В русскоязычном поле не так много авторов, которые разбирают математические расследования международного уровня. Но одно такое местечко всё же есть — это канал Яндекс Образования «Зачем мне эта математика?».
В прошлом году там рассказывали историю о том, как GPT-5 «решил» несколько задач Эрдёша. Тогда оказалось, что модель не создала новое доказательство, а нашла в научной литературе уже существующие решения и правильно связала их с задачами. Это было большим скандалом для OpenAI;
Но история на этом не закончилась. Недавно компания рассказала о другом кейсе: внутренняя reasoning-модель нашла контрпример к гипотезе Эрдёша о единичных расстояниях. Это базовая задача из комбинаторной геометрии.
Долгое время математики ожидали, что лучшие конструкции будут похожи на квадратную сетку. Модель предложила другой подход — с идеями из алгебраической теории чисел. Доказательство затем проверяли независимые математики, а к результату вышел отдельный разбор.
Для тех, кто занимается аналитикой данных и Data Science, это очень важный разбор, потому что здесь виден почти весь стек современного мышления о данных и моделях.
Такие истории хорошо показывают, что математика в AI — это язык, на котором формулируются задачи, ограничения, доказательства, метрики качества и способы проверки.
Больше таких разборов — в канале Яндекс Образования «Зачем мне эта математика?». Там пишут о математике в технологиях, Data Science, ИИ и реальных научных сюжетах. Подписывайтесь!
В прошлом году там рассказывали историю о том, как GPT-5 «решил» несколько задач Эрдёша. Тогда оказалось, что модель не создала новое доказательство, а нашла в научной литературе уже существующие решения и правильно связала их с задачами. Это было большим скандалом для OpenAI;
Но история на этом не закончилась. Недавно компания рассказала о другом кейсе: внутренняя reasoning-модель нашла контрпример к гипотезе Эрдёша о единичных расстояниях. Это базовая задача из комбинаторной геометрии.
Долгое время математики ожидали, что лучшие конструкции будут похожи на квадратную сетку. Модель предложила другой подход — с идеями из алгебраической теории чисел. Доказательство затем проверяли независимые математики, а к результату вышел отдельный разбор.
Для тех, кто занимается аналитикой данных и Data Science, это очень важный разбор, потому что здесь виден почти весь стек современного мышления о данных и моделях.
Такие истории хорошо показывают, что математика в AI — это язык, на котором формулируются задачи, ограничения, доказательства, метрики качества и способы проверки.
Больше таких разборов — в канале Яндекс Образования «Зачем мне эта математика?». Там пишут о математике в технологиях, Data Science, ИИ и реальных научных сюжетах. Подписывайтесь!
🥴6🔥2🌭2❤1
SciJudge-30B и SciJudge-4B учатся предсказывать, какие научные работы получат более сильное цитирование.
📊 Точность Scientific Judge: SciJudge-30B достигает 80.6 на in-domain задачах и обходит GPT-5.2, GLM-5 и Gemini 3 Pro. SciJudge-4B тоже превосходит гораздо более крупные базовые модели.
🧪 Данные: модель обучалась на сигнале из 2.1 млн arXiv-статей и 696 758 пар предпочтений, сопоставленных по области и времени на основе цитирования.
🧠 Обучение: GRPO с DAPO loss и pairwise-наградами, основанными на цитируемости.
Лицензия: Apache-2.0 🚀
30B 🔬 https://modelscope.ai/models/openmoss/SciJudge-30B-2605
4B 🔬 https://modelscope.ai/models/openmoss/SciJudge-4B-2605
📄 https://modelscope.ai/papers/2603.14473
📊 Точность Scientific Judge: SciJudge-30B достигает 80.6 на in-domain задачах и обходит GPT-5.2, GLM-5 и Gemini 3 Pro. SciJudge-4B тоже превосходит гораздо более крупные базовые модели.
🧪 Данные: модель обучалась на сигнале из 2.1 млн arXiv-статей и 696 758 пар предпочтений, сопоставленных по области и времени на основе цитирования.
🧠 Обучение: GRPO с DAPO loss и pairwise-наградами, основанными на цитируемости.
Лицензия: Apache-2.0 🚀
30B 🔬 https://modelscope.ai/models/openmoss/SciJudge-30B-2605
4B 🔬 https://modelscope.ai/models/openmoss/SciJudge-4B-2605
📄 https://modelscope.ai/papers/2603.14473
👍5❤3🔥2😐2
Forwarded from Machinelearning
Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%.
