Media is too big
VIEW IN TELEGRAM
80 % образования должно быть математикой, физикой, информатикой
Не потому, что это полезно — потому что это прокладывает бороздки в мозгу
Бороздки, которые становится всё труднее прокладывать с возрастом
В мире до AGI: это даёт вам работу
В мире после AGI: это делает вас функционирующим, самодостаточным человеком
Всё остальное?
Добавьте позже
Когнитивная основа — единственная основа, которая выдерживает переход
Не потому, что это полезно — потому что это прокладывает бороздки в мозгу
Бороздки, которые становится всё труднее прокладывать с возрастом
В мире до AGI: это даёт вам работу
В мире после AGI: это делает вас функционирующим, самодостаточным человеком
Всё остальное?
Добавьте позже
Когнитивная основа — единственная основа, которая выдерживает переход
ARI AML
80 % образования должно быть математикой, физикой, информатикой Не потому, что это полезно — потому что это прокладывает бороздки в мозгу Бороздки, которые становится всё труднее прокладывать с возрастом В мире до AGI: это даёт вам работу В мире после AGI:…
Cognition and AIs Future.pdf
500.6 KB
Media is too big
VIEW IN TELEGRAM
Все думают, что Midjourney и ChatGPT могут генерировать что угодно
Они не могут
В центре самой знаменитой работы Эшера — пустая дыра, которую современный алгоритмы заполнить не могут
Формула XIX века делает это в одну строку
Они не могут
В центре самой знаменитой работы Эшера — пустая дыра, которую современный алгоритмы заполнить не могут
Формула XIX века делает это в одну строку
Такими новостями уже никого не удивишь, но GPT-5.6 опровергла еще одну известную гипотезу, которая была открыта 30 лет
Гипотеза Диница - Гарга - Гоеманса – это теорема из теории графов и сетевых потоков, которая гласит, что из допустимого дробимого решения можно получить целочисленное по маршрутам решение без увеличения стоимости
Подобные утверждения часто становятся основой для практических оптимизационных алгоритмов, поэтому гипотеза важная
Открыта она была с 1999
Решение, к слову, обнаружил математик из Нижнего Тагила, выпускник ВШЭ
Вот чат с моделью
В итоге за несколько итераций и несколько часов модель нашла нужный контрпример
Вот такая математика в 2026 году
Гипотеза Диница - Гарга - Гоеманса – это теорема из теории графов и сетевых потоков, которая гласит, что из допустимого дробимого решения можно получить целочисленное по маршрутам решение без увеличения стоимости
Подобные утверждения часто становятся основой для практических оптимизационных алгоритмов, поэтому гипотеза важная
Открыта она была с 1999
Решение, к слову, обнаружил математик из Нижнего Тагила, выпускник ВШЭ
Вот чат с моделью
В итоге за несколько итераций и несколько часов модель нашла нужный контрпример
Вот такая математика в 2026 году
X (formerly Twitter)
Dmitry Rybin (@DmitryRybin1) on X
Dinitz-Garg-Goemans conjecture is false. This graph theory problem was open for ~30 years.
The graph below has fractional flow cost 58. Any unsplittable flow (with capacity violation <=15) has…
The graph below has fractional flow cost 58. Any unsplittable flow (with capacity violation <=15) has…
Anthropic дали агентам доступ к 500 навыкам сразу - это уже похоже на целую команду
Сегодня Anthropic сильно расширили возможности Managed Agents, особенно в плане масштаба, добавив 500 skills, гибкости настройки и удобства работы с суб-агентами в реальном времени
Это делает систему гораздо сильнее для сложных многоагентных задач
Эти новые функции можно попробовать с помощью cookbook компании
Anthropic сделала skills своей сильной стороной: они компактные, загружаются по необходимости и позволяют одному агенту держать огромную библиотеку специализированных инструкций
У OpenAI и Microsoft лимит в 4 раза ниже
Managed Agents сейчас один из самых быстро развивающихся продуктов Anthropic
Сегодня Anthropic сильно расширили возможности Managed Agents, особенно в плане масштаба, добавив 500 skills, гибкости настройки и удобства работы с суб-агентами в реальном времени
Это делает систему гораздо сильнее для сложных многоагентных задач
Эти новые функции можно попробовать с помощью cookbook компании
Anthropic сделала skills своей сильной стороной: они компактные, загружаются по необходимости и позволяют одному агенту держать огромную библиотеку специализированных инструкций
У OpenAI и Microsoft лимит в 4 раза ниже
Managed Agents сейчас один из самых быстро развивающихся продуктов Anthropic
Claude Platform Docs
Claude Platform release notes
Updates to the Claude Platform, including the Claude API, client SDKs, and the Claude Console.
