🔥 Архитектуру LLM можно «сломать» для длинного контекста ещё до того, как началось обучение на длинном контексте
Исследователи Ai2, CMU и University of Washington обучили 26 сопоставимых моделей на 7B параметров. Данные, токенизатор и способ расширения контекста оставили одинаковыми, меняли только четыре архитектурных решения: QK normalization, GQA, sliding-window attention и длину контекста на этапе pretraining.
По отдельности почти каждое изменение вредило совсем немного. Но вместе эффект резко усиливался.
На HELMET при 32K контексте результаты моделей разошлись от 56,4 до 29,9 балла, хотя на обычных коротких eval-тестах разница почти не проявлялась. В худших конфигурациях падение достигало 47%.
SWA сам по себе давал небольшой минус, но поверх GQA просадка становилась значительно сильнее.
Архитектурные ограничения, заложенные ещё на pretraining, продолжали влиять на результат после расширения окна.
Смотреть только на loss и короткие benchmarks недостаточно. Архитектуру стоит тестировать на длинном контексте ещё на ранних checkpoint'ах, иначе проблема может обнаружиться уже после огромных затрат на обучение.
Исследователи потратили на эксперименты более 170 000 GPU-часов и открыли все 26 моделей как набор OlmPool.
Paper: arxiv.org/abs/2608.10296
Исследователи Ai2, CMU и University of Washington обучили 26 сопоставимых моделей на 7B параметров. Данные, токенизатор и способ расширения контекста оставили одинаковыми, меняли только четыре архитектурных решения: QK normalization, GQA, sliding-window attention и длину контекста на этапе pretraining.
По отдельности почти каждое изменение вредило совсем немного. Но вместе эффект резко усиливался.
На HELMET при 32K контексте результаты моделей разошлись от 56,4 до 29,9 балла, хотя на обычных коротких eval-тестах разница почти не проявлялась. В худших конфигурациях падение достигало 47%.
SWA сам по себе давал небольшой минус, но поверх GQA просадка становилась значительно сильнее.
Архитектурные ограничения, заложенные ещё на pretraining, продолжали влиять на результат после расширения окна.
Смотреть только на loss и короткие benchmarks недостаточно. Архитектуру стоит тестировать на длинном контексте ещё на ранних checkpoint'ах, иначе проблема может обнаружиться уже после огромных затрат на обучение.
Исследователи потратили на эксперименты более 170 000 GPU-часов и открыли все 26 моделей как набор OlmPool.
Paper: arxiv.org/abs/2608.10296
❤8🔥6👍5🤩1
⚡️ OpenAI открыто троллят Anthropic.
С одной стороны, они её публично подкалывают, с другой, делают всё возможное, чтобы их продукты были сильнее конкурента.
Через шесть недель у OpenAI пройдёт день для разработчиков, и, похоже, там готовят крупный анонс.
https://x.com/ajambrosino/status/2089131997784580398
С одной стороны, они её публично подкалывают, с другой, делают всё возможное, чтобы их продукты были сильнее конкурента.
Через шесть недель у OpenAI пройдёт день для разработчиков, и, похоже, там готовят крупный анонс.
https://x.com/ajambrosino/status/2089131997784580398
😁23❤10🔥4👍1
💰 NVIDIA начала финансировать спрос на собственные GPU
OpenAI арендует огромный AI-кампус в Огайо, который строит SB Energy. NVIDIA инвестирует $1,5 млрд и помогает снизить стоимость финансирования проекта.
Схема интересная: SB Energy строит площадку, OpenAI платит по мере ввода мощностей, а NVIDIA получает эксклюзивное размещение своего AI-железа.
То есть NVIDIA конкурирует уже не только FLOPS и ценой чипов - она помогает клиентам финансировать инфраструктуру под свои же GPU.
Риск тоже есть: если спрос OpenAI ослабнет, NVIDIA может одновременно получить давление и на продажи GPU, и на стоимость поддержанной инфраструктуры.
OpenAI арендует огромный AI-кампус в Огайо, который строит SB Energy. NVIDIA инвестирует $1,5 млрд и помогает снизить стоимость финансирования проекта.
Схема интересная: SB Energy строит площадку, OpenAI платит по мере ввода мощностей, а NVIDIA получает эксклюзивное размещение своего AI-железа.
