют себя готовыми преподавать AI-грамотность

AI Literacy Framework
Anthropic запустила Claude Tag, по мнению А. Карпатый - это новый UX взаимодействия с LLM

Теперь Claude можно добавить в Slack как полноправного участника команды

О том, как меняются роли людей и какая организационная структура возникает в AI native компаниях, подробно
здесь

Эта функцию Claude 3-ей сменой парадигмы взаимодействия с языковыми моделями
Вот как это выглядит:

Первая была такой: LLM как сайт, вы идёте к модели через браузер
Вторая: у LLM появились приложения
Третья: LLM как сущность внутри организации — асинхронная, с памятью, с доступом к инструментам всей команды

Claude перестаёт быть отдельным окном, куда человек переключается, он уже заходит туда, где происходит работа
То есть это уже почти AI native сотрудник
В начале 90-х Всемирная паутина (WWW) вовсе не была единоличным хозяином сети
У неё был серьёзный конкурент -
протокол Gopher

Gopher появился в 1991 году в Университете
Миннесоты

Там разработали простую систему для доступа к файлам и справочной информации через меню

Название протокола было придумано компанией Anklesaria как игра слов "gopher" (суслик роет землю, чтобы что-то найти) и "gofer" (подручный, который идёт за чем-то)

Новый инструмент быстро вышел за рамки кампуса
Настройка Gopher-сервера оказалась настолько простой, что его внедряли не только университеты и библиотеки, но и компании

Любой пользователь, подключившись к Gopher-серверу через специальный клиент, видел не веб-страницу, а список пунктов-меню в интернет-системе Gopherspace

Каждый пункт представлял либо файл, либо ссылку на другое меню
Сама навигация напоминала путешествие по папкам

Иерархическая система понравилась пользователям, потому что им нужно было только последовательно выбирать разделы, не запоминая имена файлов или команд
Так Gopher фактически превратил интернет в единый "каталог" знаний, по которому можно бродить стрелками клавиатуры

Для поиска по этому каталогу существовали специальные сервисы
Например, поисковый сервис
Veronica индексировал меню тысяч серверов по всему миру, позволяя находить нужные документы по названию

Другой инструмент -
Jughead - мог обыскивать содержимое отдельного узла

Это были относительно простые поисковики (по именам файлов и заголовкам меню), но в начале 90-х и такого было достаточно

На тот момент популярность Gopherspace росла взрывными темпами
По некоторым данным, в 1993-м объём трафика Gopher увеличился почти на 1.000% за год, а к апрелю 1994-го уже насчитывалось около 7.000 Gopher-серверов по всему миру

Для сравнения, зарождающаяся Всемирная паутина в начале 1993 года генерировала ничтожную долю интернет-трафика (около 0.002 % пакетов)

Иными словами, в тот момент будущее интернета вполне могло остаться за Gopher

Однако в 1994-м технологии индексирования и поисковики стали не только доступными, но и прогрессивными
Благодаря им веб-пространство стало гораздо более удобным для использования, а о Gopherspace начали забывать

Одно из распространённых объяснений упадка Gopher заключается в том, что он не поддерживает гипертекст, который должен быть неотъемлемой частью интернета
Без гиперссылок Gopher - не более чем электронная система хранения данных

Однако переломным моментом стало интересное решение Университета Миннесоты
В феврале 1993 года совет заведения постановил, что теперь за использование собственного Gopher-сервера будет взиматься плата

Реакция сообщества была предсказуема - многие сразу задумались о переходе к открытой альтернативе

Кроме преимуществ гипертекста и ненависти к лицензиям, был и другой фактор - Gopher не предполагал полноценного поиска по содержимому
В то же время к 1994 году для веба начали появляться качественные поисковые системы

Ну и, конечно же, безопасность
Историю просмотра страниц, переданную через формы информацию и данные можно было легко перехватить. Шифрования в Gopher не было

С каждым годом интернет становился всё более удобным и насыщенным, и это привлекало новых пользователей и создателей сайтов - работал классический эффект сети

Gopher же оставался относительно узкой экосистемой, развитие которой фактически замерло после 1994 года

В результате уже к концу 90-х Gopher из передового явления превратился в технологический реликт
Многие Gopher-серверы либо закрылись, либо повесили объявления вида: "Наши материалы теперь на веб-сайте по такому-то адресу"
Да и сами разработчики переключились на веб, дорабатывать протокол было некому

Так альтернативный путь эволюции интернета был почти забыт...

S.E. ▪️ infosec.work ▪️ VT
Рисерчеры из GoodFire продолжают исследовать так называемую геометрию LLM

Некоторое время назад они показали, что мысли моделей организованы в виде определенных форм

Например, числа – это окружности, и складывая одно число с другим, LLM на самом деле суммируют множество бубликов:
t.me/data_secrets/9223

Теперь они обнаружили новые любопытные детали

Оказывается, внутри моделей существует целый ландшафт эмоциональных состояний

Ученые взяли LLama, давали ей читать рассказы и наблюдали за состоянием активаций
Так вот по мере чтения модель как бы перемещается по некоторому многомерному пространству состояний, меняясь в зависимости от того, что происходит в тексте в данный момент

Причем если визуализировать соответствующие разным эмоциям состояния модели, то получается структура, очень похожая на классическую психологическую модель эмоций человека

Еще по этой карте можно предсказывать дальнейшие ответы модели
И если искусственно подталкивать активации в направлении определенной эмоции, настроение и суть генераций меняется

www.goodfire.ai/research/stories-in-space#
Сегодня производительность AI-агентов зависит не только от базовой модели, но и от harness (обвязки)

