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
😁42💯42❤33🔥33👍31🎉29🤔27👏26🤣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
❤32💯22🔥18😁16👍15🤔13🎉12👏11🥰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
❤50👍27🔥17💯17😁15👏13🤔11🎉11
This media is not supported in your browser
VIEW IN TELEGRAM
🤣39❤23🤔18😁17🔥15👏15🎉14👍13💯10
🔥️️️️️️ 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/
❤38👍24🔥17👏14🎉13💯13🤔11😁8🥱2
Модель на 65 млрд параметров обошла 501-миллиардную модель в тесте для ИИ-агентов
Ricursive Intelligence представила Ripple-65B Preview, открытую модель для программирования и работы ИИ-агентов.
По опубликованным разработчиками результатам, Ripple набрала 80,5% в Terminal-Bench 2.1, обойдя Reflection Beam-501B с результатом 80,1%.
При этом есть нюанс: Ripple использует все 65 млрд параметров при каждом запросе, а Beam построена на архитектуре MoE и активирует только 23 млрд из 501 млрд параметров.
Характеристики Ripple-65B:
- 65 млрд параметров.
- Контекст до 1 млн токенов.
- Обучение на 12 трлн токенов.
- Заявленный вычислительный бюджет обучения $32 млн.
- Лицензия Apache 2.0.
- Открытые веса и возможность локального запуска.
Особенно интересно, что модель обучали с нуля, а не дорабатывали существующую LLM.
Terminal-Bench проверяет способность ИИ-агентов выполнять реальные задачи в терминале: работать с кодом, инструментами и окружением.
Разница в 0,4 процентного пункта сама по себе невелика, а результаты пока основаны на заявлениях разработчиков. Но появление открытой модели такого размера с конкурентоспособными показателями в агентном программировании заслуживает внимания.
https://ricursive.com/ripple
Ricursive Intelligence представила Ripple-65B Preview, открытую модель для программирования и работы ИИ-агентов.
По опубликованным разработчиками результатам, Ripple набрала 80,5% в Terminal-Bench 2.1, обойдя Reflection Beam-501B с результатом 80,1%.
При этом есть нюанс: Ripple использует все 65 млрд параметров при каждом запросе, а Beam построена на архитектуре MoE и активирует только 23 млрд из 501 млрд параметров.
Характеристики Ripple-65B:
- 65 млрд параметров.
- Контекст до 1 млн токенов.
- Обучение на 12 трлн токенов.
- Заявленный вычислительный бюджет обучения $32 млн.
- Лицензия Apache 2.0.
- Открытые веса и возможность локального запуска.
Особенно интересно, что модель обучали с нуля, а не дорабатывали существующую LLM.
Terminal-Bench проверяет способность ИИ-агентов выполнять реальные задачи в терминале: работать с кодом, инструментами и окружением.
Разница в 0,4 процентного пункта сама по себе невелика, а результаты пока основаны на заявлениях разработчиков. Но появление открытой модели такого размера с конкурентоспособными показателями в агентном программировании заслуживает внимания.
https://ricursive.com/ripple
❤14🎉14👏11👍7🤔7🤣7💯6😁5🔥3
This media is not supported in your browser
VIEW IN TELEGRAM
Исследователи Стэнфорда сравнили четыре ИИ-ускорителя на 220 реальных профессиональных задачах. На каждом запускали одну и ту же модель Qwen3.6-27B, оценивая полезный результат относительно потреблённой энергии.
По опубликованным результатам, NVIDIA B200 превзошла AMD MI350X по двум показателям:
- Более чем в 4 раза по денежной ценности выполненной работы на единицу энергии.
- Более чем в 9 раз по времени экспертов, сэкономленному на единицу энергии.
Исследователи оценивали не только скорость генерации токенов, но и экономическую полезность ответов модели.
Ускоритель может показывать хорошие результаты в стандартных бенчмарках, но уступать конкуренту по количеству действительно полезной работы на каждый потреблённый киловатт-час.
Модель оставалась неизменной, различались аппаратная платформа и условия выполнения.
