Исследователи Tencent Hunyuan, Fudan и Tsinghua представили ExplorationBench
В нем модели попадают в «чужие миры», где привычная логика намеренно сломана: операторы работают иначе, а правила вывода изменены
Поэтому выученные знания почти бесполезны
Модель получает неполное руководство и несколько раундов, чтобы самой придумывать эксперименты, проверять гипотезы и восстанавливать скрытые правила
Результаты:
- без обратной связи модели стартуют максимум с 15.7 %
- после четырех раундов лучший результат в AlienCode достигает 89 %
- у 9 из 10 систем собственные эксперименты оказались эффективнее повторения уже готовых
- даже когда модель правильно знает все нужные правила, задача решается лишь в 73.4 % случаев
- один и тот же алгоритм при одинаковом бюджете мог показать от 5.7 % до 79 %
Главный вывод: уметь рассуждать по известным правилам и уметь самостоятельно открывать новые правила - это совсем разные способности
https://arxiv.org/abs/2609.30199
https://explorationbench.com/
В нем модели попадают в «чужие миры», где привычная логика намеренно сломана: операторы работают иначе, а правила вывода изменены
Поэтому выученные знания почти бесполезны
Модель получает неполное руководство и несколько раундов, чтобы самой придумывать эксперименты, проверять гипотезы и восстанавливать скрытые правила
Результаты:
- без обратной связи модели стартуют максимум с 15.7 %
- после четырех раундов лучший результат в AlienCode достигает 89 %
- у 9 из 10 систем собственные эксперименты оказались эффективнее повторения уже готовых
- даже когда модель правильно знает все нужные правила, задача решается лишь в 73.4 % случаев
- один и тот же алгоритм при одинаковом бюджете мог показать от 5.7 % до 79 %
Главный вывод: уметь рассуждать по известным правилам и уметь самостоятельно открывать новые правила - это совсем разные способности
https://arxiv.org/abs/2609.30199
https://explorationbench.com/
Почти тысяча агентов Claude за день обнаружила ранее не описанную биологическую систему
Ее назвали ART
Нейросети задали только направление поиска, а дальше агенты перебирали генетические последовательности, сверяли их с научными публикациями и искали что-нибудь необычное
По устройству ART отчасти напоминает CRISPR, природный механизм защиты бактерий от вирусов, на основе которого позже появились технологии редактирования генов
В Anthropic говорят, что нейросети уже выполняют большую часть работы примерно в четверти их научных проектов
«По щучьему велению» теперь можно ресерчить целые области науки
Алгоритм способен выдавать гипотезы пачками
И чем их больше, тем важнее умение разглядеть среди них ту, ради которой стоит ставить настоящий эксперимент
Ее назвали ART
Нейросети задали только направление поиска, а дальше агенты перебирали генетические последовательности, сверяли их с научными публикациями и искали что-нибудь необычное
По устройству ART отчасти напоминает CRISPR, природный механизм защиты бактерий от вирусов, на основе которого позже появились технологии редактирования генов
В Anthropic говорят, что нейросети уже выполняют большую часть работы примерно в четверти их научных проектов
«По щучьему велению» теперь можно ресерчить целые области науки
Алгоритм способен выдавать гипотезы пачками
И чем их больше, тем важнее умение разглядеть среди них ту, ради которой стоит ставить настоящий эксперимент
GPT-6 Astra за 6 часов взломала шифр генерала Наполеона, который числился нераскрытым 217 лет
Картер Черч (не криптограф), как он описывает в своем блоге, отправил модели только изображение и промпт, и она сама нарезала скан письма на строки, прочитала знаки, свела все символы к списку уникальных, а затем использовала отжиг для подбора значений по французскому словарю
Вся работа заняла 6 часов
Само письмо датируется концом марта 1809 года, за две недели до вторжения Австрии в Баварию
Его написал генерал Мармон
Как оказалось, в письме содержалась сводка от штаба вице-короля Италии для изолированного в Далмации Мармона: где стоят французские и союзные армии, что русские якобы идут на Австрию и что Австрия «спешит к своей гибели»
Состав войск совпал с приказом Наполеона от 16 марта 1809 года
Сатоши Токиемо, составитель каталога шифров Cryptiana, проверил решение, и письмо теперь помечено как решенное
Напоминаем, что недавно Astra также решила ранее зашифрованную немецкую радиограмму времен Второй Мировой войны
Картер Черч (не криптограф), как он описывает в своем блоге, отправил модели только изображение и промпт, и она сама нарезала скан письма на строки, прочитала знаки, свела все символы к списку уникальных, а затем использовала отжиг для подбора значений по французскому словарю
