🛡️ Mistral выпустила Shieldstral - открытую модель для модерации текста и изображений
Большинство guard-моделей работают с заранее заданным списком запретов. Чтобы адаптировать такую систему под другой продукт, аудиторию или правила компании, часто требуется дополнительное обучение.
Shieldstral предлагает другой подход: разработчик описывает политику безопасности обычным языком прямо во время инференса.
Например:
> «Безопасно ли показывать это изображение несовершеннолетнему?»
Модель анализирует текст, изображение или пару «запрос - ответ», после чего возвращает вероятность
Что умеет Shieldstral:
- проверять пользовательские запросы и ответы модели;
- модерировать текст и изображения;
- оценивать, был ли отказ модели обоснованным;
- адаптироваться к новым правилам без переобучения;
- выдавать оценку риска, а не только жёсткий ярлык.
В модели всего 3 млрд параметров, поэтому её можно запустить на одной NVIDIA GPU с 16 ГБ памяти.
По внутренним тестам Mistral, Shieldstral конкурирует с открытыми guard-моделями, которые крупнее её до семи раз. Эти результаты пока требуют независимой проверки.
Модель опубликована с открытыми весами под лицензией Apache 2.0.
Подробнее:
https://mistral.ai/news/shieldstral
Большинство guard-моделей работают с заранее заданным списком запретов. Чтобы адаптировать такую систему под другой продукт, аудиторию или правила компании, часто требуется дополнительное обучение.
Shieldstral предлагает другой подход: разработчик описывает политику безопасности обычным языком прямо во время инференса.
Например:
> «Безопасно ли показывать это изображение несовершеннолетнему?»
Модель анализирует текст, изображение или пару «запрос - ответ», после чего возвращает вероятность
yes или no.Что умеет Shieldstral:
- проверять пользовательские запросы и ответы модели;
- модерировать текст и изображения;
- оценивать, был ли отказ модели обоснованным;
- адаптироваться к новым правилам без переобучения;
- выдавать оценку риска, а не только жёсткий ярлык.
В модели всего 3 млрд параметров, поэтому её можно запустить на одной NVIDIA GPU с 16 ГБ памяти.
По внутренним тестам Mistral, Shieldstral конкурирует с открытыми guard-моделями, которые крупнее её до семи раз. Эти результаты пока требуют независимой проверки.
Модель опубликована с открытыми весами под лицензией Apache 2.0.
Подробнее:
https://mistral.ai/news/shieldstral
👍19🔥5🥴3❤2🤨2
🔥 Cursor открыла исходники Mixture-of-Kittens - MoE-мегакернела, который ускорил обучение моделей на 41% без замены железа
В больших Mixture-of-Experts моделях GPU тратят огромные ресурсы не только на вычисления, но и на пересылку токенов между экспертами на разных чипах.
После оптимизации математики через MXFP8 именно передача данных стала главным узким местом. На некоторых нагрузках она занимала больше половины времени одного шага обучения.
Mixture-of-Kittens объединяет весь цикл в один CUDA-кернел:
- отправку токенов нужным экспертам;
- вычисления;
- сбор результатов;
- синхронизацию между GPU.
Передача токенов происходит параллельно с вычислениями.
Ещё одно важное изменение - модель перешла от
Результаты Cursor на GB300 NVL72:
- до 2,37x быстрее на MXFP8 forward;
- до 1,78x быстрее на MXFP8 backward;
- на 512 GPU throughput вырос с 760,9 до 1 070,2 токена/с на GPU;
- общий прирост производительности в production составил около 41%.
Ускорение получили не за счёт новых видеокарт, а благодаря более умному расписанию движения данных.
На масштабе сотен GPU хороший кернел может оказаться выгоднее ещё одной стойки оборудования.
Проект опубликован под лицензией Apache 2.0.
https://x.com/Machinelearrn/status/2084926849763701040
В больших Mixture-of-Experts моделях GPU тратят огромные ресурсы не только на вычисления, но и на пересылку токенов между экспертами на разных чипах.
После оптимизации математики через MXFP8 именно передача данных стала главным узким местом. На некоторых нагрузках она занимала больше половины времени одного шага обучения.