MetaCircle представила новый подход к автоматизации исследований OPHIS - механистический авторесёрч, без LLM в основе, но результаты превосходят то, что показывает RSI
Все существующие системы авторесёрча работают примерно одинаково: берут опыт из интернета или из памяти прошлых экспериментов и предлагают следующий шаг
То OPHIS предлагает другую логику, в которой 5 этапов: наблюдение, проблема, гипотеза, вмешательство, ускорение
Создатели говорят, что они попробовали дать OPHIS способность понимать, а не только запоминать
И они же считают, что масштабировать нужно инсайты, а не вычисления
Все существующие системы авторесёрча работают примерно одинаково: берут опыт из интернета или из памяти прошлых экспериментов и предлагают следующий шаг
То OPHIS предлагает другую логику, в которой 5 этапов: наблюдение, проблема, гипотеза, вмешательство, ускорение
Создатели говорят, что они попробовали дать OPHIS способность понимать, а не только запоминать
И они же считают, что масштабировать нужно инсайты, а не вычисления
Meta-Circle
OPHIS: Towards Mechanistic Auto-Research — MetaCircle
Self-improving AI that's smart, not just works hard. Scale insights more than compute.
— Какие десять книг оказали наибольшее влияние на становление тебя как личности?
— Курс теоретической физики Ландау-Лифшица
— Ээээ... А остальные девять?
— А он в десяти томах
— Курс теоретической физики Ландау-Лифшица
— Ээээ... А остальные девять?
— А он в десяти томах
Большая языковая модель работает примерно на 1 % от связей в вашем мозге и всё равно оказывается знает больше вас:
В мозге примерно сто триллионов связей — это много
Но мозг живёт около двух миллиардов секунд — это не много
Гораздо больше связей, чем переживаний
С нейронными сетями всё наоборот
У них примерно триллион связей
Как и 1 % от связей в мозгу, даже в большой языковой модели, они получают в тысячи раз больше опыта, чем мозг
Большие языковые модели решают проблему с небольшим количеством связей — всего триллион
И обратное распространение ошибки хорошо справляется с упаковкой огромных объёмов знаний в небольшое количество связей
У мозга огромное количество связей, но мало опыта
А ужно извлечь максимум
Два-три миллиарда секунд — это всё, что у вас есть
Эволюция выжимает много из очень малого
Языковая модель сталкивается с противоположной проблемой и использует противоположное решение, и обратное распространение оказалось эфективнее в этом решении
Система, работающая на 1 % связей, но в тысячи раз с большим опытом, не будет ошибаться так, как мозг
У мозга слишком мало примеров
Он ошибается из-за того, что слишком много сжимает в слишком малое пространство, и ошибки возникают именно в сжатии
Никто пока не может посмотреть на триллион связей и сказать, что туда закладывать
В мозге примерно сто триллионов связей — это много
Но мозг живёт около двух миллиардов секунд — это не много
Гораздо больше связей, чем переживаний
С нейронными сетями всё наоборот
У них примерно триллион связей
Как и 1 % от связей в мозгу, даже в большой языковой модели, они получают в тысячи раз больше опыта, чем мозг
Большие языковые модели решают проблему с небольшим количеством связей — всего триллион
И обратное распространение ошибки хорошо справляется с упаковкой огромных объёмов знаний в небольшое количество связей
У мозга огромное количество связей, но мало опыта
А ужно извлечь максимум
Два-три миллиарда секунд — это всё, что у вас есть
Эволюция выжимает много из очень малого
Языковая модель сталкивается с противоположной проблемой и использует противоположное решение, и обратное распространение оказалось эфективнее в этом решении