Результаты не означают, что B200 всегда выгоднее MI350X: для полной оценки стоимости эксплуатации нужно учитывать цену оборудования, загрузку, охлаждение и программные оптимизации.
Источник: https://x.com/JonSaadFalcon/status/2118079242340814896
Please open Telegram to view this post
VIEW IN TELEGRAM
👍27🔥17❤11🤔10😁9💯8🎉7👏4🥴4
Claude восстановил сотни файлов после атаки шифровальщика без ключа дешифрования
На Reddit пользователь рассказал, как с помощью Claude смог восстановить около двух третей из 700 файлов, зашифрованных вирусом-вымогателем ещё в 2019 году.
Сначала Claude объяснил, что расшифровать данные практически невозможно. Вредоносная программа использовала AES с отдельным ключом для каждого файла, а сами ключи защищались RSA. Перебор здесь бесполезен.
Но при сравнении повреждённых файлов с исходными образцами обнаружилась интересная деталь: шифровальщик изменял только первые 16 КБ каждого файла. Остальное содержимое оставалось нетронутым.
Claude написал отдельные инструменты восстановления для JPEG, PNG, PSD, Excel, PDF и MP4. Они использовали особенности форматов, чтобы попытаться восстановить заголовки, структуру и доступ к сохранившимся данным.
В результате, по словам автора, удалось вернуть значительную часть файлов без получения ключей шифрования.
История интересна тем, что Claude не взламывал AES или RSA. Он нашёл слабость в реализации конкретного шифровальщика и использовал знание файловых форматов.
Это единичный пользовательский отчёт, а не независимо подтверждённый результат. Метод применим только к некоторым случаям частичного шифрования и не гарантирует полного восстановления содержимого.
https://www.reddit.com/r/ClaudeAI/comments/1xn6tu3/i_gave_claude_700_ransomware_encrypted_files_it/
На Reddit пользователь рассказал, как с помощью Claude смог восстановить около двух третей из 700 файлов, зашифрованных вирусом-вымогателем ещё в 2019 году.
Сначала Claude объяснил, что расшифровать данные практически невозможно. Вредоносная программа использовала AES с отдельным ключом для каждого файла, а сами ключи защищались RSA. Перебор здесь бесполезен.
Но при сравнении повреждённых файлов с исходными образцами обнаружилась интересная деталь: шифровальщик изменял только первые 16 КБ каждого файла. Остальное содержимое оставалось нетронутым.
Claude написал отдельные инструменты восстановления для JPEG, PNG, PSD, Excel, PDF и MP4. Они использовали особенности форматов, чтобы попытаться восстановить заголовки, структуру и доступ к сохранившимся данным.
В результате, по словам автора, удалось вернуть значительную часть файлов без получения ключей шифрования.
История интересна тем, что Claude не взламывал AES или RSA. Он нашёл слабость в реализации конкретного шифровальщика и использовал знание файловых форматов.
Это единичный пользовательский отчёт, а не независимо подтверждённый результат. Метод применим только к некоторым случаям частичного шифрования и не гарантирует полного восстановления содержимого.
https://www.reddit.com/r/ClaudeAI/comments/1xn6tu3/i_gave_claude_700_ransomware_encrypted_files_it/
❤36🔥20👍15👏6😁6🎉4🤔3💯2
Google раскрыла устройство EmbeddingGemma 2: мультимодальная модель на 740 млн параметров, работающая прямо на смартфоне
Google DeepMind опубликовала технический отчёт EmbeddingGemma 2 с подробностями архитектуры, обучения и результатами экспериментов.
Модель преобразует текст, код, изображения, аудио и видео в единое векторное пространство. Например, можно искать нужный фрагмент видео текстовым запросом или находить изображения по описанию.
Ключевые цифры:
- 740 млн параметров в полной мультимодальной конфигурации.
- 270 млн достаточно для работы только с текстом и кодом.
- 567 МБ памяти для весов полной модели с int4-квантованием.
- 768 измерений у эмбеддингов с возможностью сокращения до 512, 256 или 128 благодаря Matryoshka Representation Learning.
- 8192 токена контекстного окна.
