Media is too big
VIEW IN TELEGRAM
Для музея Пеле в Сантусе специалисты DeepMind сняли мини-документалку о знаменитом голе, который ни разу не попал на плёнку.
Видеозаписей матча просто не существует, поэтому историки собрали точную раскадровку по архивам - в дело пошли 2000 документов и 3600 фотографий.
Сантус для этой истории место не случайное. Пеле пришёл в местный клуб в 15 лет и играл за него с 1956 по 1974 год - там забил большинство своих голов, включая тот самый, незаснятый. Для этого города он легенда, поэтому музей открыли именно здесь.
Полностью доверить сцену ИИ не получилось - генеративные модели до сих пор путаются в сложной спортивной биомеханике.
Поэтому команда сначала сняла живого дублёра на футбольном поле, а затем функция Performance Control в видеогенераторе Veo 3 взяла с этой записи 3D-геометрию и траектории движения актёра - так получился жёсткий физический каркас, за пределы которого генерация выйти не могла.
Поверх каркаса модели Gemini Omni и Nano Banana Pro дорисовали исторический облик стадиона, погоду, толпу на трибунах и лицо самого Пеле, заменив им дублёра.
Финал делали по-киношному. Мяч добавили классическими визуальными эффектами, а готовый цифровой файл прогнали через аппаратный фильм-рекордер - устройство, которое переносит цифровое видео на настоящую плёнку.
Отсюда зерно и цветопередача кино пятидесятых - их не имитировали фильтром, а получили честным аналоговым способом.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤121👍34🔥22🥱7🥰1🐳1🙈1
Китайский стартап начал процесс подготовки к первичному размещению акций. Подачу заявки ИИ-разработчик планирует на конец этого или начало следующего года, чтобы официально стать публичной компанией в 2027 году.
Одновременно с этим DeepSeek ищет инвесторов для нового раунда финансирования. Ожидается, что оценка компании составит около $71 млрд, это заметный скачок по сравнению с оценкой в $50 млрд, зафиксированной во время предыдущего раунда в начале июня.
Летом стартап впервые привлек внешнее финансирование, получив $700 млн. На этот раз цель DeepSeek - собрать не менее $1,4 млрд.
Стремительный рост капитализации уже сделал основателя проекта Ляна Вэньфэна одним из богатейших людей в глобальной ИИ-индустрии - его личное состояние сейчас оценивается в $36 млрд.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍47🔥18❤11🗿5
Forwarded from Machine learning Interview
Thinking Machines Lab выкатила Inkling - свою первую open-weights модель.
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
И это сразу тяжёлый релиз:
* 975B total params
* 41B active
* 1M context
* обучение на 45T токенов
* текст, изображения, аудио и видео
* рядом идёт preview Inkling-Small с 12B active
Они прямо пишут, что Inkling не лидер среди всех open и closed моделей. Ставка другая: дать сильную multimodal базу, которую можно дообучать под свои задачи.
Самая интересная часть - связка с Tinker.
Inkling можно fine-tune’ить прямо на платформе Thinking Machines. В демо модель даже сама написала себе fine-tuning job, обучилась избегать буквы “e” в ответах, прогнала eval и переключилась на новые веса.
То есть они показывают полный контур кастомизации:
модель → задача → данные → fine-tune → eval → новые веса.
Похоже, Thinking Machines строит фабрику моделей под конкретные продукты.
https://thinkingmachines.ai/news/introducing-inkling/
🔥156👍19❤12🤔1🌚1
Media is too big
VIEW IN TELEGRAM
Внутренняя разработка под названием GPT-Red автоматизирует редтиминг собственной продукции компании. Инструмент симулирует промпт-инъекции и скрытые атаки через письма, файлы и веб-страницы.
Система обучалась с помощью RL и self-play - непрерывное соревнование атакующей и защитной моделей довело успешность поиска уязвимостей до 84% в тестовых сценариях (против 13% у людей-специалистов).
