Анализ данных (Data analysis)
ИИ обнаружил критические уязвимости в PHP - OpenAI организовала глобальную операцию по их устранению. Исследователь Calif с помощью GPT-5.6 Sol выявил критическую проблему безопасности PHP - языка, на котором работает огромное количество сайтов. Компания…
Актуалочка
😁38👍26🔥14❤12💯11👏9🤔9🎉6🤣2
Как научить ИИ выполнять большую рабочую задачу - и проверить, что он действительно справился?
Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов.
Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки:
- Программную - для условий, которые можно проверить кодом.
- Смысловую — для оценки содержания результата.
Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента.
Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов.
После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3.
Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам.
https://arxiv.org/abs/2610.04906
Авторы WorkForge предложили автоматически создавать тренировочные среды из реальных файлов и профессиональных рабочих процессов.
Система определяет, какие материалы и результаты нужны специалисту, собирает рабочее пространство и извлекает из документов конкретные проверяемые факты. Уже на их основе создаёт задания, планы решения и два вида проверки:
- Программную - для условий, которые можно проверить кодом.
- Смысловую — для оценки содержания результата.
Критерии привязаны к наблюдаемым данным в файлах. Это помогает оценивать выполненную работу, а не убедительность ответа агента.
Авторы создали 16,7 тысячи сред в 40 профессиональных областях, охватив 60 типов файлов.
После дообучения Qwen3.5-35B-A3B-Base показатель на GDPVal вырос с 45,5 до 73,6, а APEX Score — с 5,0 до 21,3.
Ценность подхода - в масштабировании практики: агент получает множество многошаговых рабочих задач, где результат можно проверить по исходным материалам.
https://arxiv.org/abs/2610.04906
👍50❤42👏37🎉37😁36🔥35🤔24💯24👌6🥰4
🔍️️️️️️ Qwen научили меньше «думать»: до 51% меньше токенов рассуждения
BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.
По данным разработчиков:
- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.
Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.
Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.
Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.
> Blog: https://liquid.ai/blog/low-latency
> RIPL calculator: https://liquid.ai/low-latency-calculator-ripl
> Request access: https://liquid.ai/connect
BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.
По данным разработчиков:
- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.
Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.
Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.
Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.
> Blog: https://liquid.ai/blog/low-latency
> RIPL calculator: https://liquid.ai/low-latency-calculator-ripl
> Request access: https://liquid.ai/connect
❤19🔥17👍14💯14👏8🤔7😁6🎉5
Qwen научили меньше «думать»: до 51% меньше токенов рассуждения
BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.
По данным разработчиков:
- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.
Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.
Практический смысл - потенциально меньше ожидания и затрат на генерацию. Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.
Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.
https://huggingface.co/bottlecapai
BottleCap AI представила ThinkingCap-Qwen3.8-Flash-Next - версию модели, оптимизированную для более коротких рассуждений.
По данным разработчиков:
- На 38,5% меньше thinking-токенов в среднем, до 51% в отдельных тестах.
- Снижение точности — 1,03 процентного пункта.
- Для корпоративной ThinkingCap PRO заявлено сокращение thinking-токенов в среднем на 60%.
Идея простая: модели нередко продолжают рассуждать, когда дополнительные шаги уже почти не помогают получить правильный ответ. ThinkingCap сокращает такие рассуждения, сохраняя близкие результаты в тестах команды.
Практический смысл - потенциально меньше ожидания и затрат на генерацию. Но сокращение thinking-токенов на 38,5% не означает такое же ускорение всего запроса: остаются обработка контекста и генерация итогового ответа.
Разработчики сообщают о публикации модели на Hugging Face и версии GGUF для локального запуска.
https://huggingface.co/bottlecapai
👏11❤9😁8👍6🤔5🎉5🔥2
Claude написал 180 млн строк доказательств, проверяя безопасность реального ПО.
Anthropic и Theorem показали подход, который превращает фаззинг-тесты в математические гарантии.
Обычный фаззер перебирает огромное количество входных данных и ищет сбой. Но даже триллионы запусков не гарантируют, что опасный случай найден.
Здесь Claude получает другую задачу: доказать, что выбранный тест не упадёт ни на одном входе размером менее 64 МБ - в рамках заданной модели исполнения.
За несколько недель удалось построить доказательства для 239 точек входа в 123 open-source библиотеках. Проверка идёт на уровне скомпилированного кода RISC-V: Claude пишет доказательство, а Rocq проверяет его корректность.
В процессе обнаружились сотни ошибок. Например, выход за границы памяти в распаковщике, требовавший входа около 20 МБ с редкой структурой.
Это не гарантия отсутствия всех багов в библиотеках. Доказательства покрывают конкретные точки входа и условия: однопоточный статический бинарник, ограниченную память и формальную модель RISC-V/Linux.