По результатам авторов, EmbeddingGemma 2 превосходит ряд специализированных моделей и конкурентов, которые в 2–12 раз крупнее, на задачах мультимодального поиска.
Архитектура модульная: ненужные энкодеры можно отключать, экономя память. Например, для семантического поиска по кодовой базе не требуется загружать компоненты обработки аудио и изображений.
В отчёте также разобраны этапы обучения и ablation studies, показывающие вклад отдельных архитектурных решений.
Модель доступна с открытыми весами под Apache 2.0. Для разработчиков особенно интересны локальный RAG, поиск по репозиториям, мультимодальные базы знаний и приложения без передачи пользовательских данных в облако.
Исследование: https://arxiv.org/abs/2610.37364
Модель: https://huggingface.co/google/embeddinggemma-2
Google DeepMind опубликовала технический отчёт EmbeddingGemma 2 с подробностями архитектуры, обучения и результатами экспериментов.
Модель преобразует текст, код, изображения, аудио и видео в единое векторное пространство. Например, можно искать нужный фрагмент видео текстовым запросом или находить изображения по описанию.
Ключевые цифры:
- 740 млн параметров в полной мультимодальной конфигурации.
- 270 млн достаточно для работы только с текстом и кодом.
- 567 МБ памяти для весов полной модели с int4-квантованием.
- 768 измерений у эмбеддингов с возможностью сокращения до 512, 256 или 128 благодаря Matryoshka Representation Learning.
- 8192 токена контекстного окна.
По результатам авторов, EmbeddingGemma 2 превосходит ряд специализированных моделей и конкурентов, которые в 2–12 раз крупнее, на задачах мультимодального поиска.
Архитектура модульная: ненужные энкодеры можно отключать, экономя память. Например, для семантического поиска по кодовой базе не требуется загружать компоненты обработки аудио и изображений.
В отчёте также разобраны этапы обучения и ablation studies, показывающие вклад отдельных архитектурных решений.
Модель доступна с открытыми весами под Apache 2.0. Для разработчиков особенно интересны локальный RAG, поиск по репозиториям, мультимодальные базы знаний и приложения без передачи пользовательских данных в облако.
Исследование: https://arxiv.org/abs/2610.37364
Модель: https://huggingface.co/google/embeddinggemma-2
🔥15❤11👍8😁8🤔6🎉5💯5👏3
ИИ ускорил разработку новых моделей Anthropic почти вдвое
Исследовательская организация METR получила доступ к внутренним исследованиям Anthropic, включая результаты трёх ещё не выпущенных моделей, обученных с июля по октябрь 2026 года.
Ключевые цифры:
1,9 раза ускорился прогресс Anthropic на бенчмарках. За год компания прошла путь, на который раньше требовалось около двух лет.
80% ускорения, по предварительной оценке METR, связано с использованием ИИ в собственных исследованиях Anthropic.
12-кратное ускорение работы сообщили сотрудники компании при использовании самой мощной внутренней модели. Это субъективная оценка, а не подтверждённый прирост производительности.
Закрытая Model 4 набрала более 50% на всех 15 бенчмарках внутреннего индекса Anthropic.
METR отмечает, что такой прогресс нельзя объяснить одним лишь увеличением вычислительных мощностей.
Исследование: https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
Исследовательская организация METR получила доступ к внутренним исследованиям Anthropic, включая результаты трёх ещё не выпущенных моделей, обученных с июля по октябрь 2026 года.
Ключевые цифры:
1,9 раза ускорился прогресс Anthropic на бенчмарках. За год компания прошла путь, на который раньше требовалось около двух лет.
80% ускорения, по предварительной оценке METR, связано с использованием ИИ в собственных исследованиях Anthropic.
12-кратное ускорение работы сообщили сотрудники компании при использовании самой мощной внутренней модели. Это субъективная оценка, а не подтверждённый прирост производительности.
Закрытая Model 4 набрала более 50% на всех 15 бенчмарках внутреннего индекса Anthropic.
METR отмечает, что такой прогресс нельзя объяснить одним лишь увеличением вычислительных мощностей.