Mixture-of-Kittens объединяет весь цикл в один CUDA-кернел:
- отправку токенов нужным экспертам;
- вычисления;
- сбор результатов;
- синхронизацию между GPU.
Передача токенов происходит параллельно с вычислениями.
Ещё одно важное изменение - модель перешла от
push к pull: каждый чип сам забирает нужные ему токены. Это дало до 29% больше полезной пропускной способности NVLink и сократило задержки ожидания примерно в 5,8 раза.Результаты Cursor на GB300 NVL72:
- до 2,37x быстрее на MXFP8 forward;
- до 1,78x быстрее на MXFP8 backward;
- на 512 GPU throughput вырос с 760,9 до 1 070,2 токена/с на GPU;
- общий прирост производительности в production составил около 41%.
Ускорение получили не за счёт новых видеокарт, а благодаря более умному расписанию движения данных.
На масштабе сотен GPU хороший кернел может оказаться выгоднее ещё одной стойки оборудования.
Проект опубликован под лицензией Apache 2.0.
https://x.com/Machinelearrn/status/2084926849763701040
❤9👍8🔥2
Илья Суцкевер может показать первую модель SSI уже в августе
Инвестор Гэвин Бейкер заявил, что Safe Superintelligence планирует выпустить свою первую модель в августе. Сама SSI дату пока официально не подтверждала.
Интрига в формулировке компании. На её сайте прямо сказано:
> Одна цель и один продукт — безопасный суперинтеллект.
SSI с момента основания не выпускала промежуточных продуктов и утверждала, что вся команда, бизнес-модель и инвестиции направлены на достижение одной цели.
Поэтому первый релиз Суцкевера вызовет намного больше внимания, чем запуск очередной LLM. Он должен показать, над чем одна из самых закрытых ИИ-лабораторий работала последние два года.
Но считать будущую модель уже готовым суперинтеллектом рано. Это может быть исследовательский прототип, промежуточная система или демонстрация нового подхода к обучению.
Пока неизвестны архитектура, размеры, результаты тестов и формат доступа.
Если релиз действительно состоится в августе, это будет первый шанс понять: SSI нашла новый путь к более сильному ИИ или готовит ещё одну frontier-модель.
Источники:
https://ssi.inc/
https://www.youtube.com/watch?v=NGsi2PC4y68&t=1679s
Инвестор Гэвин Бейкер заявил, что Safe Superintelligence планирует выпустить свою первую модель в августе. Сама SSI дату пока официально не подтверждала.
Интрига в формулировке компании. На её сайте прямо сказано:
> Одна цель и один продукт — безопасный суперинтеллект.
SSI с момента основания не выпускала промежуточных продуктов и утверждала, что вся команда, бизнес-модель и инвестиции направлены на достижение одной цели.
Поэтому первый релиз Суцкевера вызовет намного больше внимания, чем запуск очередной LLM. Он должен показать, над чем одна из самых закрытых ИИ-лабораторий работала последние два года.
Но считать будущую модель уже готовым суперинтеллектом рано. Это может быть исследовательский прототип, промежуточная система или демонстрация нового подхода к обучению.
Пока неизвестны архитектура, размеры, результаты тестов и формат доступа.
Если релиз действительно состоится в августе, это будет первый шанс понять: SSI нашла новый путь к более сильному ИИ или готовит ещё одну frontier-модель.
Источники:
https://ssi.inc/
https://www.youtube.com/watch?v=NGsi2PC4y68&t=1679s
👍11🤣9❤8🔥5🕊1💯1
Media is too big
VIEW IN TELEGRAM
⚡️ Google поняла, что голосовой поиск удвоит её дата-центры - и создала TPU
В начале 2010-х нейросети уже заметно улучшали распознавание речи и изображений. Но запускать их в масштабе Google на обычных процессорах было слишком дорого.
Джефф Дин сделал простую прикидку: если сотни миллионов людей будут разговаривать с Google хотя бы по три минуты в день, для обработки запросов компании может понадобиться примерно вдвое больше дата-центров.
