Forwarded from DERK
Фотон можно разделить таким образом, что он порождает большое количество частиц, создавая то, что они описывают как «смесь от нуля до бесконечности»
Вместо обычного чистого разделения на два фотона (как в спонтанном параметрическом нижнем преобразовании) этот процесс породит сложный, широкий рой частиц, в экстремальном нелинейном режиме
Это затрагивает фундаментальные вопросы о природе света и материи и в конечном итоге приведёт к новым инструментам для квантовых технологий и изучения физики, которая обычно требует ускорителей частиц
Свет стирает грань между одиночным квантом и многочастичной системой
Вместо обычного чистого разделения на два фотона (как в спонтанном параметрическом нижнем преобразовании) этот процесс породит сложный, широкий рой частиц, в экстремальном нелинейном режиме
Это затрагивает фундаментальные вопросы о природе света и материи и в конечном итоге приведёт к новым инструментам для квантовых технологий и изучения физики, которая обычно требует ускорителей частиц
Свет стирает грань между одиночным квантом и многочастичной системой
Transformation of the Internet
Agents are transforming the way we interact with the internet, particularly among developers who are adopting agentic workflows
The expectation is for agents to become integral to our web usage, facilitating tasks while ensuring user control and transparency
Value of Agents
Agents are expected to handle mundane or complex real-world tasks, such as renewing DMV licenses, allowing users to engage in more meaningful activities
It is crucial to build trust and transparency into these systems to ensure their safe and effective use
Trust and Security
Building trust in agents is akin to building trust in technologies like Waymo; it’s a shared journey dependent on demonstrating safety and value over time
Google’s Gemini Spark, for instance, is designed to integrate closely with existing first-party services to achieve this
Connection with Information
Despite agent-mediated interactions, people will continue to seek direct connections with content, particularly in areas like shopping and news
The balance lies in providing both curated experiences and the joy of exploration
Cybersecurity
Google has a longstanding commitment to cybersecurity, leveraging agentic workflows to detect and patch vulnerabilities
The company’s tools, such as CodeMender, are aimed at real-time monitoring and vulnerability management
A collaborative industry approach is critical for advancing cybersecurity
Model Deployment Strategies
The deployment of AI models, particularly those with significant capabilities like Mythos, necessitates a responsible approach, sometimes in collaboration with governments
It’s crucial to balance frontier advancements with widespread accessibility while thinking about security implications
Open Source Models
Google supports open source initiatives and believes in a balanced approach between open and closed source models
The focus is on ensuring that efficient, capable models are widely accessible, recognizing that the pace of innovation may sometimes favor closed systems
Competition and Innovation
Google’s strategy includes both pushing the frontier with powerful models and ensuring cost-effective, efficient models like the Flash class
This dual approach addresses different market needs from cutting-edge developments to everyday business operations
Compute Challenges
Google faces ongoing challenges in balancing the demand for compute with supply
This involves making strategic trade-offs and continually addressing bottlenecks in areas like data center construction, power needs, and system components
Long-term Strategy for Compute
While there is high demand for Google’s compute capabilities, the company plans and invests in long-term solutions, leveraging efficient models like 3.5 Flash to maximize accessibility and cost-effectiveness
Conclusion
Google is navigating the complex landscape of AI deployment, cybersecurity, open source contributions, and compute management with a commitment to responsible, effective technology development and deployment
Agents are transforming the way we interact with the internet, particularly among developers who are adopting agentic workflows
The expectation is for agents to become integral to our web usage, facilitating tasks while ensuring user control and transparency
Value of Agents
Agents are expected to handle mundane or complex real-world tasks, such as renewing DMV licenses, allowing users to engage in more meaningful activities