Исследование: https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/
❤17🤔12🔥10👍9😁9👏8💯5🎉4🤣1
This media is not supported in your browser
VIEW IN TELEGRAM
🤣44❤🔥5❤4👍4🔥2👏2🎉2
5 мощных нейросетей без встроенной цензуры, которые можно скачать бесплатно
На Hugging Face появились модифицированные версии известных LLM с ослабленными механизмами отказа. Никакой подписки и обязательного облачного API: веса доступны для самостоятельного запуска.
1. Qwen 3.8 27B - версия от Huihui AI с изменёнными весами для уменьшения количества отказов.
https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated
2. Google Gemma 4 31B - модификация Heretic в формате GGUF для локального инференса.
https://huggingface.co/llmfan46/gemma-4-31B-it-uncensored-heretic-GGUF
3. OpenAI GPT-OSS 120B - версия HauhauCS Aggressive с ослабленными ограничениями. Доступна в MXFP4 GGUF.
https://huggingface.co/HauhauCS/GPTOSS-120B-Uncensored-HauhauCS-Aggressive
4. DeepSeek V4.1 Flash - модифицированная версия большой MoE-модели, распространяемая в GGUF.
https://huggingface.co/huihui-ai/Huihui-DeepSeek-V4.1-Flash-1017-abliterated-GGUF
5. NVIDIA Nemotron 3.5 Bolt 74B - модель с ослабленным механизмом отказов и несколькими вариантами квантования.
https://huggingface.co/AtomicChat/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-Uncensored-GGUF
Как убирают ограничения? Часто используют *abliteration*: находят в активациях модели направления, связанные с отказами, и изменяют соответствующие веса. Это позволяет уменьшить число отказов без полноценного дообучения.
На Hugging Face появились модифицированные версии известных LLM с ослабленными механизмами отказа. Никакой подписки и обязательного облачного API: веса доступны для самостоятельного запуска.
1. Qwen 3.8 27B - версия от Huihui AI с изменёнными весами для уменьшения количества отказов.
https://huggingface.co/huihui-ai/Huihui-Qwen3.8-27B-abliterated
2. Google Gemma 4 31B - модификация Heretic в формате GGUF для локального инференса.
https://huggingface.co/llmfan46/gemma-4-31B-it-uncensored-heretic-GGUF
3. OpenAI GPT-OSS 120B - версия HauhauCS Aggressive с ослабленными ограничениями. Доступна в MXFP4 GGUF.
https://huggingface.co/HauhauCS/GPTOSS-120B-Uncensored-HauhauCS-Aggressive
4. DeepSeek V4.1 Flash - модифицированная версия большой MoE-модели, распространяемая в GGUF.
https://huggingface.co/huihui-ai/Huihui-DeepSeek-V4.1-Flash-1017-abliterated-GGUF
5. NVIDIA Nemotron 3.5 Bolt 74B - модель с ослабленным механизмом отказов и несколькими вариантами квантования.
https://huggingface.co/AtomicChat/NVIDIA-Nemotron-3.5-Bolt-74B-A9B-Uncensored-GGUF
Как убирают ограничения? Часто используют *abliteration*: находят в активациях модели направления, связанные с отказами, и изменяют соответствующие веса. Это позволяет уменьшить число отказов без полноценного дообучения.
❤11👍5😁3🔥2💯2🥰1👏1🤔1🎉1
Qwen 4 могут представить уже сегодня
Alibaba опубликовала тизер нового поколения Qwen. В прошлый раз после подобного намёка модель вышла всего через несколько часов.
Ранее технический директор Alibaba Cloud заявил, что Qwen 4 появится на следующей неделе.
Ожидаются четыре версии: Max, Plus, Flash и 27B.
От нового поколения ждут улучшений в программировании, сложных рассуждениях, работе ИИ-агентов и мультимодальности.
Предыдущая Qwen3.8-27B уже конкурирует с гораздо более крупными моделями на отдельных агентных бенчмарках.
Cможет ли Alibaba сократить отставание от флагманов DeepSeek и сохранить открытые веса?
https://x.com/Alibaba_Qwen/status/2118674834632978755
Alibaba опубликовала тизер нового поколения Qwen. В прошлый раз после подобного намёка модель вышла всего через несколько часов.