То есть NVIDIA конкурирует уже не только FLOPS и ценой чипов - она помогает клиентам финансировать инфраструктуру под свои же GPU.
Риск тоже есть: если спрос OpenAI ослабнет, NVIDIA может одновременно получить давление и на продажи GPU, и на стоимость поддержанной инфраструктуры.
❤8👍5🤣4🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Cursor запустил свой GitHub. Теперь код можно хранить прямо внутри Cursor
Новый сервис называется Origin. Он уже начал появляться в ранней бете у пользователей платных тарифов. Внутри есть репозитории, pull request'ы, просмотр кода и синхронизация с GitHub. (Cursor)
Существующий репозиторий можно подтянуть из GitHub, при этом GitHub останется источником истины. Изменения синхронизируются в реальном времени, а комментарии к PR работают в обе стороны. (Cursor)
Самое интересное здесь не Git-хостинг как таковой. Cursor постепенно собирает весь цикл разработки в одном месте: код, PR, CI/CD и AI-агенты. Агент уже может работать с открытым репозиторием, менять код, обновлять PR и пушить отдельные ветки. (Cursor)
Для Origin уже доступны интеграции с Vercel, Depot и Buildkite. Например, Vercel может автоматически поднимать preview для каждого PR, а CI запускаться через существующие GitHub Actions workflow. (Cursor)
Пока это early beta, но направление понятное: Cursor хочет быть не просто редактором с AI, а полноценной платформой разработки вокруг AI-агентов.
https://cursor.com/changelog/origin-code-hosting
Новый сервис называется Origin. Он уже начал появляться в ранней бете у пользователей платных тарифов. Внутри есть репозитории, pull request'ы, просмотр кода и синхронизация с GitHub. (Cursor)
Существующий репозиторий можно подтянуть из GitHub, при этом GitHub останется источником истины. Изменения синхронизируются в реальном времени, а комментарии к PR работают в обе стороны. (Cursor)
Самое интересное здесь не Git-хостинг как таковой. Cursor постепенно собирает весь цикл разработки в одном месте: код, PR, CI/CD и AI-агенты. Агент уже может работать с открытым репозиторием, менять код, обновлять PR и пушить отдельные ветки. (Cursor)
Для Origin уже доступны интеграции с Vercel, Depot и Buildkite. Например, Vercel может автоматически поднимать preview для каждого PR, а CI запускаться через существующие GitHub Actions workflow. (Cursor)
Пока это early beta, но направление понятное: Cursor хочет быть не просто редактором с AI, а полноценной платформой разработки вокруг AI-агентов.
https://cursor.com/changelog/origin-code-hosting
❤14👍7🔥3🥱1🌚1🤣1
This media is not supported in your browser
VIEW IN TELEGRAM
Обучение Anthropic Mythos 2 завершено, но Anthropic не собирается его выпускать.
По словам Пателя, внутренний цикл разработки, который уже работает над Mythos 3, не остановлен.
Сейчас основной фокус компании - на внутренних улучшениях. Когда появятся какие-либо публичные релизы, пока неясно.
По словам Пателя, внутренний цикл разработки, который уже работает над Mythos 3, не остановлен.
Сейчас основной фокус компании - на внутренних улучшениях. Когда появятся какие-либо публичные релизы, пока неясно.
🤣38❤12🔥5🤔2
Google Research показала PhotoScan, исследовательскую ИИ-систему, которая по обычным фото человека спереди и сбоку оценивает состав тела и риск инсулинорезистентности.
Модель смотрит не только на общий процент жира, но и на его распределение: соотношение жира в области живота и бедер, а также висцерального и подкожного жира. Именно эти показатели могут дать больше информации о метаболическом здоровье, чем один BMI.
PhotoScan предварительно обучили на данных более 35 тысяч участников UK Biobank, а затем дообучили на 677 людях с реальными фотографиями со смартфона и результатами DXA.
На независимой выборке система определяла процент жира со средней ошибкой около 2,13 процентного пункта. Для выявления инсулинорезистентности модель с PhotoScan получила AUROC 0,760 против 0,773 у клинического DXA-сканирования.