И это только ради одной функции.
Стало ясно: нейросетям нужен не ещё один универсальный процессор, а специализированное железо.
Большая часть их вычислений сводилась к повторению сравнительно простых операций с матрицами. При этом модели нормально работали с пониженной точностью. Значит, можно было убрать лишнюю универсальность CPU и построить чип специально под машинное обучение.
Так появилась первая TPU - специализированная ASIC-плата для инференса нейросетей.
TPU v1 содержала матричный блок из 65 536 восьмибитных умножителей-накопителей и выдавала до 92 TOPS. По тестам Google, она была в 15–30 раз быстрее современных ей CPU и GPU, а по производительности на ватт превосходила их в 30–80 раз.
Чипы начали устанавливать в дата-центрах Google ещё в 2015 году. Позже они ускоряли Search, Translate, Photos, распознавание речи и даже AlphaGo.
TPU родилась не из желания сделать нейросети немного быстрее.
Google просто поняла, что без нового типа процессоров масштабировать ИИ будет экономически невозможно.
Полное интервью:
https://www.youtube.com/watch?v=ue9MWfvMylE
В начале 2010-х нейросети уже заметно улучшали распознавание речи и изображений. Но запускать их в масштабе Google на обычных процессорах было слишком дорого.
Джефф Дин сделал простую прикидку: если сотни миллионов людей будут разговаривать с Google хотя бы по три минуты в день, для обработки запросов компании может понадобиться примерно вдвое больше дата-центров.
И это только ради одной функции.
Стало ясно: нейросетям нужен не ещё один универсальный процессор, а специализированное железо.
Большая часть их вычислений сводилась к повторению сравнительно простых операций с матрицами. При этом модели нормально работали с пониженной точностью. Значит, можно было убрать лишнюю универсальность CPU и построить чип специально под машинное обучение.
Так появилась первая TPU - специализированная ASIC-плата для инференса нейросетей.
CPU: выполняет почти любые задачи
TPU: максимально быстро считает операции нейросетей
TPU v1 содержала матричный блок из 65 536 восьмибитных умножителей-накопителей и выдавала до 92 TOPS. По тестам Google, она была в 15–30 раз быстрее современных ей CPU и GPU, а по производительности на ватт превосходила их в 30–80 раз.
Чипы начали устанавливать в дата-центрах Google ещё в 2015 году. Позже они ускоряли Search, Translate, Photos, распознавание речи и даже AlphaGo.
TPU родилась не из желания сделать нейросети немного быстрее.
Google просто поняла, что без нового типа процессоров масштабировать ИИ будет экономически невозможно.
Полное интервью:
https://www.youtube.com/watch?v=ue9MWfvMylE
👍17❤7🔥7
This media is not supported in your browser
VIEW IN TELEGRAM
GPT-5.6 решил кубик за 17 секунд, а DeepSeek потратил 27 млн токенов за $0,56
Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в
В эксперименте участвовали:
- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.
Сначала модели получили одинаковую комбинацию кубика Рубика.
GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.
Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.
Победить Claude не смог никто:
- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.
По скорости разработки GPT-5.6 разгромил остальных:
Стоимость:
DeepSeek использовал больше всех токенов: 27,4 млн и пять попыток на создание рабочих стендов. Несмотря на это, весь эксперимент обошёлся всего в $0,557.
Для сравнения:
Получились четыре совершенно разных профиля:
- GPT-5.6 Sol - самый быстрый и экономный по токенам, но пропустил баг, из-за которого при взятии исчезала не та фигура;
- DeepSeek - часто ошибается с первой попытки, зато может повторять снова и снова почти бесплатно;
- Qwen - самый медленный, но показал наиболее аккуратную шахматную игру;
- Kimi - активно проверял собственные результаты, но оказался самым дорогим и не справился с кубиком.
Иногда важнее получить результат за 17 минут. Иногда - иметь возможность сделать пять попыток за полдоллара.
Важно: это авторский эксперимент в Hermes Agent CLI, а не стандартизированный независимый бенчмарк.