Ранее технический директор Alibaba Cloud заявил, что Qwen 4 появится на следующей неделе.
Ожидаются четыре версии: Max, Plus, Flash и 27B.
От нового поколения ждут улучшений в программировании, сложных рассуждениях, работе ИИ-агентов и мультимодальности.
Предыдущая Qwen3.8-27B уже конкурирует с гораздо более крупными моделями на отдельных агентных бенчмарках.
Cможет ли Alibaba сократить отставание от флагманов DeepSeek и сохранить открытые веса?
https://x.com/Alibaba_Qwen/status/2118674834632978755
🔥43❤11👍7🤔4👏2
Google научила обычные смарт-часы выявлять признаки гипертонии без измерения давления
Google Research представила ИИ-систему AI-PPG-ACC-HTN, которая определяет вероятность повышенного артериального давления по данным стандартных датчиков умных часов. Исследование опубликовано в Nature.
Модель использует два сигнала: PPG, оптические измерения пульсовой волны, и акселерометр, который улавливает микровибрации запястья, связанные с работой сердца.
Нейросеть обучали на 492 347 часах записей от 2109 участников. Затем проверили на 196 добровольцах, сравнивая результаты с суточным мониторингом давления.
Результаты:
90% специфичности и 65,8% чувствительности при первичном выявлении гипертонии.
90,9% специфичности и 78,4% чувствительности при подтверждающей проверке у участников с ранее выявленным повышенным давлением.
Интересна сама архитектура: одномерная CNN извлекает признаки из 15-секундных фрагментов сигналов, затем эмбеддинги усредняются за несколько дней и передаются в логистическую регрессию.
Модель не пытается предсказать точные значения 120/80. Она анализирует долговременные физиологические изменения, характерные для гипертонии.
Пока это исследовательская технология. Она не заменяет тонометр и медицинскую диагностику, но потенциально позволит обнаруживать повышенный риск с помощью часов, которые человек уже носит каждый день.
Исследование: https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/
Google Research представила ИИ-систему AI-PPG-ACC-HTN, которая определяет вероятность повышенного артериального давления по данным стандартных датчиков умных часов. Исследование опубликовано в Nature.
Модель использует два сигнала: PPG, оптические измерения пульсовой волны, и акселерометр, который улавливает микровибрации запястья, связанные с работой сердца.
Нейросеть обучали на 492 347 часах записей от 2109 участников. Затем проверили на 196 добровольцах, сравнивая результаты с суточным мониторингом давления.
Результаты:
90% специфичности и 65,8% чувствительности при первичном выявлении гипертонии.
90,9% специфичности и 78,4% чувствительности при подтверждающей проверке у участников с ранее выявленным повышенным давлением.
Интересна сама архитектура: одномерная CNN извлекает признаки из 15-секундных фрагментов сигналов, затем эмбеддинги усредняются за несколько дней и передаются в логистическую регрессию.
Модель не пытается предсказать точные значения 120/80. Она анализирует долговременные физиологические изменения, характерные для гипертонии.
Пока это исследовательская технология. Она не заменяет тонометр и медицинскую диагностику, но потенциально позволит обнаруживать повышенный риск с помощью часов, которые человек уже носит каждый день.
Исследование: https://research.google/blog/detecting-signs-of-hypertension-using-wearable-sensors/
👍17❤8🔥5
Кэт Ву, отвечавшая за развитие Claude Code и покинувшая Anthropic 4 ноября, переходит в OpenAI, где возглавит продуктовое управление направлением Core Products.
Глава разработки ChatGPT и Codex Тибо Сотьё уже публично поприветствовал новую коллегу фразой «CatGPT».
На новом месте Кэтрин планирует сосредоточиться на создании агентов, способных полностью забирать на себя рутинную работу, сохраняя при этом за разработчиками итоговый контроль.
Переход руководителей разного уровня между конкурентами подчеркивает продолжающуюся борьбу за кадры между ИИ-лабораториями - вместе с Катрин из Anthropic в стан OpenAI также ушёл менеджер по развитию Остин Лау.
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤19🤔9👍4🔥4