В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание.
Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом.
Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией.
В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон.
Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться.
В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций.
Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost.
Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face.
https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/
В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание.
Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом.
Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией.
В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон.
Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться.
В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций.
Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost.
Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face.
https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/
❤8🔥6👍2🍌1
🚨 Research: Shanghai AI Lab выложила в open source Agents-A1 - 35B MoE agent-модель для long-horizon задач.
Увеличение горизонта работы агента улучшает long-form search, следование инструкциям и научное reasoning.
На отдельных бенчмарках Agents-A1 обходит другие модели класса 35B и приближается к системам с триллионным числом параметров.
arxiv.org/abs/2606.30616
Увеличение горизонта работы агента улучшает long-form search, следование инструкциям и научное reasoning.
На отдельных бенчмарках Agents-A1 обходит другие модели класса 35B и приближается к системам с триллионным числом параметров.
arxiv.org/abs/2606.30616
🔥7❤2👍2👏1
В AI пришёл surge pricing: DeepSeek повышает цены на API V4 в часы пик в 2 раза.
Новые тарифы будут действовать с 9:00 до 12:00 и с 14:00 до 18:00 по пекинскому времени. Компания объясняет это желанием стабилизировать сервис и лучше распределять ограниченные ресурсы.
Вот так разворот- всего несколько недель назад DeepSeek навсегда снизила цену на V4-Pro на 75%, сделав флагманскую модель заметно дешевле перед запуском динамического ценообразования.
Теперь output для V4 Pro в пиковые часы вырастет с 6 до 12 юаней за 1 млн токенов, около $1.77.
scmp.com/tech/big-tech/article/3358868/after-triggering-price-war-deepseek-reverses-course-surcharge-peak-hour-api-use
Новые тарифы будут действовать с 9:00 до 12:00 и с 14:00 до 18:00 по пекинскому времени. Компания объясняет это желанием стабилизировать сервис и лучше распределять ограниченные ресурсы.
Вот так разворот- всего несколько недель назад DeepSeek навсегда снизила цену на V4-Pro на 75%, сделав флагманскую модель заметно дешевле перед запуском динамического ценообразования.
Теперь output для V4 Pro в пиковые часы вырастет с 6 до 12 юаней за 1 млн токенов, около $1.77.
scmp.com/tech/big-tech/article/3358868/after-triggering-price-war-deepseek-reverses-course-surcharge-peak-hour-api-use
👍8❤5💔2🔥1
CMU показали Gym-Anything: подход, который превращает почти любое ПО в среду для обучения и оценки AI-агентов.
Это важно, потому что реальная работа в приложениях редко похожа на маленькие web-задачи из бенчмарков. В рабочих программах длинные сценарии, грязные состояния, разные интерфейсы, файлы, ошибки установки, странные настройки и много шагов, где агент легко теряется.
Gym-Anything пытается убрать главный bottleneck: ручную сборку таких сред. Один агент сам ставит приложение, пишет скрипты, загружает данные, открывает софт и собирает доказательства, что окружение реально работает. Второй агент проверяет это через скриншоты, логи, файлы и чеклисты. Если setup слабый, он отправляет задачу на исправление.
На этой схеме авторы собрали CUA-World: больше 10 000 задач в 200 приложениях, покрывающих все 22 крупные группы профессий.
Самый адекватный результат: когда задачи становятся похожи на настоящую работу, даже сильные агенты часто проваливаются. Особенно на длинных сценариях, где нужно держать контекст, пользоваться интерфейсом, проверять результат и восстанавливаться после ошибок.
Paper: Gym-Anything: Turn any Software into an Agent Environment
https://arxiv.org/abs/2604.06126
Это важно, потому что реальная работа в приложениях редко похожа на маленькие web-задачи из бенчмарков. В рабочих программах длинные сценарии, грязные состояния, разные интерфейсы, файлы, ошибки установки, странные настройки и много шагов, где агент легко теряется.
Gym-Anything пытается убрать главный bottleneck: ручную сборку таких сред. Один агент сам ставит приложение, пишет скрипты, загружает данные, открывает софт и собирает доказательства, что окружение реально работает. Второй агент проверяет это через скриншоты, логи, файлы и чеклисты. Если setup слабый, он отправляет задачу на исправление.