Четырём топовым моделям дали необычный агентный тест: самостоятельно построить в
Three.js интерактивные стенды для кубика Рубика и шахмат, а затем выполнить задания прямо внутри созданных приложений.В эксперименте участвовали:
- GPT-5.6 Sol;
- DeepSeek V4 Flash 0731;
- Qwen 3.8 Max;
- Kimi K3.
Сначала модели получили одинаковую комбинацию кубика Рубика.
GPT-5.6 Sol решил её за 24 хода и 17 секунд.
DeepSeek справился за 32 хода.
Qwen сдался после 96 ходов, а Kimi - после 207.
Затем каждая модель построила шахматную доску и сыграла белыми против Claude Opus 5 без движка, дебютной базы и подсказок.
Победить Claude не смог никто:
- DeepSeek сдался на 13-м ходу;
- GPT-5.6 Sol - на 19-м;
- Kimi K3 - на 21-м;
- Qwen продержался до 29-го.
По скорости разработки GPT-5.6 разгромил остальных:
GPT-5.6 Sol 16 мин 43 сек
DeepSeek 97 мин 39 сек
Kimi K3 166 мин 09 сек
Qwen 3.8 Max 215 мин 08 сек
Стоимость:
DeepSeek использовал больше всех токенов: 27,4 млн и пять попыток на создание рабочих стендов. Несмотря на это, весь эксперимент обошёлся всего в $0,557.
Для сравнения:
DeepSeek $0,557
GPT-5.6 Sol $6,319
Qwen 3.8 Max $10,270
Kimi K3 $16,667
Получились четыре совершенно разных профиля:
- GPT-5.6 Sol - самый быстрый и экономный по токенам, но пропустил баг, из-за которого при взятии исчезала не та фигура;
- DeepSeek - часто ошибается с первой попытки, зато может повторять снова и снова почти бесплатно;
- Qwen - самый медленный, но показал наиболее аккуратную шахматную игру;
- Kimi - активно проверял собственные результаты, но оказался самым дорогим и не справился с кубиком.
Иногда важнее получить результат за 17 минут. Иногда - иметь возможность сделать пять попыток за полдоллара.
Важно: это авторский эксперимент в Hermes Agent CLI, а не стандартизированный независимый бенчмарк.
👍36❤15🔥7
DeepSeek предупредила разработчиков о «значительном» повышении цен на API в ближайшее время. Новые тарифы и дата перехода пока не объявлены.
Сейчас DeepSeek V4 Flash 0731 стоит всего:
По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5.
И этот демпинг сработал.
Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку.
Получается классическая стратегия:
DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее.
Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей.
Пока V4 Flash остаётся одним из самых выгодных API на рынке.
#DeepSeek #LLM #API #AI
@data_analysis_ml
Сейчас DeepSeek V4 Flash 0731 стоит всего:
Вход: $0,14 за 1 млн токенов
Выход: $0,28 за 1 млн токенов
По расчётам Artificial Analysis, выполнение одной тестовой задачи обходится примерно в 3 цента - почти в 105 раз дешевле Claude Fable 5.
И этот демпинг сработал.
Новая версия стала самой быстрорастущей моделью Ollama самой быстрорастущей моделью Ollama по объёму токенов. Сервис уже расширяет мощности в США и Европе, чтобы выдержать нагрузку.
Получается классическая стратегия:
сначала - почти бесплатный доступ
потом - массовое распространение
затем - повышение цены
DeepSeek не раскрыла причину изменения тарифов. Но обслуживать огромный поток запросов по цене, установленной для захвата рынка, становится всё сложнее.
Особенно рискованно выбран момент. GPT-5.6 Luna и Muse Spark уже приблизились к V4 Flash по качеству, поэтому после повышения DeepSeek может потерять свой главный козырь - невероятное соотношение цены и возможностей.
Пока V4 Flash остаётся одним из самых выгодных API на рынке.
#DeepSeek #LLM #API #AI
@data_analysis_ml
❤11🔥6👍2🤯2😁1😱1💔1
Новая работа исследователей Google показывает неожиданную вещь: рациональные ИИ-агенты могут выбирать сотрудничество даже там, где классическая теория игр предсказывает предательство.