Система, работающая на 1 % связей, но в тысячи раз с большим опытом, не будет ошибаться так, как мозг
У мозга слишком мало примеров
Он ошибается из-за того, что слишком много сжимает в слишком малое пространство, и ошибки возникают именно в сжатии
Никто пока не может посмотреть на триллион связей и сказать, что туда закладывать
Впервые за более чем 60 лет (с момента IBM System/360) полностью меняется сама парадигма
Теперь всё генерируется в реальном времени — контекстно, адаптивно и по намерению пользователя
Это меняет:
• то, как пишут программы (нейронные сети вместо классического кода);
• архитектуру систем, сети, хранилища и облака;
• саму роль компьютера (от «по запросу» к непрерывно работающим агентным системам)
Достигнут рост производительности примерно в 1.000.000 раз за 10 лет за счёт одновременной оптимизации всех уровней: чипов, компиляторов, сетей, систем хранения и ПО
Это принципиально превосходит классический закон Мура (который за то же время дал бы лишь ~10×)
Именно такой уровень ускорения позволил «скармливать» моделям весь интернет без жёсткого отбора данных
Традиционные учебники не успевают за скоростью появления знаний. Будущее образования — гибрид:
• алгоритмы как инструмент обучения и исследования (чтение, суммирование, диалог со статьями);
• сохранение базовых принципов (они не устаревают)
Студенты CS сегодня — первое поколение, для которого AML уже полезен и повсеместен
Открытые модели демократизируют AML и позволяют адаптировать его под разные языки и домены.
Прозрачность необходима для безопасности: «чёрный ящик» невозможно надёжно защитить
Потребность в вычислительных мощностях вырастет на порядки
Нужно радикальное повышение энергоэффективности (токены на ватт)
Успех строится на наблюдении → рассуждении от первых принципов → построении ментальной модели будущего → работе назад
Нужно уметь принимать стратегические решения в условиях неопределённости и сохранять опциональность
«Страдание» и преодоление трудностей формируют характер и устойчивость — это важная часть роста
GPU — технология общего назначения (игры, медицина, наука, логистика), а не оружие
Мы находимся в начале новой вычислительной эры — дегенеративной, агентной и непрерывной
Это лучшее время для специалистов в компьютерных науках за последние десятилетия
Те, кто понимает циклы, открытые модели, графы и топологию будут определять будущее
Теперь всё генерируется в реальном времени — контекстно, адаптивно и по намерению пользователя
Это меняет:
• то, как пишут программы (нейронные сети вместо классического кода);
• архитектуру систем, сети, хранилища и облака;
• саму роль компьютера (от «по запросу» к непрерывно работающим агентным системам)
Достигнут рост производительности примерно в 1.000.000 раз за 10 лет за счёт одновременной оптимизации всех уровней: чипов, компиляторов, сетей, систем хранения и ПО
Это принципиально превосходит классический закон Мура (который за то же время дал бы лишь ~10×)
Именно такой уровень ускорения позволил «скармливать» моделям весь интернет без жёсткого отбора данных
Традиционные учебники не успевают за скоростью появления знаний. Будущее образования — гибрид:
• алгоритмы как инструмент обучения и исследования (чтение, суммирование, диалог со статьями);
• сохранение базовых принципов (они не устаревают)
Студенты CS сегодня — первое поколение, для которого AML уже полезен и повсеместен
Открытые модели демократизируют AML и позволяют адаптировать его под разные языки и домены.
