Агрегатор моделей открыл доступ для бесплатного тестирования стелс-модели под названием Crouton Alpha.
Она предлагает контекстное окно на 1 млн токенов, мультимодальность с поддержкой текста, изображений, аудио и видео, поддерживает сложные рассуждения и вызов внешних инструментов.
В Х сообщество предполагает, что это неанонсированная модель из семейства Muse.
Гипотеза строится на технических совпадениях- региональные ограничения и базовые параметры инференса Crouton Alpha практически идентичны настройкам API моделей Muse.
Главной уликой стал бенчмарк с редким японским словом - анонимная новинка допустила в ответе ту же специфическую ошибку, что и модели линейки Muse, тогда как 93 другие популярные LLM обработали этот промпт иначе.
Единственный факт, ставящий теорию под сомнение, заключается в том, что поведение алгоритмов токенизации Crouton Alpha не совпадает с существующими версиями Muse, поэтому истинное происхождение модели пока остается нераскрытым.
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤17👍5🔥5
Анализ данных (Data analysis)
Китайская разведка могла использовать близкую знакомую главы NVIDIA, чтобы шпионить за ним. Bloomberg и NYT раскрыли детали По данным The New York Times, американская разведка считает, что китайская исполнительница Alice Huang (Huang Le), руководитель компании…
Больше мемов
😁80❤10🔥2🤣1
Иногда очистка данных отнимает больше времени, чем сам анализ. Часть этой работы уже можно доверить LLM, но только если понимать, как всё настроить и проверить результат.
Все подходы покажут на AI Analytics Week — бесплатном онлайн-интенсиве Школы анализа данных Яндекса. С 23 по 27 ноября на реальных кейсах компании разберут, где ИИ-инструменты помогают в повседневной аналитике:
1. Автоматическая очистка данных с LLM
2. RAG-пайплайны и формирование контекста
3. Работа с тепловыми картами
4. Эксперименты с LLM: от расчёта выборки и стратификации до геоаналитики
Занятия — видео в предзаписи на YouTube и VK с возможностью задать вопрос. Интенсив рассчитан на тех, кто уже работает с SQL, Python и базовой статистикой и знает основы ML.
Подать заявку можно до 22 ноября включительно по ссылке.
Все подходы покажут на AI Analytics Week — бесплатном онлайн-интенсиве Школы анализа данных Яндекса. С 23 по 27 ноября на реальных кейсах компании разберут, где ИИ-инструменты помогают в повседневной аналитике:
1. Автоматическая очистка данных с LLM
2. RAG-пайплайны и формирование контекста
3. Работа с тепловыми картами
4. Эксперименты с LLM: от расчёта выборки и стратификации до геоаналитики
Занятия — видео в предзаписи на YouTube и VK с возможностью задать вопрос. Интенсив рассчитан на тех, кто уже работает с SQL, Python и базовой статистикой и знает основы ML.
Подать заявку можно до 22 ноября включительно по ссылке.
👍5❤3🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
Модель на 800 млн параметров обошла Qwen 9B и Gemma 4 в генерации Linux-команд
На Hugging Face появился
Что умеет:
Пишешь обычным языком: «Найди все большие файлы в текущей директории».
Модель возвращает одну Bash-команду в структурированном JSON с кратким объяснением.
Она также умеет отказываться от неподходящих запросов (`refuse`) и сообщать о неоднозначных (`unsure`).
Результаты на тесте из 471 задачи:
- dale-0.8B: 79,4%
- Qwen3.5-9B: 62,8%
- Gemma 4 E4B: 62,8%
- Qwen3.5-4B: 54,6%
- Qwen3.5-0.8B: 14,9%
По заявленным автором результатам, небольшая специализированная модель обошла значительно более крупные универсальные модели.
Технические характеристики:
- 0,8 млрд параметров.
- GGUF, квантование Q4_K_M.
- Размер файла: около 529 МБ.
- Запуск на CPU через llama.cpp.
- Медианная задержка: 1,72 секунды на ноутбуке 2020 года.
- Лицензия Apache 2.0.