Вся работа заняла 6 часов
Само письмо датируется концом марта 1809 года, за две недели до вторжения Австрии в Баварию
Его написал генерал Мармон
Как оказалось, в письме содержалась сводка от штаба вице-короля Италии для изолированного в Далмации Мармона: где стоят французские и союзные армии, что русские якобы идут на Австрию и что Австрия «спешит к своей гибели»
Состав войск совпал с приказом Наполеона от 16 марта 1809 года
Сатоши Токиемо, составитель каталога шифров Cryptiana, проверил решение, и письмо теперь помечено как решенное
Напоминаем, что недавно Astra также решила ранее зашифрованную немецкую радиограмму времен Второй Мировой войны
Мэтью Шварц, который ранее за две недели написал с Claude полноценную работу по теоретической физике, продолжил эксперимент
На этот раз он решил не заставлять модель работать как ученого, а искать научные задачи, которые хорошо подходят под сильные стороны современных LLM
Он называет их Claude-shaped problems
Идея в том, что в разных областях науки постоянно встречаются очень похожие математические конструкции, но ученые из одной области могут просто не знать, что нужный метод уже давно существует в другой
А LLM как раз очень хорошо умеют находить такие связи между огромным количеством разрозненной литературы
Под это Шварц вместе с Claude собрал BootLoops, набор инструментов для точных математических вычислений
Изначально он создавался для теоретической физики, но затем Claude начал находить практически те же задачи в экологии, генетике, экономике, лингвистике и других областях
Например, в экологии модель нашла уравнение из теории биоразнообразия, которое около 20 лет не умели эффективно считать на больших данных, и решила его методами из математической физики
А в популяционной генетике Claude нашел способ точно вычислить интеграл, который около 30 лет приходилось оценивать приближенно
Это позволило исследователям проверить модель рекомбинации ДНК на огромном массиве генетических данных и обнаружить следы генной конверсии, которые раньше было сложно выделить
Но тут обнаружилась важная проблема
Claude довольно хорошо находил технически правильные результаты и очень плохо понимал, насколько они вообще интересны для конкретной науки
Шварц несколько раз приносил такие находки профильным специалистам и получал примерно один ответ: технически впечатляет, научно не очень интересно
Поэтому дальше схема работы стала другой
Claude ищет связи между областями, пишет код, считает и перебирает гипотезы, а профильный ученый определяет, какой вопрос действительно стоит задавать
Так из первоначально неинтересного результата по экологии вместе с экспертом сделали новую модель динамики лесов, а из расчета по генетике пришли к анализу миллиардов пар мутаций
Шварц считает, что именно здесь современные модели уже могут заметно ускорять науку
Огромный пласт научных задач можно решить не новым методом, а переносом уже существующего метода из другой области
https://www.anthropic.com/research/claude-shaped-science
На этот раз он решил не заставлять модель работать как ученого, а искать научные задачи, которые хорошо подходят под сильные стороны современных LLM
Он называет их Claude-shaped problems
Идея в том, что в разных областях науки постоянно встречаются очень похожие математические конструкции, но ученые из одной области могут просто не знать, что нужный метод уже давно существует в другой
А LLM как раз очень хорошо умеют находить такие связи между огромным количеством разрозненной литературы
Под это Шварц вместе с Claude собрал BootLoops, набор инструментов для точных математических вычислений
Изначально он создавался для теоретической физики, но затем Claude начал находить практически те же задачи в экологии, генетике, экономике, лингвистике и других областях
Например, в экологии модель нашла уравнение из теории биоразнообразия, которое около 20 лет не умели эффективно считать на больших данных, и решила его методами из математической физики
А в популяционной генетике Claude нашел способ точно вычислить интеграл, который около 30 лет приходилось оценивать приближенно
Это позволило исследователям проверить модель рекомбинации ДНК на огромном массиве генетических данных и обнаружить следы генной конверсии, которые раньше было сложно выделить
Но тут обнаружилась важная проблема
Claude довольно хорошо находил технически правильные результаты и очень плохо понимал, насколько они вообще интересны для конкретной науки
