🥲 В обновлённой форме S-1 для SEC Anthropic предупредила, что следующие модели Claude могут уже в ближайшее время достичь порога, при котором автоматизация AI R&D удваивает темпы развития ИИ.
Claude пишет код, проводит эксперименты, автоматизирует оценки качества и помогает обучать следующую модель. Каждое поколение ускоряет разработку следующего.
Компания уже пропускала существенное ускорение исследований и обнаруживала его постфактум. Метрики запаздывают, особенно когда речь о возможностях ещё не выпущенных моделей.
Теперь Anthropic рассматривает обязательное согласование человеком некоторых решений AI-агентов в исследовательских процессах.
При этом официально ни одна текущая модель ещё не признана достигшей порога двукратного ускорения.
Claude уже помогает создавать Claude, но даже разработчики не всегда могут вовремя оценить, насколько сильно это ускоряет прогресс.
https://www.stocktitan.net/sec-filings/ANT/s-1-a-anthropic-pbc-amends-s-1-registration-statement-e8133da1f8b3.html
Claude пишет код, проводит эксперименты, автоматизирует оценки качества и помогает обучать следующую модель. Каждое поколение ускоряет разработку следующего.
Компания уже пропускала существенное ускорение исследований и обнаруживала его постфактум. Метрики запаздывают, особенно когда речь о возможностях ещё не выпущенных моделей.
Теперь Anthropic рассматривает обязательное согласование человеком некоторых решений AI-агентов в исследовательских процессах.
При этом официально ни одна текущая модель ещё не признана достигшей порога двукратного ускорения.
Claude уже помогает создавать Claude, но даже разработчики не всегда могут вовремя оценить, насколько сильно это ускоряет прогресс.
https://www.stocktitan.net/sec-filings/ANT/s-1-a-anthropic-pbc-amends-s-1-registration-statement-e8133da1f8b3.html
👍29🔥29🤔27❤26👏20💯18😁17🎉12😱2😢1
📄️️️️️️ ИИ исправил другую нейросеть, изменив всего 0,016% её весов. Без обучения и градиентов
Исследователи из MIT CSAIL показали необычный подход к оптимизации нейросетей - Weight-Space Programming. Вместо привычного fine-tuning большая LLM анализирует веса другой модели и напрямую меняет нужные параметры.
В одном эксперименте GPT-6 Astra получила доступ к весам Qwen3.5-0.8B и задачу улучшить её математические способности.
Astra обнаружила проблему: модель часто зацикливалась в рассуждениях и не успевала выдавать ответ. Причину удалось локализовать в MLP-блоках 15-го и 19-го слоёв.
Изменив всего 131 072 параметра из 800 млн, исследователи получили:
- MATH-500: с 7,9% до 48,1%.
- GSM8K: с 13,8% до 67,1%.
- IFEval: с 21% до 62,3%.
Никакого градиентного спуска. Astra использовала Python для работы с тензорами и ограниченное число проверочных прогонов.
В другом эксперименте она вообще создала веса небольшой игровой нейросети с нуля, без обучения на данных, и обошла PPO-агентов, обучавшихся 100 млн шагов.
Улучшение Qwen связано прежде всего с устранением зацикливания, а не с появлением новых математических знаний. На другой модели без такой проблемы метод почти не помог.
https://rikiyat.github.io/blog/weight-space-programming/
Исследователи из MIT CSAIL показали необычный подход к оптимизации нейросетей - Weight-Space Programming. Вместо привычного fine-tuning большая LLM анализирует веса другой модели и напрямую меняет нужные параметры.
В одном эксперименте GPT-6 Astra получила доступ к весам Qwen3.5-0.8B и задачу улучшить её математические способности.
Astra обнаружила проблему: модель часто зацикливалась в рассуждениях и не успевала выдавать ответ. Причину удалось локализовать в MLP-блоках 15-го и 19-го слоёв.
Изменив всего 131 072 параметра из 800 млн, исследователи получили:
- MATH-500: с 7,9% до 48,1%.
- GSM8K: с 13,8% до 67,1%.
- IFEval: с 21% до 62,3%.
Никакого градиентного спуска. Astra использовала Python для работы с тензорами и ограниченное число проверочных прогонов.
В другом эксперименте она вообще создала веса небольшой игровой нейросети с нуля, без обучения на данных, и обошла PPO-агентов, обучавшихся 100 млн шагов.
