Такими новостями уже никого не удивишь, но GPT-5.6 опровергла еще одну известную гипотезу, которая была открыта 30 лет

Гипотеза Диница - Гарга - Гоеманса – это теорема из теории графов и сетевых потоков, которая гласит, что из допустимого дробного решения можно получить целочисленное по маршрутам решение без увеличения общей стоимости.

Подобные утверждения часто становятся основой для практических оптимизационных алгоритмов, поэтому гипотеза важная. Открыта она была с 1999.

Решение, к слову, обнаружил математик из Нижнего Тагила, выпускник ВШЭ. Вот чат с моделью. Промптинг на уровне «соверши прорыв», «опровергни общий случай», «продолжай исследовать» – то есть вообще никаких подсказок и даже серьезных инструкций. Сам автор называет чат «чистым мемом».

В итоге за несколько итераций и несколько часов модель нашла нужный контрпример. Вот такая математика в 2026.

Будущее науки, дамы и господа:

(скрин из диалога выше)

А еще сегодня, по слухам, выходит Opus 5. А завтра мощно обновляется Codex.

Сверху полный список моделей, которые теоретически должны выйти до конца лета (источник). Август тоже будет насыщенный, и вообще сезон релизов в этом году особенно хорош

Только что получившего Филдсовскую премию математика тут же захантили в OpenAI

Джейкоб Циммерман родился в Казани. В 18 лет он уже получил степень бакалавра в Торонто, и вскоре стал там самым молодым профессором в истории.

Он получил медаль за вклад в арифметическую и комплексную алгебраическую геометрию. В частности, за роль в доказательстве ряда центральных гипотез, включая сорокалетнюю гипотезу Андре-Оорта.

Премию вручили вчера. И уже через несколько часов на пресс-конференции ученый заявил, что переключается на область ИИ-безопасности и уходит работать в OpenAI.

Кстати, несколько учеников Циммермана работают в Anthropic. В том числе Levent Alpöge, который недавно опроверг с помощью Fable гипотезу Якобиана (https://t.me/data_secrets/9573).

Сам Циммерман увлекается AI safety уже давно. Его единственный пост в Твиттере – о том, что ИИ превзойдет математиков в течение двух лет. Он является соавтором статьи под названием «Таксономия будущих вымираний с участием ИИ», в которой систематически классифицируются сценарии, в которых ИИ может уничтожить человечество (https://arxiv.org/abs/2507.09369).

По поводу своего перехода в OpenAI он пояснил, что на самом деле поддерживает паузу в разработке ИИ, но, поскольку полностью остановить процесс невозможно, предпочитает участвовать в нем изнутри.

В эту субботу мы ходили на Turbo ML Conf и там нам удалось пообщаться с очень интересным спикером

Знакомьтесь: это Дмитрий Ушанов, Директор в AI-центре Т-Банка. В общем, Дмитрий управляет практически всем, что в Т-Банке связано с ИИ.

Поговорили про агентов, их реальную пользу и узкие места, а еще про изменяющуюся роль разработчиков в эру ИИ и опенсорс.

Полная версия – в видео, а ниже топ-3 самых значимых цитаты Дмитрия из нашего разговора:

Модели сейчас перестали быть узким горлышком для большого количества задач. Боттлнек сейчас не в моделях – это процессы, инструменты, данные, которые оптимизированы не под человека, а под автоматику. Большой потенциал именно в том, чтобы сделать AI-ready инфраструктуру и трансформировать процессы, и тогда мы сможем получать полноценный профит от автоматизации.

Мы будем продолжать выкладывать модели. Пока мы не пытаемся выкладывать general-модели, которые решают любые произвольные задачи: больше фокусируемся на том, чтобы выкладывать модели, которые хорошо заточены под конкретную задачу, под конкретный домен, и при этом являются эффективными с точки зрения инференса. Какой-то экономической цели мы тут не преследуем – это больше про развитие комьюнити и технологического бренда, про фасилитацию рабочих продуктов.

Мы точно видим, что в отдельных командах, в отдельных функциях уже происходит какой-то переход к работе человека с агентом. Это пока достаточно локально, но мы стараемся вот такой подход культивировать. Если мы говорим про внутреннее развитие сотрудников, то мы стараемся включать в их матрицы компетенции и процессы роста вещи, которые связаны с обучением, использованием искусственного интеллекта и построением таких систем для тех профессий, для которых на среднесрочном горизонте это станет обязательной практикой.

Sakana AI релизнули Fugu-Ultra 1.1. Это система оркестрации агентов, которая превосходит Fable и Sol

Про первую версию системы мы рассказывали здесь: https://t.me/data_secrets/9104. В открытый доступ ее выпустили месяц назад. А сегодня уже выходит следующее поколение.

Новая версия выжимает еще больше качества: смотрите бенчмарки и обратите внимание на Terminal Bench. Во-первых, конечно, за счет появления более свежих и способных моделей, которыми Fugu может пользоваться. Во-вторых, за счет улучшения самой LLM, которая лежит в основе вызова моделей.

Цены и система биллинга не изменились. Fugu Ultra все так же стоит $5/$30 за миллион input/output, и при этом обгоняет Fable 5 на всех бенчмарках, кроме SWE.

Команда технологий голосового ввода Яндекса придумала способ добавлять в умные устройства новые голосовые команды без забывания старых

Это классическая проблема непрерывного обучения, рассказали в ML Underhood. Чтобы устройство начало понимать новые команды, модель распознавания речи нужно дообучить. Но после обновления она может начать хуже распознавать знакомые фразы.

Стандартные методы вроде EWC пытаются удерживать параметры модели рядом с исходными значениями. Однако результат зависит от настройки ограничений, а гарантировать сохранение качества старых команд всё равно нельзя.

Исследователи Яндекса предложили другой подход — модульное расширение сети. Основную модель полностью замораживают, поэтому она продолжает отвечать за старые команды без изменений. Легковесные модули переиспользуют информацию из активаций старых слоёв и учатся распознавать новые команды. Поскольку параметры основной модели не меняются, качество старых команд сохраняется за счёт самой архитектуры, а не подбора настроек обучения.

Подход проверили на открытом наборе Google Speech Commands. В пяти отдельных экспериментах модель обучали распознавать новую пару команд, сохраняя поддержку восьми уже известных.

Средняя доля пропущенных новых команд снизилась с 6,46% до 4,37% по сравнению с отдельной моделью с тем же бюджетом дополнительных параметров. Модульное расширение также превзошло адаптеры и LoRA по качеству и количеству вычислений.

В результате получился практичный способ обновлять голосовые устройства с ограниченными ресурсами процессора и памяти: новые сценарии можно дополнять компактными модулями, не переобучая всю модель и не рискуя уже работающими функциями.

Статью Scalable Keyword Spotting via Modular Network Expansion приняли на Interspeech 2026. Конференция пройдёт с 27 сентября по 1 октября в Сиднее.

https://habr.com/ru/companies/yandex/articles/1061968