По словам OpenAI, благодаря GPT-Red уязвимость GPT-5.6 Sol к прямым промпт-инъекциям снизилась в 6 раз по сравнению с моделями четырехмесячной давности, но около 3,8% сложных атак по-прежнему достигают цели (сопоставимо с показателями Claude Opus 4.5).
Инструмент остается внутренним, OpenAI планирует выпустить статью с описанием архитектуры и процесса обучения в ближайшее время.
openai.com
В репозиторий вошли цикл управления агентом, механизмы сборки контекста, парсинг ответов модели, консольный интерфейс с просмотром diff-изменений и инструменты выполнения команд.
Код демонстрирует механизмы интеграции фреймворка с серверами MCP, субагентами и кастомными плагинами.
Grok Build поддерживает локальное развертывание и позволяет перенаправить запросы на любые локальные LLM, полностью исключив передачу данных на сторонние серверы.
x.ai
Сервис будет работать в Китае на базе локальных ИИ-моделей после получения официального одобрения от профильного ведомства КНР. Из-за жестких региональных требований к регистрации генеративных сервисов компания отказалась от адаптации собственных алгоритмов.
Базовой LLM для китайских версий iOS и macOS выбрана Qwen от Alibaba. Модель будет отвечать за анализ контекста, генерацию текста и изображений. Параллельно Apple сотрудничает с Baidu для разработки дополнительных функций под региональный рынок.
На ранних этапах компания также рассматривала решения от DeepSeek и ByteDance, но выбрала Alibaba и Baidu.
reuters.com
Музыкальный сервис добавил ассистента на основе ИИ в управление воспроизведением через текстовые и голосовые команды. Функция запущена в режиме беты для Premium-пользователей старше 18 лет в США, Ирландии и Швеции.
Модель обрабатывает контекстные запросы, а в интерфейсе плеера можно запрашивать информацию об артистах, песнях и подкастах, узнавать историю собственных прослушиваний и задавать вопросы на общую эрудицию.
Запуск ассистента дополняет предыдущие ИИ-функции платформы - генерацию плейлистов по промптам и интеграцию технологий ElevenLabs для озвучки аудиокниг.
spotify.com
Бывшие сотрудники подали иск в федеральный суд Калифорнии, обвинив компанию в использовании ИИ в ходе майского сокращения 8000 человек.
По версии истцов, внутренние системы генерировали списки на увольнение с системной предвзятостью. Под сокращение непропорционально часто попадали сотрудники с инвалидностью, а также находящиеся в медицинском или декретном отпуске. В иске указано, что алгоритм формировал списки на основе оценок эффективности, объемов выполненной работы и метрик использования корпоративных ИИ-инструментов.
Meta отвергает обвинения и настаивает, что финальные кадровые решения принимают люди. Сейчас истцы добиваются судебного запрета, чтобы сохранить рабочие места до окончания разбирательства.
wsj.com
*организация признана экстремистской, её деятельность на территории РФ запрещена.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤬107👍17❤15🔥6
OpenAI готовит к выпуску свой первый гаджет - переносную умную колонку без экрана, задуманную как "домашний компьютер эпохи ИИ".
Об этом сообщает Bloomberg со ссылкой на источники, знакомые с проектом. Устройство ещё в разработке, официально о нём не объявляли, а представитель OpenAI отказался от комментариев.
По словам собеседников агентства, колонка будет управлять умным домом, включать музыку и видео, отвечать на вопросы и сообщения через возможности ChatGPT.
Главная ставка, как утверждают источники, на человечность - устройство должно со временем всё лучше понимать владельца, предугадывать его запросы и само предлагать нужную информацию. Для этого колонка будет использовать личные данные пользователя, в том числе электронную почту.
В корпус устройства будут встроены камера, датчики и подвижные механические элементы - по замыслу разработчиков, они создают ощущение, что перед вами живое существо, а не предмет.
