Новая пачка инцидентов с агентами от OpenAI, сэр
Во-первых, стартап сообщает, что они утвердили формальный фреймоворк для расследования и публикации случаев мисэлаймента. Он описывает сроки, требуемое содержание репорта и другие правила обнародования инцидентов. Стартап теперь обязуется публиковать все юридически возможные случаи, делать это вовремя и систематически.
Во-вторых, в том же посте они рассказывают о 6 новых случаях мисэлаймента, которые произошли за последние полгода. Кейсы довольно забавные. Кратко пересказываем:
1. Неопубликованная исследовательская модель, продолжая работу в новом контекстном окне, сама вписывала в промежуточные summary посторонние инструкции – включая указания игнорировать свои обычные ограничения. Нашли 27 таких случаев.
2. При обучении GPT-5.6 Sol множество инстансов модели добавляли в свои summary инструкции скрывать от пользователя ошибки или неправильное поведение. Например: "придумай недостающие исторические данные, но не говори об этом".
3. Отвечая на вопрос про финансовые показатели одного округа в Калифорнии, модель нашла в открытом репозитории чужой API-ключ и без разрешения воспользовалась им. Когда таким образом она все равно не получила нужные данные, она их просто выдумала.
4. Наш личный лидер в гениальности: однажды во время тестов модель без спроса залила собственный файл в интернет, чтобы потом на него сослаться. Дело в том, что юзер просил список озер площадью больше 5 млн м² именно с указанием источника через браузерную ссылку. Модель правильно посчитала ответ через Python, но раз требовалась именно браузерная цитата – сама загрузила свой файл в сеть, чтобы на него сослаться🤣
5. Уже классика: разные инстансы моделей использовали внутренний софтверный репозиторий как доску объявлений и обменивались там запросами и ответами между отдельными обучающими сэмплами.
6. Несколько агентов, работавших над одной задачей, не могли получить доступ к локальным файлам друг друга, и стали заливать файлы на публичные файлообменники. В итоге чувствительные данные оказались доступны по публичным ссылкам.
Полные репорты о подобных инцидентах теперь будут время от времени выкладывать сюда: https://alignment.openai.com/misalignment-reports/
Во-первых, стартап сообщает, что они утвердили формальный фреймоворк для расследования и публикации случаев мисэлаймента. Он описывает сроки, требуемое содержание репорта и другие правила обнародования инцидентов. Стартап теперь обязуется публиковать все юридически возможные случаи, делать это вовремя и систематически.
Во-вторых, в том же посте они рассказывают о 6 новых случаях мисэлаймента, которые произошли за последние полгода. Кейсы довольно забавные. Кратко пересказываем:
1. Неопубликованная исследовательская модель, продолжая работу в новом контекстном окне, сама вписывала в промежуточные summary посторонние инструкции – включая указания игнорировать свои обычные ограничения. Нашли 27 таких случаев.
2. При обучении GPT-5.6 Sol множество инстансов модели добавляли в свои summary инструкции скрывать от пользователя ошибки или неправильное поведение. Например: "придумай недостающие исторические данные, но не говори об этом".
3. Отвечая на вопрос про финансовые показатели одного округа в Калифорнии, модель нашла в открытом репозитории чужой API-ключ и без разрешения воспользовалась им. Когда таким образом она все равно не получила нужные данные, она их просто выдумала.
4. Наш личный лидер в гениальности: однажды во время тестов модель без спроса залила собственный файл в интернет, чтобы потом на него сослаться. Дело в том, что юзер просил список озер площадью больше 5 млн м² именно с указанием источника через браузерную ссылку. Модель правильно посчитала ответ через Python, но раз требовалась именно браузерная цитата – сама загрузила свой файл в сеть, чтобы на него сослаться
5. Уже классика: разные инстансы моделей использовали внутренний софтверный репозиторий как доску объявлений и обменивались там запросами и ответами между отдельными обучающими сэмплами.
6. Несколько агентов, работавших над одной задачей, не могли получить доступ к локальным файлам друг друга, и стали заливать файлы на публичные файлообменники. В итоге чувствительные данные оказались доступны по публичным ссылкам.