Улучшение Qwen связано прежде всего с устранением зацикливания, а не с появлением новых математических знаний. На другой модели без такой проблемы метод почти не помог.
https://rikiyat.github.io/blog/weight-space-programming/
❤41🔥27👍22👏18💯17🤔16🎉12😱9😁8🤯2😢1
Алгоритм знает, где вы будете 7-го ноября 😎
RecSys-митап в Москве для тех, кто уже строит рекомендательные системы и хочет делать это еще лучше.
В программе — доклады от топовых экспертов Сбера с разбором кейсов, свежих подходов и неочевидных решений.
После официальной части — нетворкинг. Время в узком кругу профессионалов и сообщества Зеленый RecSys.
Участие бесплатное, но количество мест ограничено.
Москва. Суббота. 7 ноября. RecSys!
➡ ️ регистрируйтесь
RecSys-митап в Москве для тех, кто уже строит рекомендательные системы и хочет делать это еще лучше.
В программе — доклады от топовых экспертов Сбера с разбором кейсов, свежих подходов и неочевидных решений.
После официальной части — нетворкинг. Время в узком кругу профессионалов и сообщества Зеленый RecSys.
Участие бесплатное, но количество мест ограничено.
Москва. Суббота. 7 ноября. RecSys!
Please open Telegram to view this post
VIEW IN TELEGRAM
💯21🔥19🤔18❤17👍17🎉17😁15👏11
«Математика никогда не была о вас». Учёным предложили перестать бояться ИИ
В блоге Теренса Тао вышло эссе *Egoless Mathematics in the AI Era*, написанное Картиком С. С., Амитом Сахаем и Цзе Сюэ.
Авторы затронули довольно болезненную тему: почему математиков так тревожит возможность, что ИИ начнёт делать открытия лучше людей?
По их мнению, проблема отчасти в том, как научное сообщество привыкло измерять успех: количеством публикаций, цитированиями, наградами и личными достижениями.
Когда ценность исследователя определяется результатами, машина, способная получать их быстрее, начинает восприниматься как угроза.
Но математическая истина не становится менее значимой оттого, что её обнаружил алгоритм.
«Математика была прекрасна задолго до нашего рождения и останется прекрасной после того, как нас не станет».
Авторы предлагают перестать воспринимать каждое достижение ИИ как соревнование с человеком. Удовольствие от понимания сложной идеи не обязательно должно зависеть от того, кто открыл её первым.
Причём такая позиция оставляет место и тем, кто активно использует ИИ в исследованиях, и тем, кто предпочитает работать самостоятельно.
Интересная мысль, которая выходит далеко за пределы математики: если машина научится делать вашу работу лучше, означает ли это, что сама работа потеряла смысл?
https://terrytao.wordpress.com/2026/11/02/egoless-mathematics-in-the-ai-era/
В блоге Теренса Тао вышло эссе *Egoless Mathematics in the AI Era*, написанное Картиком С. С., Амитом Сахаем и Цзе Сюэ.
Авторы затронули довольно болезненную тему: почему математиков так тревожит возможность, что ИИ начнёт делать открытия лучше людей?
По их мнению, проблема отчасти в том, как научное сообщество привыкло измерять успех: количеством публикаций, цитированиями, наградами и личными достижениями.
Когда ценность исследователя определяется результатами, машина, способная получать их быстрее, начинает восприниматься как угроза.
Но математическая истина не становится менее значимой оттого, что её обнаружил алгоритм.
«Математика была прекрасна задолго до нашего рождения и останется прекрасной после того, как нас не станет».
Авторы предлагают перестать воспринимать каждое достижение ИИ как соревнование с человеком. Удовольствие от понимания сложной идеи не обязательно должно зависеть от того, кто открыл её первым.
Причём такая позиция оставляет место и тем, кто активно использует ИИ в исследованиях, и тем, кто предпочитает работать самостоятельно.
Интересная мысль, которая выходит далеко за пределы математики: если машина научится делать вашу работу лучше, означает ли это, что сама работа потеряла смысл?
https://terrytao.wordpress.com/2026/11/02/egoless-mathematics-in-the-ai-era/
👍40❤25🔥25💯17😁16🎉16🤔12👏11🥴4😢1🍌1
Anthropic разрабатывает собственные ИИ-чипы с помощью Claude
По данным The Information, команда всего из 15 инженеров Anthropic использует Claude для проектирования собственных ИИ-ускорителей.