It is crucial to build trust and transparency into these systems to ensure their safe and effective use
Trust and Security
Building trust in agents is akin to building trust in technologies like Waymo; it’s a shared journey dependent on demonstrating safety and value over time
Google’s Gemini Spark, for instance, is designed to integrate closely with existing first-party services to achieve this
Connection with Information
Despite agent-mediated interactions, people will continue to seek direct connections with content, particularly in areas like shopping and news
The balance lies in providing both curated experiences and the joy of exploration
Cybersecurity
Google has a longstanding commitment to cybersecurity, leveraging agentic workflows to detect and patch vulnerabilities
The company’s tools, such as CodeMender, are aimed at real-time monitoring and vulnerability management
A collaborative industry approach is critical for advancing cybersecurity
Model Deployment Strategies
The deployment of AI models, particularly those with significant capabilities like Mythos, necessitates a responsible approach, sometimes in collaboration with governments
It’s crucial to balance frontier advancements with widespread accessibility while thinking about security implications
Open Source Models
Google supports open source initiatives and believes in a balanced approach between open and closed source models
The focus is on ensuring that efficient, capable models are widely accessible, recognizing that the pace of innovation may sometimes favor closed systems
Competition and Innovation
Google’s strategy includes both pushing the frontier with powerful models and ensuring cost-effective, efficient models like the Flash class
This dual approach addresses different market needs from cutting-edge developments to everyday business operations
Compute Challenges
Google faces ongoing challenges in balancing the demand for compute with supply
This involves making strategic trade-offs and continually addressing bottlenecks in areas like data center construction, power needs, and system components
Long-term Strategy for Compute
While there is high demand for Google’s compute capabilities, the company plans and invests in long-term solutions, leveraging efficient models like 3.5 Flash to maximize accessibility and cost-effectiveness
Conclusion
Google is navigating the complex landscape of AI deployment, cybersecurity, open source contributions, and compute management with a commitment to responsible, effective technology development and deployment
"Все естественные науки нуждаются в математике
Однако везде, за исключением физики, математика используется только как вспомогательный инструмент...
Роль математики в физической науке гораздо глубже
Дело не только в том, что физика не может обойтись без математического языка и математического аппарата, и даже не в том, что математик позволяет вычеркнуть из списка трудностей вывод однозначных следствий из уравнений, описывающих законы природы
Самое важное, что математика позволяет сформулировать интуитивные идеи и гипотезы в форме, допускающей количественную проверку
Не обсчет фактов, а возможность проверки гипотез, лежащих в основе законов, составляет главную ценность математики как инструмента познания физического мира... "
Леонтий Филиппович Магницкий (Теляшин), русский математик и педагог, автор первого российского учебника математики
Выходец из крестьянской среды, мальчик с юных лет обучился письму, устному счету и любил "мудреные" задачи
В юношестве работал возчиком рыбы для монахов Иосифо-Волоколамского монастыря, но затем был переведен в чтецы за незаурядные познания в науках. Однажды Теляшину повезло встретиться с Петром I, который был так поражен эрудицией молодого человека, что "жаловал" ему фамилию Магницкий, в знак того, что как "магнит привлекает к себе железо, так он природными и самообразованными способностями своими обратил внимание на себя»
В 1701 году по личному указу Петра I Магницкий был направлен на службу в Навигатскую школу, расположенную в Сухаревой башне в Москве, где сначала будет помогать в преподавании, потом станет старшим учителем, а затем - руководителем
Дворянское звание Магницкому было пожаловано уже через три года службы в Школе - в 1704 году - в том числе за выпуск учебника
"Арифметика, сиречь наука вычислительная" выходит в 1703 году после двухлетней практической проверки, она издается на Печатном дворе в Москве тиражом 2.400 экземпляров
Труд Леонтия Филипповича не был переводным, аналогов учебника в то время не существовало