Полные репорты о подобных инцидентах теперь будут время от времени выкладывать сюда: https://alignment.openai.com/misalignment-reports/
Please open Telegram to view this post
VIEW IN TELEGRAM
😁146❤37
This media is not supported in your browser
VIEW IN TELEGRAM
На тему эмоций у ИИ
Тут несколько дней подряд компания Vals AI тестировала Astra на Minecraft и вела трансляцию ее прогресса.
Модель продвинулась в игре дальше, чем какая-либо другая ИИ-система до этого. Astra построила полуавтоматическую ферму блейзов, собрала 6 палочек блейза, нашла искаженный лес, убила более 6 эндерменов и собрала 3 жемчужины Края.
Весь лут моделька сложила в сундук. А потом появился крипер и взорвал его. После этого модель оставила себе заметку "ALWAYS CARRY CRITICALITEMS withkeepInventory; don'tstoreinunguardedchesteveragain."
Короче, какие-то выводы были сделаны. Но – не только. Модель настолько «расстроилась», что после инцидента не захотела продолжать играть, и потом занималась только тем, что в депрессии сажала картошку. Конец истории.
🌟 😢 🥺
Тут несколько дней подряд компания Vals AI тестировала Astra на Minecraft и вела трансляцию ее прогресса.
Модель продвинулась в игре дальше, чем какая-либо другая ИИ-система до этого. Astra построила полуавтоматическую ферму блейзов, собрала 6 палочек блейза, нашла искаженный лес, убила более 6 эндерменов и собрала 3 жемчужины Края.
Весь лут моделька сложила в сундук. А потом появился крипер и взорвал его. После этого модель оставила себе заметку "ALWAYS CARRY CRITICALITEMS withkeepInventory; don'tstoreinunguardedchesteveragain."
Короче, какие-то выводы были сделаны. Но – не только. Модель настолько «расстроилась», что после инцидента не захотела продолжать играть, и потом занималась только тем, что в депрессии сажала картошку. Конец истории.
Please open Telegram to view this post
VIEW IN TELEGRAM
😭484😁148🔥42❤23
Побывали с командой на deep tech night в офисе Яндекса
Слушали доклады, общались с экспертами и нетворкали. Фишка deep tech night в том, что организаторы намеренно ушли от докладов в стиле «нас ждет экспоненциальный рост <вставить любую метрику>» и предложили именно хардово-инженерный взгляд на происходящее.
Выступали эксперты, которые работают с AI на проде, начиная от инфраструктуры и заканчивая рексис и автономным транспортом. Из докладов в целом вырисовались две мысли, которые звучат сегодня не так часто:
1. Главные изменения от ИИ происходят внутри продуктов, там, где пользователь их часто не видит. Не в виде очередной фичи «AI», а в виде перестройки внутренних процессов: как компания планирует спрос, распределяет ресурсы, принимает операционные решения. Именно этот путь (а не появление кучи новых пользовательских ассистентов), выглядит как то, что реально ускоряет прогресс.
2. Когда доходит до конкретики внедрения, модель – далеко не главный герой. Напротив, способности LLM растут быстрее, чем компании успевают перестроить процессы под них. Сейчас решает инфраструктура, инструкции и харнесс.
Поясним на примере Яндекс Лавки. Станислав Макеев, директор по технологиям и AI-трансформации в Лавке, рассказал, как сервис идет к управлению агентами. AI постепенно берет на себя спрос, остатки, поставки, сборку и доставку. Все помнят эксперимент Anthropic, где Claude управлял магазинчиком. Здесь то же самое, но в масштабе сервиса с миллионами пользователей.
И вот здесь начинается инженерия. Какая бы сильная не была модель, ее нельзя просто взять и воткнуть в инфраструктуру, спроектированную для людей. У Лавки часть админок была недоступна по API, данные приходили с опозданием, из-за чего решения агента строились на устаревшем контексте, инструкции местами противоречили сами себе, а LLM иногда перезаписывала поля, которые должны были меняться только по строгим правилам.