То есть несколько фотографий со смартфона в эксперименте приблизились по информативности к дорогому медицинскому сканированию. Но пока это именно исследовательский прототип, а не инструмент для самостоятельной диагностики.
https://research.google/blog/seeing-beyond-bmi-estimating-cardiometabolic-risk-with-smartphone-imagery/
Модель смотрит не только на общий процент жира, но и на его распределение: соотношение жира в области живота и бедер, а также висцерального и подкожного жира. Именно эти показатели могут дать больше информации о метаболическом здоровье, чем один BMI.
PhotoScan предварительно обучили на данных более 35 тысяч участников UK Biobank, а затем дообучили на 677 людях с реальными фотографиями со смартфона и результатами DXA.
На независимой выборке система определяла процент жира со средней ошибкой около 2,13 процентного пункта. Для выявления инсулинорезистентности модель с PhotoScan получила AUROC 0,760 против 0,773 у клинического DXA-сканирования.
То есть несколько фотографий со смартфона в эксперименте приблизились по информативности к дорогому медицинскому сканированию. Но пока это именно исследовательский прототип, а не инструмент для самостоятельной диагностики.
https://research.google/blog/seeing-beyond-bmi-estimating-cardiometabolic-risk-with-smartphone-imagery/
🔥20❤8👍5
This media is not supported in your browser
VIEW IN TELEGRAM
Вайбкодеры подводят итоги работы 😂
🤣47🥱5👍4😁3❤🔥2🔥2👏2
Forwarded from Машинное обучение RU
This media is not supported in your browser
VIEW IN TELEGRAM
Плачу $60 в месяц, а в итоге всё равно гоняю один и тот же баг через все три аккаунта.
🤣28💯5🥰3🥴1
В ABC Legal сотрудники без опыта разработки за месяц собрали больше 50 AI-агентов
Компания развернула Claude Enterprise для 1100 сотрудников, а затем перевела внутренние автоматизации на Claude Managed Agents. К июлю 2026 года в проде работало уже 50+ агентов, а Claude ежедневно использовали около 310 сотрудников из разных отделов.
Агентов собирали не только разработчики. В пилоте участвовали 15 сотрудников из финансов, маркетинга и операционных команд. Им дали шаблоны в Git, Claude Code и стандартную структуру агента. Через неделю у всех уже были рабочие версии.
Каждый агент хранится как код: prompt, инструменты, расписание, credentials и memory лежат в репозитории. Любое изменение проходит через pull request, поэтому есть история версий, ревью, rollback и аудит. Merge в main автоматически деплоит новую версию.
Агенты проверяют судебные заявки, анализируют отклонённые документы, ищут адвокатов, разбирают платежи, проверяют PR и готовят рекомендации для маркетинга. Один из сотрудников без опыта автоматизации собрал рабочего агента примерно за час.
В некоторых задачах компания э фиксирует снижение стоимости человеческой работы примерно до 50%. Автономность при этом дают постепенно: сначала агент предлагает решение человеку, а после стабильных результатов начинает действовать сам.
https://claude.com/blog/how-abc-legal-turned-every-employee-into-a-builder-with-claude-managed-agents
Компания развернула Claude Enterprise для 1100 сотрудников, а затем перевела внутренние автоматизации на Claude Managed Agents. К июлю 2026 года в проде работало уже 50+ агентов, а Claude ежедневно использовали около 310 сотрудников из разных отделов.
Агентов собирали не только разработчики. В пилоте участвовали 15 сотрудников из финансов, маркетинга и операционных команд. Им дали шаблоны в Git, Claude Code и стандартную структуру агента. Через неделю у всех уже были рабочие версии.
Каждый агент хранится как код: prompt, инструменты, расписание, credentials и memory лежат в репозитории. Любое изменение проходит через pull request, поэтому есть история версий, ревью, rollback и аудит. Merge в main автоматически деплоит новую версию.
Агенты проверяют судебные заявки, анализируют отклонённые документы, ищут адвокатов, разбирают платежи, проверяют PR и готовят рекомендации для маркетинга. Один из сотрудников без опыта автоматизации собрал рабочего агента примерно за час.
В некоторых задачах компания э фиксирует снижение стоимости человеческой работы примерно до 50%. Автономность при этом дают постепенно: сначала агент предлагает решение человеку, а после стабильных результатов начинает действовать сам.
https://claude.com/blog/how-abc-legal-turned-every-employee-into-a-builder-with-claude-managed-agents
👍8🔥6🤨4❤3🥰2😁2🤔1
В эксперименте модель самостоятельно проектировала такие белки и получила около 27% успешных результатов. В этой области обычный показатель для команд исследователей часто находится на уровне 10–15%.