Разработчики утверждают, что нейросеть заметно ускоряет работу по сравнению с их оценками традиционного процесса проектирования микросхем.
Anthropic идёт по пути OpenAI, которая также разрабатывает собственный чип под кодовым названием Jalapeño.
Интересно, что Claude уже помогает создавать аппаратное обеспечение, на котором в будущем могут работать сами ИИ-модели.
https://www.theinformation.com/articles/anthropic-touts-claudes-chip-design-skills-ipo-investors
По данным The Information, команда всего из 15 инженеров Anthropic использует Claude для проектирования собственных ИИ-ускорителей.
Разработчики утверждают, что нейросеть заметно ускоряет работу по сравнению с их оценками традиционного процесса проектирования микросхем.
Anthropic идёт по пути OpenAI, которая также разрабатывает собственный чип под кодовым названием Jalapeño.
Интересно, что Claude уже помогает создавать аппаратное обеспечение, на котором в будущем могут работать сами ИИ-модели.
https://www.theinformation.com/articles/anthropic-touts-claudes-chip-design-skills-ipo-investors
❤16👍15🔥13😁13👏12🤔11🎉11💯9🤣8
У OpenAI уже есть модели значительно мощнее публичных
Два графика из публикаций OpenAI показывают, насколько далеко продвинулись внутренние модели компании в решении сложных научных задач.
Слева результаты из свежей публикации, справа из предыдущей работы, посвящённой уравнениям Навье - Стокса.
Судя по представленным результатам, экспериментальные модели OpenAI демонстрируют заметный прогресс. Причём речь может идти о гораздо более серьёзных улучшениях, чем обычное обновление ChatGPT.
Пока эти модели недоступны пользователям, а их реальные возможности за пределами опубликованных тестов остаются неизвестными.
Источник: https://x.com/OpenAI/status/2117692475775258785
Два графика из публикаций OpenAI показывают, насколько далеко продвинулись внутренние модели компании в решении сложных научных задач.
Слева результаты из свежей публикации, справа из предыдущей работы, посвящённой уравнениям Навье - Стокса.
Судя по представленным результатам, экспериментальные модели OpenAI демонстрируют заметный прогресс. Причём речь может идти о гораздо более серьёзных улучшениях, чем обычное обновление ChatGPT.
Пока эти модели недоступны пользователям, а их реальные возможности за пределами опубликованных тестов остаются неизвестными.
Источник: https://x.com/OpenAI/status/2117692475775258785
😁23💯21👍14❤13🤔13🎉13🔥12👏10🤣10
Tencent выпустила Hy4. Новая модель конкурирует с GPT и Claude
Китайская Tencent представила Hy4 с поддержкой изображений, программирования и управления компьютером через интерфейс и терминал.
По результатам опубликованных тестов модель пока уступает лидерам, но уже показывает неплохие результаты:
ProgramBench: Hy4 - 30 баллов, GPT-6.1 Sol - 46, Claude Opus 5.5 - 56,5.
Terminal Bench 4.0: Hy4 - 44,4, GPT - 55,5, Claude - 66,4.
OSWorld 2.1: Hy4 - 78,9, GPT - 75,2, Claude - 81,8.
. В тесте управления компьютером Hy4 обходит GPT и приближается к Claude.
Модель поддерживает контекст до 1 млн токенов и ориентирована на разработку, работу с документами, автоматизацию и создание интерфейсов.
https://hy.tencent.ai/research/hy4?langVersion=en
Китайская Tencent представила Hy4 с поддержкой изображений, программирования и управления компьютером через интерфейс и терминал.
По результатам опубликованных тестов модель пока уступает лидерам, но уже показывает неплохие результаты:
ProgramBench: Hy4 - 30 баллов, GPT-6.1 Sol - 46, Claude Opus 5.5 - 56,5.
Terminal Bench 4.0: Hy4 - 44,4, GPT - 55,5, Claude - 66,4.
OSWorld 2.1: Hy4 - 78,9, GPT - 75,2, Claude - 81,8.
. В тесте управления компьютером Hy4 обходит GPT и приближается к Claude.