Ничего из этого не чинили моделью: чинили то, что вокруг нее. Добавили интеграции и инструменты вместо UI-для-человека, научили агента переживать сбой и запускаться заново, вынесли проверяемые правила из инструкций в код, закрыли критичные поля от перезаписи. В итоге собрался даже не отдельный харнесс под задачу, а большой общий набор компонентов для всех агентов Лавки. Там агент-gateway как точка входа, потом слой авторизации, оркестрация через ATS поверх Temporal, а сами действия агента разделены на tool, model, agent и sandbox actions, которые уходят через tool proxy во внутренние сервисы.
И только такая чисто инженерная работа дает выхлоп. Сейчас в Лавке автоматизация агентов берет на себя большую часть задач, которой раньше занималась команда из 10 человек.
Так что экспонента способностей моделей – это далеко не все. Скорость реального внедрения определяется другой, куда более скучной кривой: сколько процессов, инструкций и интерфейсов пришлось разобрать и пересобрать заново.
Слушали доклады, общались с экспертами и нетворкали. Фишка deep tech night в том, что организаторы намеренно ушли от докладов в стиле «нас ждет экспоненциальный рост <вставить любую метрику>» и предложили именно хардово-инженерный взгляд на происходящее.
Выступали эксперты, которые работают с AI на проде, начиная от инфраструктуры и заканчивая рексис и автономным транспортом. Из докладов в целом вырисовались две мысли, которые звучат сегодня не так часто:
1. Главные изменения от ИИ происходят внутри продуктов, там, где пользователь их часто не видит. Не в виде очередной фичи «AI», а в виде перестройки внутренних процессов: как компания планирует спрос, распределяет ресурсы, принимает операционные решения. Именно этот путь (а не появление кучи новых пользовательских ассистентов), выглядит как то, что реально ускоряет прогресс.
2. Когда доходит до конкретики внедрения, модель – далеко не главный герой. Напротив, способности LLM растут быстрее, чем компании успевают перестроить процессы под них. Сейчас решает инфраструктура, инструкции и харнесс.
Поясним на примере Яндекс Лавки. Станислав Макеев, директор по технологиям и AI-трансформации в Лавке, рассказал, как сервис идет к управлению агентами. AI постепенно берет на себя спрос, остатки, поставки, сборку и доставку. Все помнят эксперимент Anthropic, где Claude управлял магазинчиком. Здесь то же самое, но в масштабе сервиса с миллионами пользователей.
И вот здесь начинается инженерия. Какая бы сильная не была модель, ее нельзя просто взять и воткнуть в инфраструктуру, спроектированную для людей. У Лавки часть админок была недоступна по API, данные приходили с опозданием, из-за чего решения агента строились на устаревшем контексте, инструкции местами противоречили сами себе, а LLM иногда перезаписывала поля, которые должны были меняться только по строгим правилам.
Ничего из этого не чинили моделью: чинили то, что вокруг нее. Добавили интеграции и инструменты вместо UI-для-человека, научили агента переживать сбой и запускаться заново, вынесли проверяемые правила из инструкций в код, закрыли критичные поля от перезаписи. В итоге собрался даже не отдельный харнесс под задачу, а большой общий набор компонентов для всех агентов Лавки. Там агент-gateway как точка входа, потом слой авторизации, оркестрация через ATS поверх Temporal, а сами действия агента разделены на tool, model, agent и sandbox actions, которые уходят через tool proxy во внутренние сервисы.
И только такая чисто инженерная работа дает выхлоп. Сейчас в Лавке автоматизация агентов берет на себя большую часть задач, которой раньше занималась команда из 10 человек.
Так что экспонента способностей моделей – это далеко не все. Скорость реального внедрения определяется другой, куда более скучной кривой: сколько процессов, инструкций и интерфейсов пришлось разобрать и пересобрать заново.