Прозрачность необходима для безопасности: «чёрный ящик» невозможно надёжно защитить
Потребность в вычислительных мощностях вырастет на порядки
Нужно радикальное повышение энергоэффективности (токены на ватт)
Успех строится на наблюдении → рассуждении от первых принципов → построении ментальной модели будущего → работе назад
Нужно уметь принимать стратегические решения в условиях неопределённости и сохранять опциональность
«Страдание» и преодоление трудностей формируют характер и устойчивость — это важная часть роста
GPU — технология общего назначения (игры, медицина, наука, логистика), а не оружие
Мы находимся в начале новой вычислительной эры — дегенеративной, агентной и непрерывной
Это лучшее время для специалистов в компьютерных науках за последние десятилетия
Те, кто понимает циклы, открытые модели, графы и топологию будут определять будущее
Forwarded from ARI IES
When Does Continual Learning Require Learning
Авторы представляют унифицированный, независимый от конкретных механизмов фреймворк для оценки непрерывного обучения (continual learning) в LLM
В нём напрямую сравниваются восемь методов адаптации — от промптинга до классического обучения с учителем, обучения с подкреплением и сжатия контекста — на четырёх реалистичных сценариях изменения среды: сдвиге доменов, обновлении фактов, временном дрейфе и накоплении состояния агента
Исследование математически и эмпирически доказывает, что непрерывное обучение — это не единая монолитная способность, а набор компромиссов, зависящих от характера изменений среды
Универсального метода нет: медленные временные тренды требуют дистилляции для стабильности, дискретные обновления фактов — онлайн-RL, а агентские среды — файнтюнинга весов или специализированного промптинга
Работа даёт чёткую инструкцию, когда моделям нужно обновлять веса внутри модели (in-weights), а когда достаточно внешних надстроек
Если перед вами стоит задача долгосрочной адаптации LLM, забудьте об универсальных решениях
Для исправления фактов используйте онлайн-RL (например, GRPO), для плавной адаптации к домену — дистилляцию (SDFT), а для сложных агентских сред — файнтюнинг весов или продвинутый промпт-инжиниринг
https://arxiv.org/abs/2607.07847
https://github.com/anneharrington/studying-cl
https://arxiviq.substack.com/p/when-does-continual-learning-require
Диссекция continual learning тут: https://t.me/gonzo_ML_podcasts/4615
Авторы представляют унифицированный, независимый от конкретных механизмов фреймворк для оценки непрерывного обучения (continual learning) в LLM
В нём напрямую сравниваются восемь методов адаптации — от промптинга до классического обучения с учителем, обучения с подкреплением и сжатия контекста — на четырёх реалистичных сценариях изменения среды: сдвиге доменов, обновлении фактов, временном дрейфе и накоплении состояния агента
Исследование математически и эмпирически доказывает, что непрерывное обучение — это не единая монолитная способность, а набор компромиссов, зависящих от характера изменений среды
Универсального метода нет: медленные временные тренды требуют дистилляции для стабильности, дискретные обновления фактов — онлайн-RL, а агентские среды — файнтюнинга весов или специализированного промптинга
Работа даёт чёткую инструкцию, когда моделям нужно обновлять веса внутри модели (in-weights), а когда достаточно внешних надстроек
Если перед вами стоит задача долгосрочной адаптации LLM, забудьте об универсальных решениях
Для исправления фактов используйте онлайн-RL (например, GRPO), для плавной адаптации к домену — дистилляцию (SDFT), а для сложных агентских сред — файнтюнинг весов или продвинутый промпт-инжиниринг
https://arxiv.org/abs/2607.07847
https://github.com/anneharrington/studying-cl
https://arxiviq.substack.com/p/when-does-continual-learning-require
Диссекция continual learning тут: https://t.me/gonzo_ML_podcasts/4615
arXiv.org
When Does Continual Learning Require Learning
As large language models (LLMs) become increasingly capable, the next question is how can we enable models to continually learn? Today, the field largely frames this as a problem of context...