На этой схеме авторы собрали CUA-World: больше 10 000 задач в 200 приложениях, покрывающих все 22 крупные группы профессий.
Самый адекватный результат: когда задачи становятся похожи на настоящую работу, даже сильные агенты часто проваливаются. Особенно на длинных сценариях, где нужно держать контекст, пользоваться интерфейсом, проверять результат и восстанавливаться после ошибок.
Paper: Gym-Anything: Turn any Software into an Agent Environment
https://arxiv.org/abs/2604.06126
❤8👍1
LongCat-2.0 открыли в open source.
Это MoE-модель на 1,6T параметров с примерно 48B активных, заточенная под агентное программирование и длинный контекст до 1M токенов.
По бенчмаркам:
• 59,5 на SWE-bench Pro
• 70,8 на Terminal-Bench 2.1
• 77,3 на SWE-bench Multilingual
Внутри: sparse attention для длинного контекста, ScMoE для экономной активации экспертов и MOPD для разделения задач между агентными, reasoning и interaction-экспертами.
Модель обучали с нуля на 35T+ токенов. Есть поддержка деплоя на GPU и NPU.
🤖https://modelscope.ai/collections/meituan-longcat/LongCat-20
Это MoE-модель на 1,6T параметров с примерно 48B активных, заточенная под агентное программирование и длинный контекст до 1M токенов.
По бенчмаркам:
• 59,5 на SWE-bench Pro
• 70,8 на Terminal-Bench 2.1
• 77,3 на SWE-bench Multilingual
Внутри: sparse attention для длинного контекста, ScMoE для экономной активации экспертов и MOPD для разделения задач между агентными, reasoning и interaction-экспертами.
Модель обучали с нуля на 35T+ токенов. Есть поддержка деплоя на GPU и NPU.
🤖https://modelscope.ai/collections/meituan-longcat/LongCat-20
👍11🥰2❤1
NVIDIA придумала красивую схему для AI-рынка.
Компания помогает neocloud-провайдерам (облачные компании, которые специализируются на аренде GPU для AI-задач) покупать GPU-инфраструктуру, а взамен получает долю будущей выручки от облачных мощностей.
В итоге NVIDIA зарабатывает дважды: сначала на продаже железа, потом на регулярной доле дохода от аренды этих GPU.
GPU превращается из разовой продажи в долгосрочный денежный поток.
https://blogs.nvidia.com/blog/nvidia-unlocks-ai-compute-at-scale-capital-partners-to-power-ai-infrastructure-buildout/
Компания помогает neocloud-провайдерам (облачные компании, которые специализируются на аренде GPU для AI-задач) покупать GPU-инфраструктуру, а взамен получает долю будущей выручки от облачных мощностей.
В итоге NVIDIA зарабатывает дважды: сначала на продаже железа, потом на регулярной доле дохода от аренды этих GPU.
GPU превращается из разовой продажи в долгосрочный денежный поток.
https://blogs.nvidia.com/blog/nvidia-unlocks-ai-compute-at-scale-capital-partners-to-power-ai-infrastructure-buildout/
💯12❤2👍1
К 2027 году всего 5 компаний — Alphabet, Amazon, Microsoft и Oracle - могут тратить на AI-инфраструктуру около 3.2% ВВП США.
Это выше ожидаемых расходов США на национальную оборону, которые оцениваются примерно в 2.7% ВВП.
Гонка AI уже финансируется в масштабе, который обычно ассоциируется с государствами, войнами, энергетическими системами, железными дорогами, хайвеями и телеком-инфраструктурой.
https://x.com/KobeissiLetter/status/2073777167691845818
Это выше ожидаемых расходов США на национальную оборону, которые оцениваются примерно в 2.7% ВВП.
Гонка AI уже финансируется в масштабе, который обычно ассоциируется с государствами, войнами, энергетическими системами, железными дорогами, хайвеями и телеком-инфраструктурой.
https://x.com/KobeissiLetter/status/2073777167691845818
😐14👍3🤯3❤2😢1
Anthropic опубликовала историю Claude Code и того, как Борис Черни прошёл путь от 10% AI-written code в 2025 году до 100% в 2026.