Голосовое общение построят на GPT-Live - обновлённом голосовом режиме ChatGPT, который OpenAI представила в этом месяце. Он умеет слушать и говорить одновременно и подстраиваться под ход разговора.
В прошлом году OpenAI заплатила 6,5 миллиарда долларов за стартап io Products, сооснователем которого был Джони Айв - бывший глава дизайна Apple.
Над устройством работает его студия LoveFrom и десятки бывших инженеров и дизайнеров Apple, причастных к созданию iPhone и Mac.
Всего, по данным Bloomberg, аппаратное подразделение OpenAI разрабатывает около 5 продуктов, но колонка должна выйти первой.
Показать устройство рассчитывают до конца этого года, а продажи начать в 2027-м. Эти сроки уже под вопросом - Apple добивается в суде запрета на выпуск устройств OpenAI, и источники Bloomberg признают, что планы могут сдвинуться из-за судебного разбирательства.
В дальнейших планах компании, по тем же данным, устройство, способное заменить смартфон, носимые гаджеты и домашняя робототехника.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔64😁30👍24🔥23❤9👏6🎉3🌚2🥰1😨1
Forwarded from ТЕХНО: Яндекс про технологии
Нейросети дешевеют, агенты развиваются
В Сеуле состоялась одна из главных мировых конференций по машинному обучению International Conference on Machine Learning (ICML). Команда Яндекса представила на ней восемь статей и получила награду за лучшую статью на воркшопе Graph Foundation Models: A New Era for Graph Machine Learning. А мы попросили Сергея Юдина, руководителя отдела разработки ИИ-сервисов, рассказать, что ждать от ИИ в ближайшем будущем.
Подписывайтесь 👉 @techno_yandex
В Сеуле состоялась одна из главных мировых конференций по машинному обучению International Conference on Machine Learning (ICML). Команда Яндекса представила на ней восемь статей и получила награду за лучшую статью на воркшопе Graph Foundation Models: A New Era for Graph Machine Learning. А мы попросили Сергея Юдина, руководителя отдела разработки ИИ-сервисов, рассказать, что ждать от ИИ в ближайшем будущем.
Тренд № 1. Теория становится практикой
В сфере ИИ стирается граница между теоретическими исследованиями и практикой. Учёные исследуют то, что создают разработчики, а премии получают открытия и технологии, которые завтра будут доступны всем. Две работы получили ICML 2026 Outstanding Paper Award. Обе связаны с диффузионными моделями, а одна из них — с dLLM. Диффузионные языковые модели могут параллельно генерировать несколько токенов на одном шаге и в отдельных сценариях заметно сокращать время генерации.
Тренд № 2. Агенты и харнесс
Агентские системы быстро развиваются и уже используются в отдельных промышленных сценариях. При этом надёжность, оценка качества и безопасная автономная работа остаются открытыми инженерными проблемами. А харнесс — всё, что окружает языковую модель в агентской системе, — стал предметом серьёзного изучения. Разработчики анализируют:
🔵 память агентов — эпизодическую и процедурную, обучение на собственном опыте, обучение с подкреплением (reinforcement learning, RL) поверх памяти🔵 рабочие процессы: как научить агента делать параллельно несколько задач, как эффективно распределять агентские запросы по серверам🔵 безопасность: агент, читающий чужие документы, уязвим к промпт-инъекциям. Организаторы ICML встроили в PDF статей инъекции, чтобы выявить рецензентов, нарушавших определённый запрет на использование LLM из правил. Было обнаружено 795 таких рецензий от 506 рецензентов. У 398 из них были собственные активные заявки на конференцию. В результате ICML отклонила 497 связанных с ними статей.