Шварц несколько раз приносил такие находки профильным специалистам и получал примерно один ответ: технически впечатляет, научно не очень интересно
Поэтому дальше схема работы стала другой
Claude ищет связи между областями, пишет код, считает и перебирает гипотезы, а профильный ученый определяет, какой вопрос действительно стоит задавать
Так из первоначально неинтересного результата по экологии вместе с экспертом сделали новую модель динамики лесов, а из расчета по генетике пришли к анализу миллиардов пар мутаций
Шварц считает, что именно здесь современные модели уже могут заметно ускорять науку
Огромный пласт научных задач можно решить не новым методом, а переносом уже существующего метода из другой области
https://www.anthropic.com/research/claude-shaped-science
Anthropic
Claude-shaped science
Matthew Schwartz describes what happened when he stopped fighting Claude and allowed Claude to find “Claude-shaped” problems. This led him to build BootLoops, a toolkit for exact calculations in quantitative science, which he has been applying across scientific…
Muse Spark опубликовала шесть статей, написанных математиками вместе с моделью
Утверждается, что ученые использовали Muse Spark 1.1 и 1.2 в Thinking Mode через обычный чат meta.ai, без специального харнеса
Результаты относятся сразу к нескольким областям математики: теории вероятностей, дифференциальным уравнениям, оптимизации, теории групп, алгебре и арифметической физике
Например, моделью была опровергнута гипотеза Кида 2024 года: полуабелева группа не обязана быть мономиальной
Также доказано, что радиально-симметричные решения с отрицательной энергией для бигармонического нелинейного диф.уравнения Шредингера коллапсируют за конечное время (вопрос был открыт с 2015 года)
Правда гипотезу Кида в сентябре также опровергла другая группа ученых (кстати, тоже с помощью агента)
Но Meta утверждает, что их результаты получены независимо
https://research.meta.ai/blog/solving-open-research-problems-together
Утверждается, что ученые использовали Muse Spark 1.1 и 1.2 в Thinking Mode через обычный чат meta.ai, без специального харнеса
Результаты относятся сразу к нескольким областям математики: теории вероятностей, дифференциальным уравнениям, оптимизации, теории групп, алгебре и арифметической физике
Например, моделью была опровергнута гипотеза Кида 2024 года: полуабелева группа не обязана быть мономиальной
Также доказано, что радиально-симметричные решения с отрицательной энергией для бигармонического нелинейного диф.уравнения Шредингера коллапсируют за конечное время (вопрос был открыт с 2015 года)
Правда гипотезу Кида в сентябре также опровергла другая группа ученых (кстати, тоже с помощью агента)
Но Meta утверждает, что их результаты получены независимо
https://research.meta.ai/blog/solving-open-research-problems-together
Meta AI Research
Solving Open Research Problems Together
Mathematicians and Muse Spark collaborate on six research papers
Шифр Второй мировой войны, над взломом которого работал Алан Тьюринг, GPT-6 Astra раскусила примерно за десять часов
Команде агентов дали непрочитанную немецкую радиограмму 1941 года и задание не останавливаться, пока они не дадут расшифровку
Дальше агенты поделили работу между собой
Они разбирали архивные документы, писали код, моделировали работу Enigma и проверяли возможные расшифровки
У Enigma было около 159 квинтиллионов возможных настроек, поэтому решить задачу простым перебором было нереально
Агенты-дешифровщики поступили хитрее
Зацепку они нашли в другой радиограмме того же дня, которая уже была расшифрована
В ней встретилось слово ROSENOW
Агенты предположили, что оно есть и в неизвестном сообщении, и с помощью этой догадки резко сузили поиск ключа
Скоро нейросеть прочитала сообщение: «Пожалуйста, укажите маршрут движения
Я нахожусь в Розенове
Немедленный ответ по радио»
Когда-то Тьюринг предложил вместо бесконечного спора о том, способна ли машина мыслить, тест, который со временем стал классикой
Человек вслепую общается с другим человеком и с машиной
Если по ответам не получается их различить, появляются основания говорить о машинном интеллекте
В этом эксперименте Astra поступила по принципу «умный в гору не пойдет, умный гору обойдет»
Модель не стала сразу искать ключ
Сначала она придумала, как упростить сам поиск и резко сократить число возможных вариантов, а уже потом решила задачу
Примерно так же действовали и в Блетчли-парке
Криптоаналитики опирались на вероятные слова и фразы в радиограммах, чтобы отсечь большую часть вариантов и быстрее выйти на нужные настройки Enigma