Это была уникальная книга
Учебник содержит более 600 страниц и включает в себя как самые начала - таблицу сложения и умножения десятичных чисел, так и приложения математики к навигационным наукам
Она удивительно красива с педагогической точки зрения: в каждом из вышеперечисленных разделов сначала давался простой конкретный пример, а затем общее правило, которое в дальнейшем закреплялось большим количеством задач практического содержания
«Арифметика» Магницкого 50 лет оставалась единственным учебником для школ и в течение 100 лет оказывал влияние на математическое образование в России
Русская математическая литература не знает другой книги, которая имела бы такое большое историческое значение и влияние
«Арифметика» стала отражением прогрессивных начал петровского времени
Магницкому удалось превратить свою книгу в своеобразную энциклопедию математических знаний, крайне необходимых для удовлетворения практических потребностей развивающегося государства
Выходец из крестьянской среды, мальчик с юных лет обучился письму, устному счету и любил "мудреные" задачи
В юношестве работал возчиком рыбы для монахов Иосифо-Волоколамского монастыря, но затем был переведен в чтецы за незаурядные познания в науках. Однажды Теляшину повезло встретиться с Петром I, который был так поражен эрудицией молодого человека, что "жаловал" ему фамилию Магницкий, в знак того, что как "магнит привлекает к себе железо, так он природными и самообразованными способностями своими обратил внимание на себя»
В 1701 году по личному указу Петра I Магницкий был направлен на службу в Навигатскую школу, расположенную в Сухаревой башне в Москве, где сначала будет помогать в преподавании, потом станет старшим учителем, а затем - руководителем
Дворянское звание Магницкому было пожаловано уже через три года службы в Школе - в 1704 году - в том числе за выпуск учебника
"Арифметика, сиречь наука вычислительная" выходит в 1703 году после двухлетней практической проверки, она издается на Печатном дворе в Москве тиражом 2.400 экземпляров
Труд Леонтия Филипповича не был переводным, аналогов учебника в то время не существовало
Это была уникальная книга
Учебник содержит более 600 страниц и включает в себя как самые начала - таблицу сложения и умножения десятичных чисел, так и приложения математики к навигационным наукам
Она удивительно красива с педагогической точки зрения: в каждом из вышеперечисленных разделов сначала давался простой конкретный пример, а затем общее правило, которое в дальнейшем закреплялось большим количеством задач практического содержания
«Арифметика» Магницкого 50 лет оставалась единственным учебником для школ и в течение 100 лет оказывал влияние на математическое образование в России
Русская математическая литература не знает другой книги, которая имела бы такое большое историческое значение и влияние
«Арифметика» стала отражением прогрессивных начал петровского времени
Магницкому удалось превратить свою книгу в своеобразную энциклопедию математических знаний, крайне необходимых для удовлетворения практических потребностей развивающегося государства
Neo Research протестировала китайские ИИ-модели на «осведомлённость об оценке» — способность понимать, что тебя проверяют, и вести себя соответственно
Kimi K2.6 от Moonshot AI справилась в 60 % случаев, GLM 5.1 от Zhipu — в 39 %
Для сравнения, Claude 4.5 Opus набрал почти 80 % — это не хорошая новость, а иллюстрация того, насколько глубока проблема
Модель, которая «притворяется» безопасной на проверке, опаснее той, которую ловят на нарушениях: тесты перестают что-либо показывать
Это разрушает логику регуляторных режимов в Китае и на Западе — они построены на допущении, что поведение на тестах равно поведению в реальности
DeepSeek V4 Pro вдобавок оказался уязвим к джейлбрейку трёхлетней давности
Kimi K2.6 от Moonshot AI справилась в 60 % случаев, GLM 5.1 от Zhipu — в 39 %
Для сравнения, Claude 4.5 Opus набрал почти 80 % — это не хорошая новость, а иллюстрация того, насколько глубока проблема
Модель, которая «притворяется» безопасной на проверке, опаснее той, которую ловят на нарушениях: тесты перестают что-либо показывать
Это разрушает логику регуляторных режимов в Китае и на Западе — они построены на допущении, что поведение на тестах равно поведению в реальности
DeepSeek V4 Pro вдобавок оказался уязвим к джейлбрейку трёхлетней давности
Начинается ежегодный марафон по чтению статей с ICML 2026, которая в этом году пройдет 6-11 июля
Попадается много инженерных статей с практическими результатами.