Тренд № 3. Дешёвое обучение
RL-дообучение LLM становится доступнее: открытые инструменты и более экономные методы снижают требования к инфраструктуре. Премию ICML 2026 Test of Time получила работа 2016 года Asynchronous Methods for Deep Reinforcement Learning. Идея параллельных actor-learners стала одним из важных предшественников современной инфраструктуры RL-посттрейна LLM. В одной из новых работ авторы экспериментально показали, что классический оптимизатор SGD в исследованных сценариях RLVR работает не хуже AdamW и требует меньше памяти. Для Qwen3-1.7B пиковое потребление GPU-памяти снизилось на 15,7 ГБ. Такие оптимизации снижают порог для локального посттрейна LLM.
Подписывайтесь 👉 @techno_yandex
Please open Telegram to view this post
VIEW IN TELEGRAM
🤓24👍20🤣13❤9👨💻7👏5🗿3🥰2🔥1
По данным аналитической компании Appfigures, которые приводит издание Decrypt, с момента запуска ChatGPT в конце 2022 года приложения с виртуальными NSFW-партнёрами скачали 165 млн раз в App Store и Google Play, а пользователи потратили в них 427 млн долларов.
Речь о валовых расходах до вычета комиссии платформ, которая обычно составляет 30%.
Веб-платформы, работающие без приложений, в подсчёт не попали, так что реальный объём рынка, вероятно, выше заявленного.
Темп не спадает - только за первую половину 2026 года 214 таких приложений, по подсчётам Appfigures, принесли 162 млн долларов. Лидеры по выручке:
По загрузкам картина другая - чаще всего ставили Emochi (7,9 млн загрузок), за ним Amora, Zeta, BIMOBIMO и MiraiMind.
Любопытная деталь в сравнении с нейтральными ИИ-компаньонами - их скачивают почти вдвое чаще, но денег они приносят примерно столько же - 164,8 млн долларов за те же полгода.
Проще говоря, потребители взрослых сервисов платят заметно охотнее.
Спрос на виртуальных ИИ-партнёров растёт на фоне того, что люди всё чаще обращаются к чат-ботам за общением и эмоциональной близостью.
Исследование Университета Бригама Янга и Института семьи, опубликованное в мае 2026 года, показало, что 15% американцев в возрасте от 18 до 30 лет, состоящих в отношениях, регулярно общаются с ИИ-партнёром.
При этом 69% таких пользователей признались, что скрывают это увлечение от своих реальных спутников.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔81👀22👍10🤓9❤8👌7🔥4👏3😢3
Kimi K3 только что появилась в Kimi Code CLI
В документации Kimi Code уже есть новая модель Kimi K3 - её называют самым сильным flagship-моделем Kimi на сегодня. Упор: кодинг, игры/3D и knowledge-задачи.
Что интересно по спекам:
* model ID:
* контекст: до 1M токенов
* reasoning сейчас только на max
*
* на Moderato доступно до 256K
* до 1M открывается на Allegretto и выше
Переключиться можно прямо в Kimi Code CLI через команду
Нюанс для сторонних coding agents: если хотите полный контекст K3, вручную ставьте context window
kimi.com/code/docs/en/kimi-code/models
В документации Kimi Code уже есть новая модель Kimi K3 - её называют самым сильным flagship-моделем Kimi на сегодня. Упор: кодинг, игры/3D и knowledge-задачи.
Что интересно по спекам:
* model ID:
k3* контекст: до 1M токенов
* reasoning сейчас только на max
*
low и high обещают добавить позже* на Moderato доступно до 256K
* до 1M открывается на Allegretto и выше
Переключиться можно прямо в Kimi Code CLI через команду
/model. Для VS Code — через dropdown в поле ввода.Нюанс для сторонних coding agents: если хотите полный контекст K3, вручную ставьте context window
1048576, потому что часть инструментов по умолчанию режет окно меньше максимума.kimi.com/code/docs/en/kimi-code/models
👍60💯43👏37🔥9❤5🤔2
Media is too big
VIEW IN TELEGRAM
Отец Linux отклонил инициативу запретить ИИ-инструменты в разработке ядра, предложив недовольным сделать форк или покинуть проект. По его словам, сообществу нужно адаптировать LLM для помощи мейнтейнерам, минимизировав генерацию некорректных патчей и баг-репортов.