Но результат показывает перспективу: вместо бесконечного поиска контрпримеров — проверяемое доказательство конкретного свойства программы.
https://www.anthropic.com/research/formal-verification
Anthropic и Theorem показали подход, который превращает фаззинг-тесты в математические гарантии.
Обычный фаззер перебирает огромное количество входных данных и ищет сбой. Но даже триллионы запусков не гарантируют, что опасный случай найден.
Здесь Claude получает другую задачу: доказать, что выбранный тест не упадёт ни на одном входе размером менее 64 МБ - в рамках заданной модели исполнения.
За несколько недель удалось построить доказательства для 239 точек входа в 123 open-source библиотеках. Проверка идёт на уровне скомпилированного кода RISC-V: Claude пишет доказательство, а Rocq проверяет его корректность.
В процессе обнаружились сотни ошибок. Например, выход за границы памяти в распаковщике, требовавший входа около 20 МБ с редкой структурой.
Это не гарантия отсутствия всех багов в библиотеках. Доказательства покрывают конкретные точки входа и условия: однопоточный статический бинарник, ограниченную память и формальную модель RISC-V/Linux.
Но результат показывает перспективу: вместо бесконечного поиска контрпримеров — проверяемое доказательство конкретного свойства программы.
https://www.anthropic.com/research/formal-verification
👍16❤10🔥9🎉5💯5🤔3😁2
Forwarded from Machinelearning
MiniMax открыла веса M3.1 Flash - MoE-модели на 428 млрд параметров для программирования и ИИ-агентов.
При обработке каждого токена активируются около 23 млрд параметров. Модель ориентирована на многошаговые задачи: работу с инструментами, разработку ПО и управление приложениями.
Результаты по оценкам разработчика:
- 73,7% на DeepSWE v1.1 — сложные задачи разработки.
- 61,7 на OSWorld V2 — работа с компьютерным интерфейсом.
- 76,2 на BankerToolBench — использование инструментов в банковских сценариях.
- 29,6 на Agents’ Last Exam — комплексные профессиональные задачи.
- 82,2 на CyberGym — воспроизведение уязвимостей.
За эффективность отвечают MiniMax Sparse Attention и DSpark speculative decoding: разреженное внимание и спекулятивное декодирование, ускоряющее генерацию.
Теперь веса можно использовать для собственного развёртывания и независимых тестов. 23 млрд активных параметров сокращают вычисления, но хранить нужно всю модель — это по-прежнему серьёзная нагрузка на инфраструктуру.
Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-M3.1-Flash
API: https://platform.minimax.io
@ai_machinelearning_big_data
#MiniMax
При обработке каждого токена активируются около 23 млрд параметров. Модель ориентирована на многошаговые задачи: работу с инструментами, разработку ПО и управление приложениями.
Результаты по оценкам разработчика:
- 73,7% на DeepSWE v1.1 — сложные задачи разработки.
- 61,7 на OSWorld V2 — работа с компьютерным интерфейсом.
- 76,2 на BankerToolBench — использование инструментов в банковских сценариях.
- 29,6 на Agents’ Last Exam — комплексные профессиональные задачи.
- 82,2 на CyberGym — воспроизведение уязвимостей.
За эффективность отвечают MiniMax Sparse Attention и DSpark speculative decoding: разреженное внимание и спекулятивное декодирование, ускоряющее генерацию.
Теперь веса можно использовать для собственного развёртывания и независимых тестов. 23 млрд активных параметров сокращают вычисления, но хранить нужно всю модель — это по-прежнему серьёзная нагрузка на инфраструктуру.
Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-M3.1-Flash
API: https://platform.minimax.io
@ai_machinelearning_big_data
#MiniMax
🔥8👍6🎉6❤4😁3💯3🤔2
Machinelearning
https://huggingface.co/MiniMaxAI/MiniMax-M3.1-Flash
Китай усиливает контроль над экспортом ИИ. DeepSeek и MiniMax прошли регистрацию и продолжают открывать модели.
По сообщению Reuters со ссылкой на связанный с CCTV аккаунт, компании получили разрешение на зарубежное использование своих моделей.
С 16 октября действует временная предварительная регистрация экспорта технологий, включённых в проект обновлённого контрольного перечня. Среди них - отдельные технологии больших моделей, агентов и вычислительных кластеров.
Публикация весов или кода для скачивания по всему миру тоже может подпадать под экспортные процедуры, если речь о контролируемой технологии.
Но это не всеобщий запрет на китайский open source: окончательный перечень ещё обсуждается, а для общедоступных технологий и открытых моделей предусмотрены исключения и упрощения.