Модель поддерживает контекст до 1 млн токенов и ориентирована на разработку, работу с документами, автоматизацию и создание интерфейсов.
https://hy.tencent.ai/research/hy4?langVersion=en
❤15🔥11🎉8💯6👍5😁5🥰3👏3🤔3🤣2
Инженеры Google дали Gemini 4 Argon через Antigravity научную модель океана FVCOM. В исходном проекте было 174 тысячи строк Fortran и C, накопленных за десятилетия.
Агент самостоятельно изучил код, составил план миграции, переписал основные вычислительные модули на Rust, запустил тесты и оптимизировал производительность.
Результаты эксперимента:
- 59 минут на миграцию основного вычислительного ядра.
- Ускорение симуляции в 1,88 раза.
- Потребление памяти снизилось на 54%.
- Обнаружено 6 старых ошибок, включая переполнения и выходы за границы массивов.
- 96,8% покрытия ветвей тестами.
- Численные результаты совпали с оригиналом до 12 знаков после запятой на 100 тестовых сценариях.
В новом коде полностью запретили
unsafe. Для ускорения агент убрал лишние выделения памяти внутри циклов, переработал структуры данных и применил LLVM PGO.При первом запуске один тест упал из-за ошибки в расчётах для мелководья. Агент сам разобрал трассировку, исправил код и повторно прогнал тесты.
Google выложила использованный workflow в виде открытого skill для Antigravity. Запуск миграции выглядит так:
/migrate-to-rust <github-repo-url>https://antigravity.google/blog/modernizing-40-year-old-scientific-code-with-gemini-4-argon
@data_analysis_ml
#rust #Google #Argon
Please open Telegram to view this post
VIEW IN TELEGRAM
❤32👍15🔥11👏8😁6🤔5💯5🎉4
This media is not supported in your browser
VIEW IN TELEGRAM
🤣24❤11🔥8🤔8👏4😁4👍3🎉3💯1
🔥️️️️️️ Google научила ИИ самостоятельно уточнять правила, когда даже человек не знает, чего хочет
Google Research представила Agile Deliberation, систему для создания ИИ-классификаторов, которым приходится работать с субъективными понятиями.
Например, как научить нейросеть отличать здоровую еду от нездоровой? Салат подходит, бургер нет. А фруктовый смузи с большим количеством сахара?
Обычный подход требует заранее написать подробные правила. Agile Deliberation сама находит спорные изображения и предлагает человеку решить, к какой категории их отнести.
На основе ответов LLM автоматически уточняет инструкции для визуальной модели. Причём без дообучения и изменения весов.
В исследовании использовали Gemini 2.5 Pro и Flash.
Результаты экспериментов:
- До 11% прироста F1 относительно базового классификатора.
- На 7,5% выше F1 по сравнению с автоматическим разбиением категорий.
- Более чем на 3% выше F1 по сравнению с ручной настройкой.
- Все 18 участников исследования предпочли новый подход ручному редактированию промптов.
Google открыла исходный код и опубликовала демонстрацию в Colab.
Исследование: https://research.google/blog/agile-deliberation-how-ai-helps-humans-define-the-gray-areas/
Google Research представила Agile Deliberation, систему для создания ИИ-классификаторов, которым приходится работать с субъективными понятиями.
Например, как научить нейросеть отличать здоровую еду от нездоровой? Салат подходит, бургер нет. А фруктовый смузи с большим количеством сахара?
Обычный подход требует заранее написать подробные правила. Agile Deliberation сама находит спорные изображения и предлагает человеку решить, к какой категории их отнести.
На основе ответов LLM автоматически уточняет инструкции для визуальной модели. Причём без дообучения и изменения весов.
В исследовании использовали Gemini 2.5 Pro и Flash.
Результаты экспериментов:
- До 11% прироста F1 относительно базового классификатора.
- На 7,5% выше F1 по сравнению с автоматическим разбиением категорий.
- Более чем на 3% выше F1 по сравнению с ручной настройкой.
- Все 18 участников исследования предпочли новый подход ручному редактированию промптов.
Google открыла исходный код и опубликовала демонстрацию в Colab.
Исследование: https://research.google/blog/agile-deliberation-how-ai-helps-humans-define-the-gray-areas/
❤13👍8🔥3😁3👏2🤔2🥱2🎉1