Если что-то ходит как утка, крякает как утка…
Команде агентов дали непрочитанную немецкую радиограмму 1941 года и задание не останавливаться, пока они не дадут расшифровку
Дальше агенты поделили работу между собой
Они разбирали архивные документы, писали код, моделировали работу Enigma и проверяли возможные расшифровки
У Enigma было около 159 квинтиллионов возможных настроек, поэтому решить задачу простым перебором было нереально
Агенты-дешифровщики поступили хитрее
Зацепку они нашли в другой радиограмме того же дня, которая уже была расшифрована
В ней встретилось слово ROSENOW
Агенты предположили, что оно есть и в неизвестном сообщении, и с помощью этой догадки резко сузили поиск ключа
Скоро нейросеть прочитала сообщение: «Пожалуйста, укажите маршрут движения
Я нахожусь в Розенове
Немедленный ответ по радио»
Когда-то Тьюринг предложил вместо бесконечного спора о том, способна ли машина мыслить, тест, который со временем стал классикой
Человек вслепую общается с другим человеком и с машиной
Если по ответам не получается их различить, появляются основания говорить о машинном интеллекте
В этом эксперименте Astra поступила по принципу «умный в гору не пойдет, умный гору обойдет»
Модель не стала сразу искать ключ
Сначала она придумала, как упростить сам поиск и резко сократить число возможных вариантов, а уже потом решила задачу
Примерно так же действовали и в Блетчли-парке
Криптоаналитики опирались на вероятные слова и фразы в радиограммах, чтобы отсечь большую часть вариантов и быстрее выйти на нужные настройки Enigma
Если что-то ходит как утка, крякает как утка…
mvueh-enigma-solved.carterl.chatgpt.site
MVUEH — An Enigma message recovered
Follow the two-day investigation that recovered the key to MVUEH, an authentic 82-letter Enigma message from July 1941, with source comparisons, experiments and reproducible checks.
This media is not supported in your browser
VIEW IN TELEGRAM
LLM — это не инструмент
Это инфраструктура
А в 2025 году — не знать, как это работает, то же самое, что не знать, как работает электричество, в 1920-м
Вот что на самом деле происходит внутри:
Текст не входит в модель как слова
Он разбивается на токены — числовые ID вроде 101, 4287, 318 — а потом преобразуется в 768-мерные векторы эмбеддингов
Модель никогда не читает язык
Она читает геометрию
Каждое слово становится точкой в многомерном пространстве, а смысл — это расстояние между этими точками
Затем вступает в дело механизм внимания
Матрицы Q, K, V
Формула: Attention(Q,K,V) = softmax(QK^T/√d_k)·V
Каждый токен голосует за каждый другой токен
Модель учится контексту, а не определениям
«Attention Is All You Need»
Законы масштабирования изменили всё
Удвой параметры — и производительность улучшится по предсказуемой кривой
L(N) = AN^-α + B, где α ≈ 0.076
Это не интуиция
Это физика
Anthropic, Google и Meta все построили свои дорожные карты вокруг этого единственного уравнения
На определённом масштабе модели начали делать вещи, которые никто не программировал
Обучение в контексте
Цепочка мыслей
Использование инструментов
Это не были функции
Это было эмерджентное
GPT-6 Astra: ~1T параметров
Окно контекста 1M
Оценка MMLU 92.1
Превосходит людей по 57 доменам
Учите матчасть
Это инфраструктура
А в 2025 году — не знать, как это работает, то же самое, что не знать, как работает электричество, в 1920-м
Вот что на самом деле происходит внутри:
Текст не входит в модель как слова
Он разбивается на токены — числовые ID вроде 101, 4287, 318 — а потом преобразуется в 768-мерные векторы эмбеддингов
Модель никогда не читает язык
Она читает геометрию
Каждое слово становится точкой в многомерном пространстве, а смысл — это расстояние между этими точками
Затем вступает в дело механизм внимания
Матрицы Q, K, V
Формула: Attention(Q,K,V) = softmax(QK^T/√d_k)·V
Каждый токен голосует за каждый другой токен
Модель учится контексту, а не определениям
«Attention Is All You Need»
Законы масштабирования изменили всё
Удвой параметры — и производительность улучшится по предсказуемой кривой
L(N) = AN^-α + B, где α ≈ 0.076
Это не интуиция
Это физика
Anthropic, Google и Meta все построили свои дорожные карты вокруг этого единственного уравнения
На определённом масштабе модели начали делать вещи, которые никто не программировал
Обучение в контексте
Цепочка мыслей
Использование инструментов
Это не были функции
Это было эмерджентное
GPT-6 Astra: ~1T параметров
Окно контекста 1M
Оценка MMLU 92.1
Превосходит людей по 57 доменам
Учите матчасть