Суть изменения: открытость модели больше не означает отсутствие экспортных формальностей. При этом пример DeepSeek и MiniMax показывает, что регистрация и дальнейшие открытые релизы могут сосуществовать.
https://www.reuters.com/business/media-telecom/chinas-deepseek-minimax-win-approval-ai-global-use-state-media-affiliated-entity-2026-10-23/
По сообщению Reuters со ссылкой на связанный с CCTV аккаунт, компании получили разрешение на зарубежное использование своих моделей.
С 16 октября действует временная предварительная регистрация экспорта технологий, включённых в проект обновлённого контрольного перечня. Среди них - отдельные технологии больших моделей, агентов и вычислительных кластеров.
Публикация весов или кода для скачивания по всему миру тоже может подпадать под экспортные процедуры, если речь о контролируемой технологии.
Но это не всеобщий запрет на китайский open source: окончательный перечень ещё обсуждается, а для общедоступных технологий и открытых моделей предусмотрены исключения и упрощения.
Суть изменения: открытость модели больше не означает отсутствие экспортных формальностей. При этом пример DeepSeek и MiniMax показывает, что регистрация и дальнейшие открытые релизы могут сосуществовать.
https://www.reuters.com/business/media-telecom/chinas-deepseek-minimax-win-approval-ai-global-use-state-media-affiliated-entity-2026-10-23/
❤10👍8👏5😁5🤔4🔥3🎉3
This media is not supported in your browser
VIEW IN TELEGRAM
Anthropic очень круто адаптировала Claude для iPhone Duo.
👍22🔥14❤6👏3😁3💯2🤔1🎉1🥴1
Китайская Moonshot AI представила Kimi K3.1 Pro — открытую ИИ-модель, которая обходит GPT-6 Astra в тестах программирования.
Модель получила контекстное окно на 1 миллион токенов и ориентирована на сложные задачи: разработку ПО, ИИ-агентов, 3D-моделирование и финансовую аналитику.
Результаты тестирования:
- Terminal-Bench 4.0: 65,7% против 58,2% у GPT-6 Astra и 66,4% у Claude Opus 5.5.
- BenchCAD: 92,7% — генерация CAD-моделей по изображениям.
- OfficeQA Pro v2: 64,4 балла — анализ сложных финансовых документов.
- Kimi Code Bench 3.0: 61,2% против 55,95% у предыдущей K3.
Что интересного:
1. Модель способна самостоятельно создавать игры, 3D-сцены и веб-приложения.
2. Работает с Blender, Unity, Unreal Engine и Godot.
3. В одном эксперименте провела 167 итераций разработки симулятора человеческой ходьбы, самостоятельно обнаружив 36 ошибок в расчётах.
4. Частота фактических ошибок на внутреннем сложном тесте снизилась с 23,4% до 8,3%.
5. Версия Highspeed работает в 2–3 раза быстрее стандартной модели.
Отдельно разработчики ограничили возможности модели в поиске и эксплуатации уязвимостей, удалив часть данных по кибербезопасности из обучения.
Kimi K3.1 Pro уже доступна через веб-интерфейс, Kimi Code и API. Полные веса модели обещают открыть до 4 ноября 2026 года.
Результаты сравнений приведены разработчиками и зависят от методики тестирования.
https://www.kimi.ai/blog/kimi-k3-1-pro
https://t.me/data_analysis_ml
Модель получила контекстное окно на 1 миллион токенов и ориентирована на сложные задачи: разработку ПО, ИИ-агентов, 3D-моделирование и финансовую аналитику.
Результаты тестирования:
- Terminal-Bench 4.0: 65,7% против 58,2% у GPT-6 Astra и 66,4% у Claude Opus 5.5.
- BenchCAD: 92,7% — генерация CAD-моделей по изображениям.
- OfficeQA Pro v2: 64,4 балла — анализ сложных финансовых документов.
- Kimi Code Bench 3.0: 61,2% против 55,95% у предыдущей K3.
Что интересного:
1. Модель способна самостоятельно создавать игры, 3D-сцены и веб-приложения.
2. Работает с Blender, Unity, Unreal Engine и Godot.
3. В одном эксперименте провела 167 итераций разработки симулятора человеческой ходьбы, самостоятельно обнаружив 36 ошибок в расчётах.
4. Частота фактических ошибок на внутреннем сложном тесте снизилась с 23,4% до 8,3%.
5. Версия Highspeed работает в 2–3 раза быстрее стандартной модели.
Отдельно разработчики ограничили возможности модели в поиске и эксплуатации уязвимостей, удалив часть данных по кибербезопасности из обучения.
Kimi K3.1 Pro уже доступна через веб-интерфейс, Kimi Code и API. Полные веса модели обещают открыть до 4 ноября 2026 года.
Результаты сравнений приведены разработчиками и зависят от методики тестирования.
https://www.kimi.ai/blog/kimi-k3-1-pro
https://t.me/data_analysis_ml
👍10❤6🔥3💯1