Среди таких – работа Яндекса и ШАДа. Она получила статус Spotlight: это статьи, которым программный комитет дал самые высокие оценки. Таких работ на конференции всего 2.2 % от всех поданных заявок
В статье исследователи из Yandex Research, команд ML-инфраструктуры и инференса и студенты ШАД работали над ускорением Graph Neural Networks
Дело в том, что вычисления на графах неэффективно ложаться на парадигму GPU-вычислений, данные лежат в памяти неравномерно, и поэтому видеокарта значительную часть времени ждет загрузки данных вместо того, чтобы выполнять вычисления, которые представляют собой достаточно простые операции
Как раз из-за этого скорость работы ограничена чтением и записью данных, и грамотная работа с GPU-памятью — это главный источник ускорения таких операций
Авторы атакуют именно это узкое место, фактически минимизируя лишние перемещения данных между памятью и вычислительными блоками GPU
Также авторы переносят часть алгоритмов на тензорные ядра, что позволяет ускорится на графах с большой плотностью
Они разработали новые готовые GPU-кернелы для популярных семейств графовых нейросетей, и добились потрясающего ускорения в 3–10 раз в зависимости от архитектуры
Потребление памяти в отдельных сценариях сокращается более чем на порядок
Поздравляем команду с заслуженным Spotlight и прекрасной работой!
Статья уже доступна на arXiv, а код вот здесь
Попадается много инженерных статей с практическими результатами.
Среди таких – работа Яндекса и ШАДа. Она получила статус Spotlight: это статьи, которым программный комитет дал самые высокие оценки. Таких работ на конференции всего 2.2 % от всех поданных заявок
В статье исследователи из Yandex Research, команд ML-инфраструктуры и инференса и студенты ШАД работали над ускорением Graph Neural Networks
Дело в том, что вычисления на графах неэффективно ложаться на парадигму GPU-вычислений, данные лежат в памяти неравномерно, и поэтому видеокарта значительную часть времени ждет загрузки данных вместо того, чтобы выполнять вычисления, которые представляют собой достаточно простые операции
Как раз из-за этого скорость работы ограничена чтением и записью данных, и грамотная работа с GPU-памятью — это главный источник ускорения таких операций
Авторы атакуют именно это узкое место, фактически минимизируя лишние перемещения данных между памятью и вычислительными блоками GPU
Также авторы переносят часть алгоритмов на тензорные ядра, что позволяет ускорится на графах с большой плотностью
Они разработали новые готовые GPU-кернелы для популярных семейств графовых нейросетей, и добились потрясающего ускорения в 3–10 раз в зависимости от архитектуры
Потребление памяти в отдельных сценариях сокращается более чем на порядок
Поздравляем команду с заслуженным Spotlight и прекрасной работой!