Claude работал по одному протоколу, который заранее написал эксперт. После этого модель создала варианты белков для 14 из 15 доступных для проверки целей.
Независимые лаборатории протестировали 1320 вариантов. У 354 из них действительно подтвердилось нужное связывание.
В разных условиях доля успешных результатов составляла от 22,6% до 35,1%. А лучший вариант, который Claude ставил на первое место, оказывался успешным почти в половине экспериментов.
До полностью автономной разработки
https://x.com/AnthropicAI/status/2089842387845804246
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥20❤10👍7
1. Agency Agents
https://github.com/msitarzewski/agency-agents
Набор из 232 специализированных агентов для 16 направлений: разработка, дизайн, маркетинг, управление и другие задачи.
2. Codebase Memory MCP
https://github.com/DeusData/codebase-memory-mcp
Строит граф знаний по кодовой базе, чтобы агент быстрее находил связи между файлами, функциями и сущностями. Заявлена поддержка 158 языков.
3. OpenMontage
https://github.com/calesthio/OpenMontage
Инструмент для создания видео с помощью кодингового агента: сценарий, ассеты, монтаж и рендеринг можно собирать через промпты.
4. Agent-Reach
https://github.com/Panniantong/Agent-Reach
Дает агенту доступ к X, Reddit, YouTube, GitHub и другим источникам для поиска и сбора информации.
5. Orca
https://github.com/stablyai/orca
Позволяет запускать несколько кодинговых агентов параллельно и управлять их задачами из одного места.
6. OmniRoute
https://github.com/diegosouzapw/OmniRoute
Единый шлюз для работы с большим количеством AI-провайдеров через один endpoint.
@data_analysis_ml / Папка полезного по ML.
Сохраняй 🔖
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥10❤5👍5
Modular сделала один из самых важных шагов в истории Mojo: язык, компилятор и инструменты теперь полностью open source под Apache 2.0.
Modular Platform теперь умеет работать не только с NVIDIA и AMD GPU, но и с AWS Trainium, Google TPU, Qualcomm Cloud AI 100 и новым Dragonfly. Идея простая: модель пишется один раз, а запускаться может на совершенно разных ускорителях через один стек.
Параллельно запустили Modular Cloud с OpenAI-совместимыми endpoint'ами. Среди первых крупных клиентов MiniMax: их M3 уже обслуживается на инфраструктуре Modular с нагрузкой в миллиарды токенов в минуту.
Для Mojo готовят нативную поддержку Windows вместе с командой Microsoft. До этого язык нормально жил в macOS и Linux, а на Windows в основном использовался через WSL.
Modular пытается построить слой над войной ускорителей: чтобы разработчику было не так важно, стоит под капотом CUDA, TPU, Trainium или Qualcomm.
https://www.modular.com/blog/modcon-announcements
Please open Telegram to view this post
VIEW IN TELEGRAM
❤20👍9❤🔥7😐3
This media is not supported in your browser
VIEW IN TELEGRAM
24 сентября Yandex Cloud проведёт ежегодную флагманскую технологическую конференцию Yandex Scale 2026.
🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨
В программе четыре продуктовых трека — AI, Data, Security и Hybrid Infrastructure & DevOps, — и отдельный углублённый технологический трек DeepTech, который пройдёт только онлайн.
В треке Data расскажем, как Yandex Cloud развивает аналитику от отдельных сервисов к единой бесшовной среде: от загрузки данных до готовых бизнес-инсайтов, где ИИ помогает на каждом этапе. Разберём, как YDB помогает строить рекомендательные и поисковые системы и ИИ‑ассистентов. «Додо Пицца» представит честную историю миграции десятков терабайт данных в Yandex Cloud, а также расскажет о сравнении с западным облаком и совместном преодолении ограничений. Расскажем, как Yandex Cloud движется к самоуправляемым базам данных на основе опыта эксплуатации тысяч баз в Яндексе. «Азбука вкуса» разберёт миграцию Oracle Exadata на Lakehouse в Yandex Cloud без единого аврала. И покажем, как Yandex Managed Service for Valkey научили растягиваться под нагрузку — и вширь, и вглубь.
🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨
Отдельно пройдут воркшопы по Data: разберём ключевые сценарии использования ИИ‑агента Нейроаналитика в Yandex DataLens. На практике посмотрим, как PGHouse позволяет OLTP‑базе PostgreSQL прозрачно выполнять OLAP‑запросы в ClickHouse без переписывания SQL. И соберём поисковую систему на Serverless YDB с настройкой полнотекстовых и векторных индексов.
🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨 🎨
И это ещё не всё: демозоны, питчинг решений, IT-квест и мерч — офлайн, а розыгрыши призов и секретный гость — в онлайн-студии.
Вся программа — на сайте, регистрация занимает пару минут, а участие бесплатное!
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3👍3🔥2🥴2
⚡️ Bloomberg показал разрыв США и Китая в AI на одном графике. И он быстро исчезает
Ещё недавно Anthropic оценивала отставание китайских лабораторий примерно в 6–12 месяцев. Теперь ситуация выглядит совсем иначе.
Kimi K3 от Moonshot уже находится рядом с американским фронтиром: Bloomberg писал, что модель уступает по общей мощности лишь нескольким лидерам вроде Claude Fable 5 и GPT-5.6. При этом китайские модели заметно дешевле в эксплуатации.
В Китае сформировалась целая группа сильных лабораторий: Moonshot, DeepSeek, Alibaba/Qwen, Z.ai/GLM и другие. Financial Times тоже отмечает, что Kimi K3 вместе с GLM и Qwen резко сократили воспринимаемый технологический разрыв с США.
Причём на подобных сравнениях ещё не всегда учитывается свежий GLM-5.3, который дополнительно усиливает китайскую сторону.
https://www.bloomberg.com/graphics/2026-us-china-ai-race/
Ещё недавно Anthropic оценивала отставание китайских лабораторий примерно в 6–12 месяцев. Теперь ситуация выглядит совсем иначе.
Kimi K3 от Moonshot уже находится рядом с американским фронтиром: Bloomberg писал, что модель уступает по общей мощности лишь нескольким лидерам вроде Claude Fable 5 и GPT-5.6. При этом китайские модели заметно дешевле в эксплуатации.
В Китае сформировалась целая группа сильных лабораторий: Moonshot, DeepSeek, Alibaba/Qwen, Z.ai/GLM и другие. Financial Times тоже отмечает, что Kimi K3 вместе с GLM и Qwen резко сократили воспринимаемый технологический разрыв с США.
Причём на подобных сравнениях ещё не всегда учитывается свежий GLM-5.3, который дополнительно усиливает китайскую сторону.
https://www.bloomberg.com/graphics/2026-us-china-ai-race/
👍25❤10⚡4🔥2😐1
Две работы AI VK Research представили на KDD 2026
На конференции показали работы про рекомендательные системы, но с разных сторон: в первой исследователи используют REINFORCE и multi-step off-policy correction для оптимизации рекомендаций на уровне сессии, а во второй рассматривают MDP на основе матричной факторизации для candidate generation.
Отдельно интересно, что обе темы связаны не столько с улучшением очередного этапа модели, сколько с самой постановкой задачи: как учитывать последовательность действий пользователя и эффективнее строить пространство кандидатов.
Что ещё обсуждали на KDD, какие тренды сейчас заметны в recsys и как выглядела презентация этих работ, рассказал старший исследователь AI VK Research Артём Матвеев в репортаже с конференции.
На конференции показали работы про рекомендательные системы, но с разных сторон: в первой исследователи используют REINFORCE и multi-step off-policy correction для оптимизации рекомендаций на уровне сессии, а во второй рассматривают MDP на основе матричной факторизации для candidate generation.
Отдельно интересно, что обе темы связаны не столько с улучшением очередного этапа модели, сколько с самой постановкой задачи: как учитывать последовательность действий пользователя и эффективнее строить пространство кандидатов.
Что ещё обсуждали на KDD, какие тренды сейчас заметны в recsys и как выглядела презентация этих работ, рассказал старший исследователь AI VK Research Артём Матвеев в репортаже с конференции.