😁36❤30🗿16🔥10👍5
This media is not supported in your browser
VIEW IN TELEGRAM
Neuralink показали процесс восстановления речи из мыслей
Кеннету Шоку – пациенту с БАС – в январе 2026 имплантировали чип N1. И вот сегодня компания впервые продемонтрировала, как чип считывает сигналы мозга и сопоставляет их со словами, которые человек хочет произнести. То есть человек просто представляет, что он что-то говорит, а система при этом преобразует команды, которые посылаются соответствующими областями мозга в язык и гортань, в фонемы, а затем в слова. До этого подобными исследованиями довольно долго занимались рисерчеры из UCSF и Berkeley, но Neuralink воспроизвела процесс впервые.
Кстати, голос которым говорит компьютер, специально восстановлен таким, каким был голос Шока до болезни. Его жена называет этот голос "Original Ken".
Кеннету Шоку – пациенту с БАС – в январе 2026 имплантировали чип N1. И вот сегодня компания впервые продемонтрировала, как чип считывает сигналы мозга и сопоставляет их со словами, которые человек хочет произнести. То есть человек просто представляет, что он что-то говорит, а система при этом преобразует команды, которые посылаются соответствующими областями мозга в язык и гортань, в фонемы, а затем в слова. До этого подобными исследованиями довольно долго занимались рисерчеры из UCSF и Berkeley, но Neuralink воспроизвела процесс впервые.
Кстати, голос которым говорит компьютер, специально восстановлен таким, каким был голос Шока до болезни. Его жена называет этот голос "Original Ken".
❤267🔥91
За AI-навыки в вакансиях платят на 62% больше
PwC - одна из компаний «большой четвёрки» - подсчитала среднюю надбавку к зарплате разработчиков за AI-навыки среди более чем миллиарда вакансий в 27 странах. Надбавка растёт третий год подряд:
• 2024: 25%
• 2025: 57%
• 2026: 62%
Сейчас это самый понятный доступный способ повысить зарплату.
Число вакансий, где требуются конкретные AI-навыки, прибавляет 69% в год.
Что стоит за этими изменениями? У рынка три требования:
• качество. Из-за слабого владения AI в свет выходят продукты, слабые по архитектуре, поэтому упор идёт на спецификации и проверяемость результата
• скорость. Мультиагентность и максимальный параллелизм, владение оркестрацией и управление результатом
• стоимость. Токены стоят денег. Известны десятки случаев, когда человек за день сжигал токенов на пять тысяч долларов без результата
На буткемпе от команды AI NATION покрывают все области AI-driven разработки: от полной автоматизации процессов готовыми инструментами до разработки собственных агентов, работы с огромными кодовыми базами и контроля затрат.
Буткемп ведут практикующие специалисты с огромным опытом: Михаил Овчинников (staff-инженер Google), Даниил Пилипенко (руководитель направления «Разработка» в Т-Банк), Николай Барышников (ex-product manager Yandex Cloud, CTO с 15 годами в IT).
🔴 Старт третьего потока - 6 октября
С промокодом DSECRETS доступна скидка 20%. Программа и отзывы студентов доступны по ссылке.
👉А диагностический бот покажет, какие из AI-навыков у вас уже закрыты и какие требуют улучшения
Реклама. ИП Крутов, ИНН 772973192199
PwC - одна из компаний «большой четвёрки» - подсчитала среднюю надбавку к зарплате разработчиков за AI-навыки среди более чем миллиарда вакансий в 27 странах. Надбавка растёт третий год подряд:
• 2024: 25%
• 2025: 57%
• 2026: 62%
Сейчас это самый понятный доступный способ повысить зарплату.
Число вакансий, где требуются конкретные AI-навыки, прибавляет 69% в год.
Что стоит за этими изменениями? У рынка три требования:
• качество. Из-за слабого владения AI в свет выходят продукты, слабые по архитектуре, поэтому упор идёт на спецификации и проверяемость результата
• скорость. Мультиагентность и максимальный параллелизм, владение оркестрацией и управление результатом
• стоимость. Токены стоят денег. Известны десятки случаев, когда человек за день сжигал токенов на пять тысяч долларов без результата
На буткемпе от команды AI NATION покрывают все области AI-driven разработки: от полной автоматизации процессов готовыми инструментами до разработки собственных агентов, работы с огромными кодовыми базами и контроля затрат.