Модель лежит в основе CLI-инструмента
Модель: https://huggingface.co/manuelgscom/dale-0.8b-GGUF
GitHub: https://github.com/manuelgscom/dale
@data_analysis_ml
На Hugging Face появился
dale-0.8b-GGUF - специализированная модель, которая превращает обычные текстовые запросы в команды Bash для Linux.Что умеет:
Пишешь обычным языком: «Найди все большие файлы в текущей директории».
Модель возвращает одну Bash-команду в структурированном JSON с кратким объяснением.
Она также умеет отказываться от неподходящих запросов (`refuse`) и сообщать о неоднозначных (`unsure`).
Результаты на тесте из 471 задачи:
- dale-0.8B: 79,4%
- Qwen3.5-9B: 62,8%
- Gemma 4 E4B: 62,8%
- Qwen3.5-4B: 54,6%
- Qwen3.5-0.8B: 14,9%
По заявленным автором результатам, небольшая специализированная модель обошла значительно более крупные универсальные модели.
Технические характеристики:
- 0,8 млрд параметров.
- GGUF, квантование Q4_K_M.
- Размер файла: около 529 МБ.
- Запуск на CPU через llama.cpp.
- Медианная задержка: 1,72 секунды на ноутбуке 2020 года.
- Лицензия Apache 2.0.
Модель лежит в основе CLI-инструмента
dale. Он может предлагать команды, запрашивать подтверждение перед выполнением и классифицировать опасные операции.Модель: https://huggingface.co/manuelgscom/dale-0.8b-GGUF
GitHub: https://github.com/manuelgscom/dale
@data_analysis_ml
👍17🔥8❤7😁1
Anthropic готовит политическую кампанию на $30 млн, чтобы сделать ИИ одной из главных тем выборов в США в 2028 году.
Связанная с Anthropic организация Public First Action планирует влиять на президентскую гонку, выборы в Конгресс, губернаторские кампании и выборы генеральных прокуроров и законодателей штатов.
В распоряжении организации и связанных с ней структур сейчас около $30 млн.
Цели на 2027 год:
- Добиться принятия федерального законодательства об ИИ без отмены полномочий штатов вводить собственные правила.
- Поддерживать кандидатов, выступающих за безопасность ИИ.
- Противодействовать политическим кампаниям технологических компаний.
В служебной записке организация также раскритиковала конкурирующий проиндустриальный суперкомитет Leading the Future, назвав его результаты на промежуточных выборах «провалом».
При этом Public First предупредила, что политическое влияние Big Tech в сфере ИИ ещё далеко не закончилось.
В документе прямо говорится о необходимости «противостоять, дискредитировать и в конечном итоге преодолеть» кампанию оппонентов, поддерживаемую технологической индустрией.
Источник: Semafor.
Связанная с Anthropic организация Public First Action планирует влиять на президентскую гонку, выборы в Конгресс, губернаторские кампании и выборы генеральных прокуроров и законодателей штатов.
В распоряжении организации и связанных с ней структур сейчас около $30 млн.
Цели на 2027 год:
- Добиться принятия федерального законодательства об ИИ без отмены полномочий штатов вводить собственные правила.
- Поддерживать кандидатов, выступающих за безопасность ИИ.
- Противодействовать политическим кампаниям технологических компаний.
В служебной записке организация также раскритиковала конкурирующий проиндустриальный суперкомитет Leading the Future, назвав его результаты на промежуточных выборах «провалом».
При этом Public First предупредила, что политическое влияние Big Tech в сфере ИИ ещё далеко не закончилось.
В документе прямо говорится о необходимости «противостоять, дискредитировать и в конечном итоге преодолеть» кампанию оппонентов, поддерживаемую технологической индустрией.
Источник: Semafor.
😐10👍6🔥5❤3🌭3💔1
Forwarded from Machinelearning
Anthropic представила Claude Fable 5.2 и Mythos 5.2: 1000 ИИ-агентов формализовали доказательство теоремы Ферма за 30 часов
Новые модели получили серьёзные улучшения в программировании, математике, научных исследованиях и кибербезопасности.