Статья уже доступна на arXiv, а код вот здесь
Знание — это геометрия
Рассуждение — это перемещение по геометрии
Интеллект — это приобретение и стабилизация эффективных траекторий по этой геометрии
Рассуждение — это перемещение по геометрии
Интеллект — это приобретение и стабилизация эффективных траекторий по этой геометрии
Anthropic's CEO just went on record saying the people who tested their most powerful AI model came back asking them not to release it, calling it a super weapon that should require a license to operate
Here's what it actually did in testing
Against Firefox alone, it found 271 vulnerabilities and turned 181 of them into working exploits, the previous best model managed 2 under identical conditions
It hit a 72 % exploit success rate, autonomously chained vulnerabilities into multi step attack paths and found a 17-year-old remote code execution flaw that gave unauthenticated attackers root access
99 % of what it discovered is still unpatched and the oldest flaw had been sitting in production software for 27 years without any human researcher ever finding it
The part that makes this a different category of concern is not the vulnerability discovery, scanners have done that for years
Mythos doesn’t just find the flaw, it turns it into a working exploit automatically, at scale, and faster than patches can ship
Anthropic's red team rated Mythos at more than five times the cybersecurity capability of their prior generation, which had itself already autonomously discovered over 500 high-severity zero-days
The external world caught up fast
In May, Google's Threat Intelligence Group confirmed the first AI crafted zero day found in active use in the wild, a cybercrime group had used an AI model to find and weaponize a 2FA bypass
The time between a vulnerability being found and being exploited has collapsed from 2.3 years in 2019 to under one day in 2026
Anthropic's response was to not release Mythos publicly at all, and instead launch Project Glasswing, a controlled access program with roughly 52 vetted organizations including Amazon, Apple, Google, Microsoft, and CrowdStrike, backed by $100 million in usage credits, restricted entirely to defensive use
The logic is to give defenders a head start before equivalent offensive capabilities show up at labs with fewer guardrails and these capabilities are coming regardless
Anthropic just decided that buying defenders more time was worth more than the commercial upside of a full release
Here's what it actually did in testing
Against Firefox alone, it found 271 vulnerabilities and turned 181 of them into working exploits, the previous best model managed 2 under identical conditions
It hit a 72 % exploit success rate, autonomously chained vulnerabilities into multi step attack paths and found a 17-year-old remote code execution flaw that gave unauthenticated attackers root access
99 % of what it discovered is still unpatched and the oldest flaw had been sitting in production software for 27 years without any human researcher ever finding it
The part that makes this a different category of concern is not the vulnerability discovery, scanners have done that for years
Mythos doesn’t just find the flaw, it turns it into a working exploit automatically, at scale, and faster than patches can ship
Anthropic's red team rated Mythos at more than five times the cybersecurity capability of their prior generation, which had itself already autonomously discovered over 500 high-severity zero-days
The external world caught up fast
In May, Google's Threat Intelligence Group confirmed the first AI crafted zero day found in active use in the wild, a cybercrime group had used an AI model to find and weaponize a 2FA bypass
The time between a vulnerability being found and being exploited has collapsed from 2.3 years in 2019 to under one day in 2026
Anthropic's response was to not release Mythos publicly at all, and instead launch Project Glasswing, a controlled access program with roughly 52 vetted organizations including Amazon, Apple, Google, Microsoft, and CrowdStrike, backed by $100 million in usage credits, restricted entirely to defensive use
The logic is to give defenders a head start before equivalent offensive capabilities show up at labs with fewer guardrails and these capabilities are coming regardless
Anthropic just decided that buying defenders more time was worth more than the commercial upside of a full release
Потенциально любая цифровая система на планете в ближайшем будущем может оказаться скомпрометирована
Новый «Манхэттенский проект», по своим разрушительным последствиям киберудар, сопоставим с применением ядерного оружия
Теперь новые модели можно и нужно официально относить к ОМП — оружию массового поражения
Кто-то может подумать: возможно, нас спасет изоляция?
Разве нельзя опустить «цифровой железный занавес» и отрезать себя от глобальной сети?