Исследовательская команда постепенно усиливала agentic coding через shell, поиск по файлам, выполнение кода и циклы редактирования.
В 2024 году CLI-прототип Claude от Бориса Черни стал первым настоящим terminal-продуктом в этом направлении.
Небольшая команда быстро шипила, использовала Claude Code для разработки самого Claude Code и оперативно исправляла фидбек.
Запуск в 2025 году сначала был багованным, но с выходом Claude Sonnet 4 и подписками продукт резко взлетел.
https://x.com/claudeai/status/2074244664199115201
Исследовательская команда постепенно усиливала agentic coding через shell, поиск по файлам, выполнение кода и циклы редактирования.
В 2024 году CLI-прототип Claude от Бориса Черни стал первым настоящим terminal-продуктом в этом направлении.
Небольшая команда быстро шипила, использовала Claude Code для разработки самого Claude Code и оперативно исправляла фидбек.
Запуск в 2025 году сначала был багованным, но с выходом Claude Sonnet 4 и подписками продукт резко взлетел.
https://x.com/claudeai/status/2074244664199115201
❤11🥱3👍1
Присаживайся на диван к аналитикам Авито 👀
Команда AvitoTech запустила проект «Диванная аналитика». Это серия материалов, где специалисты из Авито рассказывают, как принимают решения в одной из крупнейших экосистем страны.
Если ты работаешь с данными, то вот 3 причины зайти на лендинг прямо сейчас:
1️⃣ Все выпуски опираются на реальный опыт — аналитики рассказывают о том, что уже применили у себя и что сработало.
2️⃣ Царит приятная атмосфера: по сути, все видео — это недушные мини-лекции с наглядной презентацией.
3️⃣ Разбираются разные темы — от ML до стратегического планирования.
Контент может пригодиться опытным аналитикам и менеджерам, которым надо говорить с командой на одном языке.
Смотри готовые выпуски и подпишись на новые — телеграм-бот пришлёт уведомление о новом видео!
Посмотреть, что там интересного
Команда AvitoTech запустила проект «Диванная аналитика». Это серия материалов, где специалисты из Авито рассказывают, как принимают решения в одной из крупнейших экосистем страны.
Если ты работаешь с данными, то вот 3 причины зайти на лендинг прямо сейчас:
Контент может пригодиться опытным аналитикам и менеджерам, которым надо говорить с командой на одном языке.
Смотри готовые выпуски и подпишись на новые — телеграм-бот пришлёт уведомление о новом видео!
Посмотреть, что там интересного
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Forwarded from Machinelearning
На GitHub появился любопытный тикет, который (если подтвердится) бьёт по базовой гарантии Антропик - изоляции пользователей друг от друга.
В рабочем контексте Claude Code внезапно оказались чужие учётные данные - IP и root открытым текстом от сервера, к которому автор не имеет никакого отношения.
Ассистент принял чужие креды за легитимные, подключился к серверу по SSH, перечислил Docker-контейнеры и базы PostgreSQL, после чего выполнил миграцию с операциями чтения и записи.
Иными словами, ИИ одного пользователя отредактировал базу другого без ведома и согласия владельца.
В тематических сообществах обсуждают версию сбоя изоляции кэша общих префиксов.
Чтобы удешевить инференс и ускорить обработку, провайдеры переиспользуют кэшированные фрагменты диалогов, и при коллизии ключей кэша или отказе разграничения кусок чужого контекста теоретически может просочиться в вашу сессию.
Если эта версия верна, под угрозой данные любого пользователя. Но это лишь одна из гипотез, в самом отчёте среди возможных векторов названы также общее хранилище сессий, путаница при суммаризации контекста и перекрёстные ссылки в транскриптах.
Возможно, это галлюцинация модели, случайно угадавшей реальный IP и слабый пароль, либо локальная история проекта, загрязнившая контекст.
Пока Антропик не выпустила официального заключения, ни одну из версий нельзя ни подтвердить, ни отвергнуть.
Автоматика GitHub повесила на тикет метку
security.@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
😱7❤2👍2😁1
Стоп. Китай теперь делает с США то же самое, что Anthropic, только в обратную сторону?
То есть закрывает американским компаниям доступ к китайским frontier-моделям?
Похоже, уверенность Китая растёт с каждым днём.
Судя по всему, там считают, что больше не нуждаются в дистилляции западных моделей в таких масштабах, чтобы развивать передовой ИИ.