Что удалось сделать:
- Математика: 1000 агентов формализовали доказательство Великой теоремы Ферма на Lean за 30 часов. Предыдущей исследовательской версии Claude потребовалось 11 дней.
- Физика: Fable 5.2 решила две открытые задачи, связанные с физикой чёрных дыр.
- Электроника: спроектировала три работающих устройства с печатными платами, корпусами и программным обеспечением.
- Программирование: более 90% изменений, попадающих в основной код Anthropic, теперь пишутся Claude при участии людей.
- Кибербезопасность: Mythos 5.2 обнаруживает на 10,2% больше уязвимостей, чем Opus 5.5, по внутреннему тесту Anthropic.
Производительность и цена:
- До 30% быстрее предыдущего поколения.
- $8 за миллион входящих токенов.
- $40 за миллион исходящих токенов.
- Fast Mode: до 2,5 раза быстрее за $16/$80 за миллион токенов.
В чём разница?
Fable 5.2 и Mythos 5.2 используют одну базовую модель, но отличаются защитными механизмами.
Fable доступна широкому кругу пользователей. Mythos предназначена для проверенных организаций, работающих в кибербезопасности и биомедицинских исследованиях.
Claude Fable 5.2 уже доступна через Claude, API, AWS, Google Cloud и Microsoft Azure.
Официальный анонс: https://www.anthropic.com/claude-fable-and-mythos-5-2
Новые модели получили серьёзные улучшения в программировании, математике, научных исследованиях и кибербезопасности.
Что удалось сделать:
- Математика: 1000 агентов формализовали доказательство Великой теоремы Ферма на Lean за 30 часов. Предыдущей исследовательской версии Claude потребовалось 11 дней.
- Физика: Fable 5.2 решила две открытые задачи, связанные с физикой чёрных дыр.
- Электроника: спроектировала три работающих устройства с печатными платами, корпусами и программным обеспечением.
- Программирование: более 90% изменений, попадающих в основной код Anthropic, теперь пишутся Claude при участии людей.
- Кибербезопасность: Mythos 5.2 обнаруживает на 10,2% больше уязвимостей, чем Opus 5.5, по внутреннему тесту Anthropic.
Производительность и цена:
- До 30% быстрее предыдущего поколения.
- $8 за миллион входящих токенов.
- $40 за миллион исходящих токенов.
- Fast Mode: до 2,5 раза быстрее за $16/$80 за миллион токенов.
В чём разница?
Fable 5.2 и Mythos 5.2 используют одну базовую модель, но отличаются защитными механизмами.
Fable доступна широкому кругу пользователей. Mythos предназначена для проверенных организаций, работающих в кибербезопасности и биомедицинских исследованиях.
Claude Fable 5.2 уже доступна через Claude, API, AWS, Google Cloud и Microsoft Azure.
Официальный анонс: https://www.anthropic.com/claude-fable-and-mythos-5-2
❤15👍7🔥5
Anthropic объяснила, как правильно промптить Claude Fable 5.2. Старые инструкции могут мешать новой модели работать эффективно.
Anthropic опубликовала техническое руководство для разработчиков ИИ-агентов. В нём собраны особенности новой модели и рекомендации по настройке системных промптов.
Самое интересное:
1. Правильно выбирайте уровень reasoning
-
-
-
-
2. Не позволяйте агенту останавливаться раньше времени
Модель иногда завершает работу, перечислив оставшиеся задачи. Anthropic рекомендует явно прописывать в системном промпте требование доводить работу до конца.
3. Дайте модели право улучшать архитектуру
Инструкция
4. Контролируйте субагентов
Избыточная делегация увеличивает расходы. Нужно явно указывать, когда запуск дополнительных агентов оправдан.
5. Следите за системными инструкциями
Накопившиеся ограничения и запреты могут заставлять модель запрашивать лишние подтверждения и избегать обычных действий.
6. Не забывайте про прогресс
Claude может долго выполнять вызовы инструментов без обычных текстовых сообщений. Anthropic рекомендует использовать
Отдельно разобраны миграция с предыдущих моделей, сохранение контекста, обработка отказов и формирование итоговых отчётов.