Новая
работа из Китая, Self-Harness - новый подход, где сам агент улучшает свою собственную обвязку

Агент учится на своих ошибках и сам предлагает минимальные, но точечные изменения в коде/правилах harness
Обычно harness пишут люди и это не масштабируется

Вот
тут предыдущие материалы
ChatGPT входит в тему и уходит вглубь

Grok устроен вокруг людей
Каждый запрос проходит через сеть фигур, позиций, влияний и связей
Видно, кто её произвёл, кто её продвигает и кому она принадлежит
Grok силен там, где важны люди
OpenAI представила GPT-5.6 Sol, превосходящую по возможностям Claude Mythos 5, при этом имеющую меньший расход токенов

В тесте Terminal Bench 2.1 модель на настройках Ultra достигла рекордных 91.9 %

В семействе появилась также GPT-5.6 Terra, которая обошла Fable 5, и Luna — самая быстрая и экономичная версия.
This media is not supported in your browser
VIEW IN TELEGRAM
📝 Формула Эйлера: из тригонометрического в показательный вид

Формула Эйлера имеет вид:
eⁱˣ = cos x + i·sin x.
1. Определим функцию f: ℝ → ℂ. Пусть f(x) = cos x + i·sin x
Она обладает тремя свойствами, выводимыми чисто из тригонометрии:
(1) f(0) = cos 0 + i·sin 0 = 1 + i·0 = 1
(2) f(x+y) = f(x)·f(y)

Это прямое следствие формул сложения:
cos(x+y) = cos x·cos y − sin x·sin y и sin(x+y) = sin x·cos y + cos x·sin y

После подстановки и группировки получаем:
cos(x+y) + i·sin(x+y) = (cos x + i·sin x)·(cos y + i·sin y)

(3) f'(x) = −sin x + i·cos x = i·(cos x + i·sin x) = i·f(x)

2. Задача Коши и единственность решения
Рассмотрим дифференциальное уравнение:
y' = i·y, y(0) = 1 в поле комплексных чисел
Функция
f(x) = cos x + i·sin x является его решением
Теперь рассмотрим функцию
g(x) = eⁱˣ, где экспонента определена стандартным степенным рядом: eᶻ = 1 + z/1! + z²/2! + z³/3! + …
Для
z = ix ряд сходится абсолютно на всей плоскости
Функция g(x) удовлетворяет тому же уравнению:
g'(x) = i·eⁱˣ = i·g(x), g(0) = 1
В силу теоремы Пикара–Линделёфа (глобальная липшицевость с константой
|i| = 1) решение задачи Коши единственно на всём
Следовательно: f(x) ≡ g(x) ⇒ cos x + i·sin x ≡ eⁱˣ
Что и требовалось

Факт 1. Роль аналитичности. Если отказаться от требования комплексной дифференцируемости, существуют гладкие функции
F: ℂ → ℂ, совпадающие с на вещественной оси и принимающие значение cos x + i·sin x на мнимой оси, но не являющиеся экспонентой
Пример строится с использованием функций типа
exp(−1/x²)
Таким образом, равенство Эйлера — это не просто свойство, а следствие требования аналитичности

Факт 2. Гомоморфизм групп
Отображение
φ: ℝ → S¹, φ(x) = eⁱˣ, является непрерывным гомоморфизмом из аддитивной группы в мультипликативную группу единичной окружности
Это свойство редко упоминается при «выводе», но именно оно лежит в основе теории характеров и преобразования Фурье на компактных группах

Факт 3. Алгебраическая независимость формул сложения
Тождество
f(x+y) = f(x)·f(y) эквивалентно двум формулам сложения для синуса и косинуса
Однако оно может быть выведено чисто алгебраически из системы дифференциальных уравнений:
s' = c, c' = −s, s(0)=0, c(0)=1 без привлечения геометрических построений
Это делает вывод полностью замкнутым внутри анализа

Факт 4. Топологическое следствие. Экспоненциальное отображение
exp: iℝ → S¹ не является изоморфизмом групп, поскольку его ядро — множество 2πi·ℤ
Из формулы Эйлера автоматически следует, что период косинуса и синуса равен 2π (если определить π через первый положительный корень уравнения cos x = 0)
Таким образом, формула Эйлера и определение числа π оказываются взаимосвязанными

Тригонометрическая форма — это не «следствие» экспоненты, а альтернативная реализация той же самой аналитической функции
Этот факт имеет глубокие связи с теорией групп Ли, теорией представлений и гармоническим анализом на окружности

📝 📝📝 Самая красивая математическая формула

Математика около числа: Второй замечательный предел

Physics.Math.Code
@physics_lib
Please open Telegram to view this post
VIEW IN TELEGRAM
Все дело в навыках... пока цикл не сломается

Один узкий сценарий использования работает чрезвычайно хорошо, а остальное все еще разваливается

Самое большое изменение — люди учатся понимать, где агентные циклы действительно усиливают друг друга, а где они просто сжигают токены по кругу

Новый узкий участок — в том, чтобы знать, какие задачи можно делегировать, какие требуют строгой проверки, а какие все еще нуждаются в человеке в цикле

Нужно делегирование нескольким агентам, работающим параллельно, каждый из которых решает разные части одной и той же проблемы

Но агентные циклы — это не полное решение
Нужно точно знать, где цикл достаточен

Востребованна грамотность управления