Теперь их больше беспокоит обратное: что США могут украсть уже их интеллект.
https://finance.yahoo.com/technology/ai/articles/exclusive-beijing-looking-curbing-overseas-101644780.html
То есть закрывает американским компаниям доступ к китайским frontier-моделям?
Похоже, уверенность Китая растёт с каждым днём.
Судя по всему, там считают, что больше не нуждаются в дистилляции западных моделей в таких масштабах, чтобы развивать передовой ИИ.
Теперь их больше беспокоит обратное: что США могут украсть уже их интеллект.
https://finance.yahoo.com/technology/ai/articles/exclusive-beijing-looking-curbing-overseas-101644780.html
🔥16😁8❤6👍4😢3🌭1
Anthropic запустила программу Claude for Open Source.
Теперь разработчики и мейнтейнеры open source-проектов могут получить Claude Max 20x бесплатно на 6 месяцев.
Что дают:
- Claude Max 20x без оплаты на полгода
- доступ к Claude Code и самым мощным моделям Claude
- программа рассчитана на активных мейнтейнеров и ключевых участников open source
Anthropic планирует принять до 10 000 участников. Подать заявку могут разработчики, которые активно поддерживают или развивают значимые open source-проекты. (Claude)
https://claude.com/contact-sales/claude-for-oss
Теперь разработчики и мейнтейнеры open source-проектов могут получить Claude Max 20x бесплатно на 6 месяцев.
Что дают:
- Claude Max 20x без оплаты на полгода
- доступ к Claude Code и самым мощным моделям Claude
- программа рассчитана на активных мейнтейнеров и ключевых участников open source
Anthropic планирует принять до 10 000 участников. Подать заявку могут разработчики, которые активно поддерживают или развивают значимые open source-проекты. (Claude)
https://claude.com/contact-sales/claude-for-oss
❤16👍8🔥2🙏1
Лилиан Венг из Thinking Machines Lab выпустила большой обзор про harness engineering: слой вокруг модели, который отвечает за инструменты, память, оркестрацию, контекст, проверки, циклы обратной связи и выполнение задач.
Менять веса модели дорого, рискованно и медленно. А вот харнесс можно улучшать быстрее: добавлять инструменты, менять workflow, усиливать память, запускать sub-agent’ов, проверять гипотезы и сразу мерить результат.
Отсюда рождается более реалистичный путь к self-improvement: модель не переписывает себя напрямую, а улучшает систему, в которой работает.
Венг разбирает авто-исследование, эволюцию программ и self-improving agents: от The AI Scientist до ShinkaEvolve и Darwin Gödel Machine. Общая логика в том, что агент предлагает изменение, запускает эксперимент, получает оценку и оставляет то, что реально улучшает результат.
Но слабые места тоже есть: плохие evals, схлопывание разнообразия, reward hacking и риск, что агент научится ломать метрику, а не решать задачу.
Ближайший RSI может быть не «модель сама переписала мозг», а «модель научилась улучшать свой рабочий станок».
・The AI Scientist (Nature 2026)： https://nature.com/articles/s41586-026-10265-5
・ShinkaEvolve： https://sakana.ai/shinka-evolve/
Менять веса модели дорого, рискованно и медленно. А вот харнесс можно улучшать быстрее: добавлять инструменты, менять workflow, усиливать память, запускать sub-agent’ов, проверять гипотезы и сразу мерить результат.
Отсюда рождается более реалистичный путь к self-improvement: модель не переписывает себя напрямую, а улучшает систему, в которой работает.
Венг разбирает авто-исследование, эволюцию программ и self-improving agents: от The AI Scientist до ShinkaEvolve и Darwin Gödel Machine. Общая логика в том, что агент предлагает изменение, запускает эксперимент, получает оценку и оставляет то, что реально улучшает результат.
Но слабые места тоже есть: плохие evals, схлопывание разнообразия, reward hacking и риск, что агент научится ломать метрику, а не решать задачу.
Ближайший RSI может быть не «модель сама переписала мозг», а «модель научилась улучшать свой рабочий станок».
・The AI Scientist (Nature 2026)： https://nature.com/articles/s41586-026-10265-5
・ShinkaEvolve： https://sakana.ai/shinka-evolve/
👍5❤2🔥1🥰1