Текущие правила допускают добавление сгенерированного кода при наличии тега
Assisted-by. Поскольку модель не может подписать сертификат происхождения, ответственность за качество, код-ревью и юридические риски полностью несет человек, отправивший коммит.Торвальдс отметил, что философия Open Source нацелена на создание технологий, а не на соблюдение идеологий. Команда продолжит принимать патчи исключительно на основе их технической ценности, не ограничивая участников в выборе инструментов разработки.
kernel.org
Компания переименовала NotebookLM в Gemini Notebook и добавила возможность выполнение кода. Каждый блокнот получил изолированную облачную среду для написания и запуска скриптов. Это позволяет анализировать данные напрямую из загруженных источников без экспорта во внешние инструменты.
Сервис остается самостоятельным, но стал глубже интегрирован в экосистему компании. Блокноты создаются и синхронизируются внутри приложения Gemini, а позже появятся в ИИ-выдаче Google Search.
Сейчас запуск кода открыт для подписчиков Google AI Ultra и корпоративных клиентов Workspace. В течение нескольких недель доступ развернут для пользователей тарифа Pro.
blog.google
Токийский стартап добавил открытые модели NVIDIA в свою модульную платформу оркестрации агентов Fugu, которая динамически выбирает, координирует и объединяет легковесные специализированные модели для многоэтапных задач.
Модели Nemotron добавили в пул агентов платформы функции генерации кода, вызова внешних инструментов и следования инструкциям.
Инженерные команды Sakana AI и NVIDIA займутся совместной оптимизацией производительности модульных ИИ-архитектур. Для NVIDIA партнерство дает среду тестирования открытых решений в мультиагентных сценариях.
sakana.ai
Менеджер паролей интегрировал Claude для выполнения браузерных задач с авторизацией. Учетные данные и одноразовые коды не передаются на серверы Anthropic и не попадают в контекст модели. 1Password подставляет их напрямую на целевую страницу через Agentic Mode.
Claude запрашивает логин под конкретную задачу, после чего пользователь подтверждает действие и разрешение выдается на одну сессию. Поддерживается выдача доступов к нескольким сайтам для сложных задач.
При перехвате управления расширение 1Password блокирует основное хранилище, оставляя доступ только к одобренным записям. Если после автозаполнения отправка формы не удалась, введенные значения стираются.
Интеграция доступна на Mac при наличии десктопных приложений и расширений. В будущих апдейтах планируется добавить поддержку платежных карт.
1password.com
Волна общественного недовольства развитием ИИ переросла в реальные риски для IT-сектора. По данным аналитиков Liferaft, количество угроз в адрес дата-центров и руководителей ИИ-компаний выросло в 7 раз.
Это напрямую отразилось на корпоративных бюджетах - в 2025 году уже 38% компаний из индекса S&P 500 отчитались о расходах на охрану руководства (против 27% в 2021 году). За год траты Palantir по этой статье взлетели на 150%, у Oracle - на 86%, а бюджет Salesforce на защиту топов увеличился до 4 миллионов долларов.
Охранные агентства Кремниевой долины фиксируют резкий спрос на вооруженных, но максимально неприметных телохранителей. Менеджмент ИИ-корпораций также настоятельно не рекомендует рядовым сотрудникам носить одежду с логотипами компаний за пределами кампусов.
wsj.com
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
👍20❤17🔥8👏2🤔2💋2
MWS Cloud первой в России развернула GLM 5.2 в собственном облаке
MWS Cloud расширила каталог сервиса MWS GPT Model Hub до 17 больших языковых моделей. Главным обновлением стала GLM 5.2 — опенсорс-модель от Z.AI, которую компания первой в России развернула на собственной облачной инфраструктуре. Модель ориентирована на сценарии, где важны качество рассуждений, глубокий анализ текстов и обработка многошаговых запросов.