Руководство: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-2
Anthropic опубликовала техническое руководство для разработчиков ИИ-агентов. В нём собраны особенности новой модели и рекомендации по настройке системных промптов.
Самое интересное:
1. Правильно выбирайте уровень reasoning
-
low - быстрые задачи и простые агенты.-
medium - повседневная разработка.-
high - сложный код и исследования.-
xhigh и max - наиболее сложные задачи, но с большим расходом токенов.2. Не позволяйте агенту останавливаться раньше времени
Модель иногда завершает работу, перечислив оставшиеся задачи. Anthropic рекомендует явно прописывать в системном промпте требование доводить работу до конца.
3. Дайте модели право улучшать архитектуру
Инструкция
This codebase is yours заметно повышает вероятность объединения дублирующегося кода. В экспериментах Anthropic это происходило примерно в половине случаев против менее 10% без инструкции.4. Контролируйте субагентов
Избыточная делегация увеличивает расходы. Нужно явно указывать, когда запуск дополнительных агентов оправдан.
5. Следите за системными инструкциями
Накопившиеся ограничения и запреты могут заставлять модель запрашивать лишние подтверждения и избегать обычных действий.
6. Не забывайте про прогресс
Claude может долго выполнять вызовы инструментов без обычных текстовых сообщений. Anthropic рекомендует использовать
thinking.display: "updates", чтобы показывать пользователю промежуточный прогресс.Отдельно разобраны миграция с предыдущих моделей, сохранение контекста, обработка отказов и формирование итоговых отчётов.
Руководство: https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-fable-5-2
Claude Platform Docs
Prompting Claude Fable 5.2
Prompting patterns specific to Claude Fable 5.2 and Claude Mythos 5.2: effort, early stopping, approvals, code ownership, progress updates, subagents, caution that builds up, instructions written for earlier models, final reports, and refusals.
👍19❤7🔥4💔2
Meituan выпустила веса LongCat-2.5: 1,6 трлн параметров и полностью китайские чипы 🔥
Meituan открыла веса новой модели LongCat-2.5.
Основные характеристики:
- 1,6 трлн параметров всего.
- 48 млрд активных параметров (A48B).
- Обучение полностью проведено на китайских отечественных чипах.
- MIT License - открытая лицензия.
Веса уже доступны на Hugging Face:
https://huggingface.co/meituan-longcat
Meituan открыла веса новой модели LongCat-2.5.
Основные характеристики:
- 1,6 трлн параметров всего.
- 48 млрд активных параметров (A48B).
- Обучение полностью проведено на китайских отечественных чипах.
- MIT License - открытая лицензия.
Веса уже доступны на Hugging Face:
https://huggingface.co/meituan-longcat
🔥14❤5🥰3
⚡️️️️️️️ Google снизила ошибки квантовых вычислений в 40 раз
Google Quantum AI впервые продемонстрировала технологию Magic State Cultivation на реальном квантовом процессоре Willow.
Magic States - специальные квантовые состояния, необходимые для выполнения универсальных квантовых вычислений. Их создание может занимать до 95% ресурсов будущего квантового компьютера.
Новый метод работает как фильтр: система многократно проверяет состояние и отбрасывает неудачные попытки, выращивая более точное состояние из исходного.
Результаты:
- В 40 раз меньше ошибок.
- 99,99% логической точности T-состояний.
- Успешно продемонстрирован перенос состояний между двумя типами кодов коррекции ошибок: Color Code и Surface Code.
Эксперимент проведён на процессоре Willow. Результаты опубликованы в журнале Science.
До практического применения ещё предстоит масштабировать технологию, но Google удалось перенести теоретическую разработку на реальное квантовое оборудование.
Исследование: https://blog.google/innovation-and-ai/models-and-research/quantum-computing/magic-state-cultivation-quantum-computing/
Google Quantum AI впервые продемонстрировала технологию Magic State Cultivation на реальном квантовом процессоре Willow.