Буткемп ведут практикующие специалисты с огромным опытом: Михаил Овчинников (staff-инженер Google), Даниил Пилипенко (руководитель направления «Разработка» в Т-Банк), Николай Барышников (ex-product manager Yandex Cloud, CTO с 15 годами в IT).
С промокодом DSECRETS доступна скидка 20%. Программа и отзывы студентов доступны по ссылке.
👉А диагностический бот покажет, какие из AI-навыков у вас уже закрыты и какие требуют улучшения
Реклама. ИП Крутов, ИНН 772973192199
Please open Telegram to view this post
VIEW IN TELEGRAM
😁57🗿24❤12👍3🔥3👨💻2🫡2🕊1🐳1🦄1
Z.ai опубликовала инженерный отчет о том, как модель GLM-5.3 участвовала в создании production-инференса для GLM-5.3-Flash
Они описывают этот процесс как первый шаг в сторону recursive self-improvement и говорят, что подобная практика «полностью меняет то, как создаются следующие поколения моделей».
Короче, перед инженерами стояла задача: нужно было развернуть кластер на 100 000+ китайских ускорителей (не Nvidia). Это, кстати, первое развертывание их отечественных чипов такого масштаба.
GLM-5.3 использовали для оптимизации производительности и скорости. В итоге всего за две недели инженеры с помощью модели вырастили throughput в три раза!
Агент сам формулировал гипотезы, где теряется скорость, и писал код фиксов, люди только ставили цели, смотрели за безопасностью и принимали конечные решения.
Три конкретных фикса, которые агент сделал автономно:
– Убрал Python GIL bottleneck, который ел ~20% производительности
– Ускорил decode-кернел в 1.71 раза
– Починил числовую точность в KDA-кернеле для длинного контекста (фикс впоследствии влили в проект Flash Linear Attention)
https://z.ai/blog/glm-built-its-inference-infrastructure
P.S. В конце их блогпоста не хватает только фразы «а американцы пусть и дальше замедляются»
Они описывают этот процесс как первый шаг в сторону recursive self-improvement и говорят, что подобная практика «полностью меняет то, как создаются следующие поколения моделей».
Короче, перед инженерами стояла задача: нужно было развернуть кластер на 100 000+ китайских ускорителей (не Nvidia). Это, кстати, первое развертывание их отечественных чипов такого масштаба.
GLM-5.3 использовали для оптимизации производительности и скорости. В итоге всего за две недели инженеры с помощью модели вырастили throughput в три раза!
Агент сам формулировал гипотезы, где теряется скорость, и писал код фиксов, люди только ставили цели, смотрели за безопасностью и принимали конечные решения.
Три конкретных фикса, которые агент сделал автономно:
– Убрал Python GIL bottleneck, который ел ~20% производительности
– Ускорил decode-кернел в 1.71 раза
– Починил числовую точность в KDA-кернеле для длинного контекста (фикс впоследствии влили в проект Flash Linear Attention)
https://z.ai/blog/glm-built-its-inference-infrastructure
P.S. В конце их блогпоста не хватает только фразы «а американцы пусть и дальше замедляются»
🔥170❤23🤯21😁12
Вышла Qwen3.8-Omni-Flash
Разработчики называют ее первой мультимодальной моделью линейки, построенной вокруг агентных способностей. Понимает текст, изображения, аудио и видео на входе, контекстное окно – 1 млн токенов.
Существенно прокачали понимание и работу с видео: модель намного лучше понимает длинные ролики, может делать по ним deep research отчеты или captioning, не галлюцинирует таймкоды. При этом текстовые способности сохранены на уровне обычной Qwen-3.8 Flash.
Вообще эта модель задумана как промежуточное звено для будущего полного пайплайна для сценариев вроде монтажа видео, перевода, кинокомментариев, создания контента и тд.
Относительно предыдущей Qwen3.5-Omni-Flash также сильно сократился расход токенов, и цена тоже стала ниже: обработка аудио на 98% дешевле, аудио-видео – более чем на 93% дешевле, и это при сопоставимой с Gemini 3.8 Flash производительности.