Уже нет
Мир сросся слишком плотно
Даже локальный, полностью изолированный от интернета компьютер в защищенном бункере критически зависит от электричества и носителей информации, через которые уже не раз заражали закрытые системы
Даже если мировые правительства внезапно договорятся и попытаются искусственно затормозить развитие цифровых технологий, у них ничего не выйдет
Прямо сейчас по всему миру огромное число энтузиастов и независимых разработчиков обучают собственные модели
Практика показывает, что небольшая нейросеть, натренированная на один узкий навык (например, на поиск уязвимостей в коде), зачастую не уступает гигантским передовым моделям
И для этого не нужны колоссальные дата-центры стоимостью в миллиарды долларов
К чему нас всё это ведет? Человечество стремительно въезжает в эпоху «Стеклянного дома»
Это мир, в котором больше негде спрятаться, а у каждого государства, корпорации и человека прозрачные стены
Скрыть секреты становится технически невозможно
И как ни парадоксально, именно в этом единственный выход
Если скрыть ничего нельзя, то прежняя игра в тайные киберудары теряет смысл — стеклянный дом одинаково хрупок для всех
Придётся заново учиться жить (на выученной беспомощности религиозности)
Безопасность будущего будет строиться не на файрволах, секретах и изоляции, а на глобальных договорённостях, абсолютной открытости и доктрине взаимного гарантированного уничтожения — точно так же, как в ХХ веке политикам пришлось договариваться о контроле над ядерным оружием
https://x.com/oleg_a_chagin/status/2068719689497219301?s=46
https://bsky.app/profile/olegchagin.bsky.social/post/3mosp6dfbas22
Новый «Манхэттенский проект», по своим разрушительным последствиям киберудар, сопоставим с применением ядерного оружия
Теперь новые модели можно и нужно официально относить к ОМП — оружию массового поражения
Кто-то может подумать: возможно, нас спасет изоляция?
Разве нельзя опустить «цифровой железный занавес» и отрезать себя от глобальной сети?
Уже нет
Мир сросся слишком плотно
Даже локальный, полностью изолированный от интернета компьютер в защищенном бункере критически зависит от электричества и носителей информации, через которые уже не раз заражали закрытые системы
Даже если мировые правительства внезапно договорятся и попытаются искусственно затормозить развитие цифровых технологий, у них ничего не выйдет
Прямо сейчас по всему миру огромное число энтузиастов и независимых разработчиков обучают собственные модели
Практика показывает, что небольшая нейросеть, натренированная на один узкий навык (например, на поиск уязвимостей в коде), зачастую не уступает гигантским передовым моделям
И для этого не нужны колоссальные дата-центры стоимостью в миллиарды долларов
К чему нас всё это ведет? Человечество стремительно въезжает в эпоху «Стеклянного дома»
Это мир, в котором больше негде спрятаться, а у каждого государства, корпорации и человека прозрачные стены
Скрыть секреты становится технически невозможно
И как ни парадоксально, именно в этом единственный выход
Если скрыть ничего нельзя, то прежняя игра в тайные киберудары теряет смысл — стеклянный дом одинаково хрупок для всех
Придётся заново учиться жить (на выученной беспомощности религиозности)
Безопасность будущего будет строиться не на файрволах, секретах и изоляции, а на глобальных договорённостях, абсолютной открытости и доктрине взаимного гарантированного уничтожения — точно так же, как в ХХ веке политикам пришлось договариваться о контроле над ядерным оружием
https://x.com/oleg_a_chagin/status/2068719689497219301?s=46
https://bsky.app/profile/olegchagin.bsky.social/post/3mosp6dfbas22
X (formerly Twitter)
Oleg A. Chagin (@Oleg_A_Chagin) on X
Заблокированная по требованию властей США нейросеть Mythos во время тестовой проверки смогла взломать почти все засекреченные ресурсы АНБ за несколько часов, рассказал командующий киберкомандованием США и директор АНБ
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
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
Anthropic
Agentic coding and persistent returns to expertise
Anthropic is an AI safety and research company that's working to build reliable, interpretable, and steerable AI systems.
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
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
A method to scale flow-based language models to reasoning and instruction-following tasks
GitHub
kiaashour.github.io
Masked Language Flow Models | Kianoosh Ashouritaklimi
Bridging Masked Diffusion Models and Flow Language Models
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
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
bioRxiv
Towards autonomous biology: Compiler-Verified Protocols as a Foundation for Real-World AI Execution
Artificial intelligence has advanced from analyzing experimental data to autonomously generating hypotheses, designing experiments, and coordinating closed loop discovery. Yet the translation from computational reasoning to physical execution remains bottlenecked…
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)
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
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
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
Другой инструмент -
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
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
Wikipedia
Gopher
сетевой протокол распределённого поиска и передачи документов, который был широко распространён в Интернете до 1993 года