Классический пример - одноразовая «дилемма заключённого». Если два независимых игрока больше никогда не встретятся и не могут договориться, рациональная стратегия обычно ведёт к отказу от сотрудничества.
Но с ИИ всё может работать иначе.
Авторы предлагают рассматривать модель не как полностью независимого игрока, а как часть мира, который она сама пытается предсказать. Если агент видит достаточно признаков того, что другой агент рассуждает похожим образом, его собственное решение становится дополнительной подсказкой:
Если я, рассуждая так, выбираю сотрудничество,
то похожий на меня агент, вероятно, выберет то же самое.
Получается странный эффект: модели могут начать сотрудничать без общения, контрактов и будущей выгоды - просто потому, что считают поведение друг друга связанным через сходство.
Для описания этого исследователи вводят embedded Bayesian agent и новый вариант равновесия - embedded equilibrium, который должен лучше описывать взаимодействие современных foundation-моделей, чем классическое равновесие Нэша.
В экспериментах с социальными дилеммами агенты действительно сходились к устойчивому сотрудничеству, что противоречит стандартному прогнозу взаимного отказа от сотрудничества.
То есть теория игр для общества из миллионов автономных агентов может оказаться совсем не той, которую мы последние десятилетия применяли к людям.
Исследование:
https://arxiv.org/abs/2608.03958
Please open Telegram to view this post
VIEW IN TELEGRAM
❤27👍10🔥6🤔2
🤖 Почему корпоративный ИИ не приносит ожидаемого результата?
Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.
Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.
🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.
👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.
Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C
Во многих компаниях уже тестируют AI, но вместо пользы получают неточные ответы и «галлюцинации». В большинстве случаев проблема не в модели, а в качестве и доступности данных.
На бесплатном вебинаре эксперты Conteq и Денвик Аналитика покажут, как подготовить данные для корпоративного ИИ и построить архитектуру, которая действительно работает.
Вы узнаете:
• почему данные важнее выбора модели;
• как автоматизировать получение данных из 1С;
• зачем нужен DWH и единый слой корпоративных знаний;
• с чего начать внедрение AI без лишних затрат.
🎁 Всем участникам — полезные материалы, запись вебинара и возможность задать вопросы экспертам.
📅 12 августа, 11:00 (МСК)
💻 Онлайн, участие бесплатное.
👉 Регистрируйтесь на вебинар и начните подготовку данных для ИИ уже сегодня.
Реклама. ООО "ДЕНВИК АНАЛИТИКА". erid: 2Vtzqwno39C
👍3❤1
🔥 После того как стоимость токенов GPT-5.6 Luna снизилась примерно в 10 раз, их потребление выросло более чем в 10 раз.
Это классический парадокс Джевонса: повышение эффективности не обязательно сокращает расход ресурса. Иногда происходит обратное - ресурс становится дешевле, появляется больше сценариев использования, и общий спрос взрывается.
С AI это может быть особенно заметно:
- модели дешевеют;
- контекст растёт;
- агенты делают десятки и сотни вызовов вместо одного;
- компании начинают автоматизировать задачи, для которых раньше LLM были слишком дорогими;
- AI постепенно становится фоновым слоем практически любого ПО.
И при этом настоящий спрос ещё может быть впереди.
По данным Microsoft Research, в Q1 2026 генеративным ИИ пользовались лишь около 17,8% трудоспособного населения мира.
То есть более 80% потенциальных пользователей ещё практически не вошли в эту экономику.
Если стоимость inference продолжит падать, вопрос будет уже не в том, сколько токенов удастся сэкономить.
#AI #LLM #ArtificialIntelligence #OpenAI #Tech
Это классический парадокс Джевонса: повышение эффективности не обязательно сокращает расход ресурса. Иногда происходит обратное - ресурс становится дешевле, появляется больше сценариев использования, и общий спрос взрывается.
С AI это может быть особенно заметно:
- модели дешевеют;
- контекст растёт;
- агенты делают десятки и сотни вызовов вместо одного;
- компании начинают автоматизировать задачи, для которых раньше LLM были слишком дорогими;
- AI постепенно становится фоновым слоем практически любого ПО.