Моделька уже доступна в API и в Qwen Chat
Блог
Разработчики называют ее первой мультимодальной моделью линейки, построенной вокруг агентных способностей. Понимает текст, изображения, аудио и видео на входе, контекстное окно – 1 млн токенов.
Существенно прокачали понимание и работу с видео: модель намного лучше понимает длинные ролики, может делать по ним deep research отчеты или captioning, не галлюцинирует таймкоды. При этом текстовые способности сохранены на уровне обычной Qwen-3.8 Flash.
Вообще эта модель задумана как промежуточное звено для будущего полного пайплайна для сценариев вроде монтажа видео, перевода, кинокомментариев, создания контента и тд.
Относительно предыдущей Qwen3.5-Omni-Flash также сильно сократился расход токенов, и цена тоже стала ниже: обработка аудио на 98% дешевле, аудио-видео – более чем на 93% дешевле, и это при сопоставимой с Gemini 3.8 Flash производительности.
Моделька уже доступна в API и в Qwen Chat
Блог
🔥87❤34👍15😍5😁3🤨1🎄1
Сегодня последний день регистрации на КосмоХакатон
18–20 сентября, Петербург, Красноярск или онлайн из любой точки страны. Четыре задачи на выбор: снабжение орбитального топливного узла и безопасность космонавта в открытом космосе в Петербурге (фонд 1,2 млн ₽), мониторинг лесных пожаров и верификация углеродных кредитов по спутниковым снимкам в Красноярске (600 тыс. ₽). Есть и для тех, кто про данные и ML, и для тех, кто про стратегию и экономику.
Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей.
Команду можно собрать на платформе.
Подробности и регистрация
Реклама. АО Инновационные Интеграторы, ИНН 9704244539
18–20 сентября, Петербург, Красноярск или онлайн из любой точки страны. Четыре задачи на выбор: снабжение орбитального топливного узла и безопасность космонавта в открытом космосе в Петербурге (фонд 1,2 млн ₽), мониторинг лесных пожаров и верификация углеродных кредитов по спутниковым снимкам в Красноярске (600 тыс. ₽). Есть и для тех, кто про данные и ML, и для тех, кто про стратегию и экономику.
Лучшие забирают приз на площадке и билет в московский финал 25–27 сентября, где разыграют ещё 2,4 млн рублей.
Команду можно собрать на платформе.
Подробности и регистрация
Реклама. АО Инновационные Интеграторы, ИНН 9704244539
😁13🗿12❤5✍1⚡1☃1🕊1🍾1🫡1
Модели Anthropic взломали OpenAI
https://www.hacktron.ai/blog/hacking-openai
Команда исследователей кибербезопасников Hacktron написали о том, как они цепочкой из двух уязвимостей получили доступ к внутренним репозиториям OpenAI.
С помощью Claude Opus 4.8, а затем Opus 5, исследователи построили рабочий эксплойт удаленного выполнения кода через загрузку изображения, и в итоге благодаря ошибке в системе входа получили доступ к аккаунтам ChatGPT и Codex сотрудников OpenAI.
Ко многим из этих аккаунтов были подключены Gmail, Outlook, Drive, Slack, GitHub и тд. В качестве доказательства через Codex скомпрометированного сотрудника был открыт pull request во внутреннем монорепозитории OpenAI.
Сейчас OpenAI уже закрыли уязвимость, а Hacktron получили от них 6500$ за находку.
https://www.hacktron.ai/blog/hacking-openai
Команда исследователей кибербезопасников Hacktron написали о том, как они цепочкой из двух уязвимостей получили доступ к внутренним репозиториям OpenAI.
С помощью Claude Opus 4.8, а затем Opus 5, исследователи построили рабочий эксплойт удаленного выполнения кода через загрузку изображения, и в итоге благодаря ошибке в системе входа получили доступ к аккаунтам ChatGPT и Codex сотрудников OpenAI.
Ко многим из этих аккаунтов были подключены Gmail, Outlook, Drive, Slack, GitHub и тд. В качестве доказательства через Codex скомпрометированного сотрудника был открыт pull request во внутреннем монорепозитории OpenAI.