Telegram
AI VK Hub
Репортаж с KDD 2026 ⬆️
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
На прошлой неделе команда AI VK Research участвовала в KDD 2026 — одной из ключевых мировых ML-конференций. Наши ребята представили результаты двух своих исследований, посвящённых развитию рекомендательных систем.
Что обсуждали на…
🥱11🥴4🤣2
Полный инженерный курс по AI-агентам на русском: от tool calling до production
Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.
Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.
https://github.com/justxor/Aiagentsfullcourse
Курс инженерный, а не обзорный. Здесь почти нет рассуждений о том, «изменит ли ИИ мир», зато есть: минимальные работающие реализации каждого механизма, лабораторные с критериями приёмки, шаблоны для копирования, чек-листы перед релизом, каталог антипаттернов и набор бенчмарков, по которым можно честно сравнить две версии своего агента.
Качество агента почти никогда не упирается в модель. Оно упирается в инженерию вокруг модели: как описаны инструменты, что попадает в контекст, где стоят проверки, что происходит при третьей подряд ошибке и сколько это стоит за тысячу запусков. Модель - двигатель. Курс -про всё остальное в автомобиле.
https://github.com/justxor/Aiagentsfullcourse
❤16👍13🔥7
Идея в speculative decoding: маленькая модель примерно на 300M параметров заранее предлагает сразу несколько токенов, а основная модель проверяет весь блок за один проход.
На H100 LFM2.5-8B-A1B в MATH500 ускорилась с 428 до 1362 токенов/с — в 3,18 раза.
На MacBook Pro с M4 Max LFM2.5-1.2B-Instruct в HumanEval — со 136 до 389 токенов/с, почти в 2,9 раза.
Для LFM2.5-2.6B среднее ускорение составило 2,67× на H100 и 2,27× на M4 Max.
В BFCL-сценариях с несколькими tool calls DSpark почти вдвое сократил среднюю задержку LFM2.5-2.6B.
При greedy decoding результат остаётся идентичным обычной генерации, поэтому ускорение не меняет точность модели.
Чекпоинты уже выложены на Hugging Face, поддержка идёт в llama.cpp и SGLang.
Read more: http://liquid.ai/blog/lfm2.5-dspark
> LiquidAI/LFM2.5-1.2B-Instruct-DSpark: http://huggingface.co/LiquidAI/LFM2.5-1.2B-Instruct-DSpark
> LiquidAI/LFM2.5-2.6B-DSpark: http://huggingface.co/LiquidAI/LFM2.5-2.6B-DSpark
> LiquidAI/LFM2.5-8B-A1B-DSpark: http://huggingface.co/LiquidAI/LFM2.5-8B-A1B-DSpark
> SGLang: https://github.com/sgl-project/sglang/pull/31041
> llama.cpp: https://github.com/ggml-org/llama.cpp/pull/27383
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4🔥3🥰3❤🔥1
OpenAI запустила AI Futures - блог о том, как ИИ может изменить власть и общество
Новый проект команды Strategic Futures посвящён не только технологиям, но и тому, что произойдёт с правами, свободой и влиянием людей, если AI станет действительно трансформирующим.
Один из ключевых тезисов: главный долгосрочный риск может быть не только в самих моделях, а в концентрации власти.
Автономные системы способны дать государствам больше силы без зависимости от людей, а автоматизированная бюрократия и богатство, создаваемое дата-центрами, потенциально могут уменьшить роль человеческого труда, налогов и даже общественного согласия.
Независимо от отношения к таким прогнозам, одно ясно: AI постепенно становится не просто технологией, а фактором, который может перестроить само устройство общества.
https://openai.com/index/introducing-ai-futures/
Новый проект команды Strategic Futures посвящён не только технологиям, но и тому, что произойдёт с правами, свободой и влиянием людей, если AI станет действительно трансформирующим.
Один из ключевых тезисов: главный долгосрочный риск может быть не только в самих моделях, а в концентрации власти.
Автономные системы способны дать государствам больше силы без зависимости от людей, а автоматизированная бюрократия и богатство, создаваемое дата-центрами, потенциально могут уменьшить роль человеческого труда, налогов и даже общественного согласия.
Независимо от отношения к таким прогнозам, одно ясно: AI постепенно становится не просто технологией, а фактором, который может перестроить само устройство общества.
https://openai.com/index/introducing-ai-futures/
👍8❤4🔥3