Magic States - специальные квантовые состояния, необходимые для выполнения универсальных квантовых вычислений. Их создание может занимать до 95% ресурсов будущего квантового компьютера.
Новый метод работает как фильтр: система многократно проверяет состояние и отбрасывает неудачные попытки, выращивая более точное состояние из исходного.
Результаты:
- В 40 раз меньше ошибок.
- 99,99% логической точности T-состояний.
- Успешно продемонстрирован перенос состояний между двумя типами кодов коррекции ошибок: Color Code и Surface Code.
Эксперимент проведён на процессоре Willow. Результаты опубликованы в журнале Science.
До практического применения ещё предстоит масштабировать технологию, но Google удалось перенести теоретическую разработку на реальное квантовое оборудование.
Исследование: https://blog.google/innovation-and-ai/models-and-research/quantum-computing/magic-state-cultivation-quantum-computing/
❤9👍5🔥4🤣1😐1
NVIDIA ускорила Mamba-2 до 1,82 раза с помощью Python и CUDA Tile
NVIDIA и Jane Street оптимизировали вычисления Mamba-2, используя CUDA Tile (cuTile) - Python DSL для разработки высокопроизводительных GPU-ядер.
Результат: новые CUDA-ядра работают в 1,14-1,82 раза быстрее реализации на Triton. Причём преимущество растёт вместе с длиной последовательности и размером состояния.
Оптимизация затрагивает три операции:
- chunk_cumsum - вычисляет накопленные значения затухания внутри блоков.
- fwd_pass_state - обновляет скрытое состояние с использованием Tensor Cores.
- compute_out - объединяет несколько вычислений в одно ядро, сокращая обращения к глобальной памяти.
Тестирование проводили на NVIDIA B300 Blackwell Ultra с последовательностью из 16 384 токенов.
cuTile позволяет писать GPU-ядра на Python, а компилятор самостоятельно оптимизирует распределение вычислений и использование аппаратных возможностей GPU.
Mamba-2 использует рекуррентное состояние фиксированного размера вместо классического хранения всей истории внимания. Это делает эффективную реализацию особенно интересной для длинных последовательностей.
Есть оговорка: ускорение измеряли на уровне forward-pass ядер. Это не означает, что вся модель или полный цикл обучения стали быстрее в 1,82 раза.
Статья NVIDIA: https://developer.nvidia.com/blog/accelerating-mamba-2-with-high-performance-forward-pass-kernels-in-nvidia-cuda-tile/
Код и бенчмарки: https://github.com/KnowingNothing/TileGym
NVIDIA и Jane Street оптимизировали вычисления Mamba-2, используя CUDA Tile (cuTile) - Python DSL для разработки высокопроизводительных GPU-ядер.
Результат: новые CUDA-ядра работают в 1,14-1,82 раза быстрее реализации на Triton. Причём преимущество растёт вместе с длиной последовательности и размером состояния.
Оптимизация затрагивает три операции:
- chunk_cumsum - вычисляет накопленные значения затухания внутри блоков.
- fwd_pass_state - обновляет скрытое состояние с использованием Tensor Cores.
- compute_out - объединяет несколько вычислений в одно ядро, сокращая обращения к глобальной памяти.
Тестирование проводили на NVIDIA B300 Blackwell Ultra с последовательностью из 16 384 токенов.
cuTile позволяет писать GPU-ядра на Python, а компилятор самостоятельно оптимизирует распределение вычислений и использование аппаратных возможностей GPU.
Mamba-2 использует рекуррентное состояние фиксированного размера вместо классического хранения всей истории внимания. Это делает эффективную реализацию особенно интересной для длинных последовательностей.
Есть оговорка: ускорение измеряли на уровне forward-pass ядер. Это не означает, что вся модель или полный цикл обучения стали быстрее в 1,82 раза.
Статья NVIDIA: https://developer.nvidia.com/blog/accelerating-mamba-2-with-high-performance-forward-pass-kernels-in-nvidia-cuda-tile/
Код и бенчмарки: https://github.com/KnowingNothing/TileGym
👍3🔥2🥰2