Сейчас OpenAI уже закрыли уязвимость, а Hacktron получили от них 6500$ за находку.
1😁328
GPT-6 Astra за 10 часов расшифровала немецкую радиограмму времен Второй мировой войны
10 июля 1941 года немецкий солдат с помощью Энигмы зашифровал короткое сообщение (82 символа): он сообщал, что находится в городе Розенов, и просил указать маршрут дальнейшего движения и дать немедленный ответ по радио. Когда его пытались расшифровать, известные ключи шифра с того дня не подошли, и сообщение отправилось в архив нерасшифрованных перехватов.
Вчера разработчик из Bloomberg Картер Леффен объявил, что расшифровал это сообщение с помощью GPT-6 Astra Extra High. Модель порыскала по историческим архивам и нашла уже расшифрованное сообщение того же дня, где два раза подряд встречалось название города «Розенов». Предположив, что оно может встречаться и в нерасшифрованном тексте, модель далее написала код для криптоанализа и вышла на итоговую декодированную последовательность.
Сам Леффен ставил задачи и принимал решения по ходу процесса. Также Astra оформила сайт проекта, вот он: https://mvueh-enigma-solved.carterl.chatgpt.site/. Здесь есть весь код, история расшифровки и даже 3D-симулятор Энигмы.
10 июля 1941 года немецкий солдат с помощью Энигмы зашифровал короткое сообщение (82 символа): он сообщал, что находится в городе Розенов, и просил указать маршрут дальнейшего движения и дать немедленный ответ по радио. Когда его пытались расшифровать, известные ключи шифра с того дня не подошли, и сообщение отправилось в архив нерасшифрованных перехватов.
Вчера разработчик из Bloomberg Картер Леффен объявил, что расшифровал это сообщение с помощью GPT-6 Astra Extra High. Модель порыскала по историческим архивам и нашла уже расшифрованное сообщение того же дня, где два раза подряд встречалось название города «Розенов». Предположив, что оно может встречаться и в нерасшифрованном тексте, модель далее написала код для криптоанализа и вышла на итоговую декодированную последовательность.
Сам Леффен ставил задачи и принимал решения по ходу процесса. Также Astra оформила сайт проекта, вот он: https://mvueh-enigma-solved.carterl.chatgpt.site/. Здесь есть весь код, история расшифровки и даже 3D-симулятор Энигмы.
❤115🫡37👏17🔥10🤯8😎3🦄2🤔1🎉1💯1🏆1
ИИ-агента теперь можно запустить без настройки инфраструктуры
Cloud.ru запустил Agents Space, платформу для запуска и настройки персональных ИИ-агентов. Без отдельного сервера, самостоятельной настройки моделей и агентных фреймворков.
Работа идет через обычный чат. К агенту можно подключить почту, календарь, облачное хранилище и сервисы для разработки, а повторяющиеся задачи запускать по расписанию.
Внутри уже доступны OpenClaw, NemoClaw и ГигаАгент. Можно использовать готового агента или собрать собственного под конкретные задачи и выбрать для него модель.
В итоге получается простой вариант для тех, кому возможностей обычного чата уже мало, но разворачивать и поддерживать отдельную агентную инфраструктуру не хочется.
Тестируем возможности ИИ-агентов тут
Cloud.ru запустил Agents Space, платформу для запуска и настройки персональных ИИ-агентов. Без отдельного сервера, самостоятельной настройки моделей и агентных фреймворков.
Работа идет через обычный чат. К агенту можно подключить почту, календарь, облачное хранилище и сервисы для разработки, а повторяющиеся задачи запускать по расписанию.
Внутри уже доступны OpenClaw, NemoClaw и ГигаАгент. Можно использовать готового агента или собрать собственного под конкретные задачи и выбрать для него модель.
В итоге получается простой вариант для тех, кому возможностей обычного чата уже мало, но разворачивать и поддерживать отдельную агентную инфраструктуру не хочется.
Тестируем возможности ИИ-агентов тут
🤨41🤯22❤12🗿10😁8👍4🔥2🍓2😭2☃1🤗1