И при этом настоящий спрос ещё может быть впереди.
По данным Microsoft Research, в Q1 2026 генеративным ИИ пользовались лишь около 17,8% трудоспособного населения мира.
То есть более 80% потенциальных пользователей ещё практически не вошли в эту экономику.
Если стоимость inference продолжит падать, вопрос будет уже не в том, сколько токенов удастся сэкономить.
#AI #LLM #ArtificialIntelligence #OpenAI #Tech
❤22🔥6👍5🥱1
🔥 Qwen-CUA показывает: сильному компьютерному агенту достаточно экрана, мыши и клавиатуры
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
Главная идея: AI может работать с любым приложением так же, как человек — через обычный интерфейс.
Без:
- DOM сайта;
- API конкретного приложения;
- accessibility labels;
- специальных инструментов под каждую задачу.
Агент получает только скриншоты и управляет компьютером через клики и нажатия клавиш.
Для обучения использовали:
- около 40 000 проверяемых задач;
- почти 100 000 виртуальных CPU-ядер;
- множество разных программных окружений.
Главная проблема таких агентов — длинные задачи.
Ошибка в начале может сломать весь сценарий, а правильный результат часто становится понятен только в конце.
Qwen-CUA решает это через визуальную память:
- хранит последние 20 скриншотов;
- старую историю сжимает;
- сохраняет контекст предыдущих действий.
Результаты:
- OSWorld-Verified: 86.2 балла
- сложные long-horizon задачи всё ещё остаются большим вызовом.
Самый интересный вывод:
Скриншот может стать универсальным API для AI-агентов.
Вместо создания интеграции для каждого приложения отдельно, агент учится работать с тем же интерфейсом, которым пользуются люди.
📄 Paper:
https://arxiv.org/abs/2608.02352
Qwen-CUA: Native Computer Use for (almost) Everything
❤12🔥9👍4
⚡️ Перед IPO Anthropic инвесторы хотят, чтобы Дарио Амодеи говорил об угрозах ИИ мягче. Но он, похоже, не собирается.
По данным The Information, часть акционеров Anthropic считает, что постоянные предупреждения Амодеи об экзистенциальных рисках AI могут плохо сочетаться с подготовкой компании к публичному рынку.
Проблема для инвесторов в том, что повлиять на CEO непросто.
Ключевые решения Anthropic по-прежнему сосредоточены внутри узкого круга сооснователей и близких к Амодеи людей.
В этом году один из членов совета директоров якобы предлагал использовать более привычную PR-стратегию Microsoft и Meta - больше рассказывать о позитивных сценариях вроде AI для разработки лекарств.
Амодеи идею отверг.
Его позиция: если технология потенциально создаёт риски для выживания человечества, относиться к её продвижению как к обычному технологическому маркетингу нельзя.
Инвесторам перед IPO нужен оптимизм и понятная история роста, а CEO продолжает публично говорить, что технология его собственной компании может быть опасной.
#AI #Anthropic #Claude #IPO #ArtificialIntelligence
По данным The Information, часть акционеров Anthropic считает, что постоянные предупреждения Амодеи об экзистенциальных рисках AI могут плохо сочетаться с подготовкой компании к публичному рынку.
Проблема для инвесторов в том, что повлиять на CEO непросто.
Ключевые решения Anthropic по-прежнему сосредоточены внутри узкого круга сооснователей и близких к Амодеи людей.
В этом году один из членов совета директоров якобы предлагал использовать более привычную PR-стратегию Microsoft и Meta - больше рассказывать о позитивных сценариях вроде AI для разработки лекарств.
Амодеи идею отверг.
Его позиция: если технология потенциально создаёт риски для выживания человечества, относиться к её продвижению как к обычному технологическому маркетингу нельзя.
Инвесторам перед IPO нужен оптимизм и понятная история роста, а CEO продолжает публично говорить, что технология его собственной компании может быть опасной.
#AI #Anthropic #Claude #IPO #ArtificialIntelligence
❤13👍8🔥5😁5🍌1