Теперь все запросы к GLM 5.2 обрабатываются на серверах MWS Cloud внутри страны. Это означает, что данные и вычисления не покидают юрисдикцию РФ и не зависят от зарубежных провайдеров.
Помимо GLM 5.2, в каталоге появились Kimi K2.6 от Moonshot AI. Модель подходит для обработки сложных пользовательских запросов, анализа документов, генерации развёрнутых ответов и построения AI-ассистентов.
Кроме того, в MWS GPT Model Hub появились Qwen3.6, Gemma 4, GPT OSS и другие модели. Сервис получил поддержку распознавания и синтеза речи, а также реранкеров, которые улучшают качество поиска и RAG-сценариев.
Все 17 моделей доступны через единый OpenAI-совместимый API, что позволяет разработчикам быстрее тестировать и внедрять AI-функции в свои продукты без развёртывания собственной инфраструктуры.
@ai_machinelearning_big_data
#news
MWS Cloud расширила каталог сервиса MWS GPT Model Hub до 17 больших языковых моделей. Главным обновлением стала GLM 5.2 — опенсорс-модель от Z.AI, которую компания первой в России развернула на собственной облачной инфраструктуре. Модель ориентирована на сценарии, где важны качество рассуждений, глубокий анализ текстов и обработка многошаговых запросов.
Теперь все запросы к GLM 5.2 обрабатываются на серверах MWS Cloud внутри страны. Это означает, что данные и вычисления не покидают юрисдикцию РФ и не зависят от зарубежных провайдеров.
Помимо GLM 5.2, в каталоге появились Kimi K2.6 от Moonshot AI. Модель подходит для обработки сложных пользовательских запросов, анализа документов, генерации развёрнутых ответов и построения AI-ассистентов.
Кроме того, в MWS GPT Model Hub появились Qwen3.6, Gemma 4, GPT OSS и другие модели. Сервис получил поддержку распознавания и синтеза речи, а также реранкеров, которые улучшают качество поиска и RAG-сценариев.
Все 17 моделей доступны через единый OpenAI-совместимый API, что позволяет разработчикам быстрее тестировать и внедрять AI-функции в свои продукты без развёртывания собственной инфраструктуры.
@ai_machinelearning_big_data
#news
👍49🤣38🎉33👏13❤10🤓8🔥5💯4🙈1
Команда получила уровни Low, Medium, High, X-high и Ultra.
И это не один и тот же промпт с разным временем на ризонинг - на каждом уровне процесс построен по-своему.
Уровень подхватывается из настроек сессии автоматически, но его можно задать руками командой
/code-review high.Ultra находится в статусе research preview и оплачивается отдельно от подписки - Pro и Max подписчикам дают 3 бесплатных запуска, дальше каждый прогон списывается из кредитов на дополнительное использование стоит примерно от 5 до 20 долларов в зависимости от размера изменений.
Качество новой системы подкрепляют замерами Opus 4.8 на открытом датасете с ручной разметкой ошибок. Уровень Low нашёл 17% размеченных багов, Medium - 22%, High - 24%, X-high - 25%.
У "конкурента" (компания его не называет) - те же уровни дали от 8 до 12%.
Anthropic утверждает, что использует Ultra-режим на каждом пулл-реквесте в собственной разработке.
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥59👍56🤔21👏13❤7💯3
Команда Million, известная инструментами React Doctor, React Scan и Million.js, представила тест для агентов, пишущих код на React.
Актуальность ReactBench зеркальна реальному положению дел - около 70% сайтов на JavaScript используют React, а мелкие ошибки в сгенерированном коде тиражируются в огромных масштабах.
Например, сбой Cloudflare в сентябре 2025 года - панель управления и API компании легли из-за одной неверной зависимости в useEffect, которую не поймали ни ревью, ни тесты.
Философия проекта в том, что общие кодинг-бенчмарки проверяют лишь поведение по принципу "тесты прошли - задача засчитана".
В ReactBench каждое решение должно ещё и пройти проверку React Doctor, анализатора с более чем 400 правилами, который ищет в коде лишние перерисовки, сломанные эффекты, проблемы с доступностью и сопровождаемостью.
Write React - реализовать настоящую функцию. Задания этого типа собраны из принятых PR в открытых репозиториях. Агент получает кодовую базу и описание задачи, а скрытые тесты и эталонное решение видит только проверяющая система.
Fix React - найти и исправить все баги в существующем компоненте, обнаруженные React Doctor, не создавая при этом новых проблем. Причём агента еще и лишают доступа к линтерам.
Само собой, созданием бенча не ограничились и запустили его на топовых моделях. Тут важен небольшой дисклеймер:
Бенчмарк сравнивает не модели в чистом виде, а связки модель+агентская оболочка (Codex CLI, Claude Code и другие), и оболочка влияет на итог.
По итогам лидируют с минимальным отрывом GPT-5.6 Sol (43,1%) и Fable 5 (41,2%), но важнее разница в цене - прогон Fable 5 обходится в среднем в 5,8 раза дороже, чем Sol.
Оптимальным по соотношению стоимость-качество авторы называют GPT-5.6 Terra на средних настройках. Замыкают таблицу GLM 5.2, Sonnet 5, GPT-5.6 Luna и Kimi K2.7 Code.
Набор полностью открыт на Github.
@ai_machinelearning_big_data
#AI #ML #Agents #Benchmark #ReactBench #Million
Please open Telegram to view this post
VIEW IN TELEGRAM
🤓36👍20👨💻15❤8👏5🔥4
🎓 Хотите в ШАД, но не знаете, с чего начать?
На курсе ShadHelper мы помогаем выстравивать подготовку по понятному плану: закрывать необходимые темы по математике и алгоритмам, разбирать задачи вступительных и получать обратную связь преподавателей.
Новый поток курса «Подготовка к ШАД» уже начался, но сейчас идёт вводная часть. Поэтому до 19 июля включительно ещё можно присоединиться к группе без сильного отставания.
На время добора мы открыли бесплатный тестовый доступ к материалам и занятиям текущего потока.
Вы сможете посмотреть:
- как выстроена программа подготовки;
- какие темы и задачи разбирают на курсе;
- как преподаватели дают обратную связь;
- подходит ли вам темп и формат обучения.
Если формат вам подойдёт, сможете присоединиться к текущей группе и продолжить обучение.
👉 Посмотреть курс изнутри
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqxUcqML
На курсе ShadHelper мы помогаем выстравивать подготовку по понятному плану: закрывать необходимые темы по математике и алгоритмам, разбирать задачи вступительных и получать обратную связь преподавателей.
Новый поток курса «Подготовка к ШАД» уже начался, но сейчас идёт вводная часть. Поэтому до 19 июля включительно ещё можно присоединиться к группе без сильного отставания.
На время добора мы открыли бесплатный тестовый доступ к материалам и занятиям текущего потока.
Вы сможете посмотреть:
- как выстроена программа подготовки;
- какие темы и задачи разбирают на курсе;
- как преподаватели дают обратную связь;
- подходит ли вам темп и формат обучения.
Если формат вам подойдёт, сможете присоединиться к текущей группе и продолжить обучение.
👉 Посмотреть курс изнутри
Реклама ООО "ШВМ",
ИНН: 5638076560 Erid: 2VtzqxUcqML
🤣15👍11👏5❤3🤗3🔥1
AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.
Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.
Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое.
Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения.
Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.
Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.
Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом.
Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов.
Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов.
Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.
Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.
Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.
Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).
На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать.
92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт;
82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B;
75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5.
Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны
@ai_machinelearning_big_data
#AI #ML #LLM #Optimisation #RL #LiAuto
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥3🤓3👏1🤝1