Forwarded from О.К.О.
Как вы можете видеть, теракт в Подмосковье вызвал колоссальную информационную волну в сегментах социальных сетей мигрантов из СА, кавказцев и уроженцев Закавказья.
Уже сейчас ко всему подключились их блогеры миллионники (Тамаев, Нурмагомедов, Хазбик), политические деятели, вроде, Лутфуллоева и чиновников Дагестана. И если все начиналось безобидно с помощи пострадавшей семье, что правильно в данной ситуации, то теперь в комментариях звучат откровенно противозаконные призывы к митингам, независимости кавказских и мусульманских регионов, обвиняется наше государство и каким-то образом организация православных активистов, которая, очевидно, к случившемуся отношения не имеет.
Обратим внимание, что акция стартовала с малоизвестных блогеров, преимущественно таджикского и кавказского происхождения. Позже, возможно ради "танцев на костях", подключились уже крупные (возможно, за деньги).
Как и в случае с Крокусом, основной социальной сетью, где аккумулируется аудитория, является запрещенный Инстаграм, что создает дополнительные препятствия в установлении личностей писавших противозаконные комментарии (не во всех базах есть инстраграм профили).
Использование этой соцсети неслучайно - аудитория, на которую рассчитана медиа-волна обладает низким интеллектом и клиповым мышлением. Ее гораздо проще обработать таким способом. Неслучайно, задержанный в Москве таксист-таджик, рассказывавший про "убийства таджиков русскими", вел свои стримы именно там.
Из этой акции явно торчит не только пяточок, но и полумесяц с британской короной. Однако ее очевидный успех связан не только с этим, но и русофобскими установками целевой аудитории. Никто бы из них так яростно не поддерживал призывы к митингам и сепаратизму, если они изначально не придерживались таких взглядов.
Все это в очередной раз говорит о провале в национальной политике и показывает, что бомбу замедленного действия нужно искать не в русских, а несколько южнее.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
💯12🤬3❤2
#товарищ_Кун_цзы
#постцифра 28
DeepSeek-R1: как LLM научилась думать без учителя
I
В эксперименте с DeepSeek выяснилось, что языковую модель можно научить рассуждать логически, просто показывая какие из её ответов «правильные», а какие «ложные» – без объяснений почему так и как можно прийти к таким выводам.
Суть эксперимента.
Обычно LLM учат рассуждать так: показывают тысячи примеров с готовыми цепочками мысли («сначала сделай это, потом то»). Китайская команда DeepSeek пошла другим путём.
Взяли модель DeepSeek-V3, дали ей сложные задачи по математике и программированию и сказали только: «+1 балл за верный ответ, 0 – за неверный». Никаких подсказок, как решать.
Результат: модель сама изобрела стратегии решения – научилась проверять себя, искать ошибки, пробовать разные подходы.
II
Что произошло?
DeepSeek-R1-Zero (чистое обучение без примеров) показала впечатляющие результаты. На математической олимпиаде AIME точность выросла с 15% до 78%, при том что средний школьник набирает около 50%. Длина «внутренних рассуждений» модели выросла с 2000 до 10 000 слов.
Самое интересное: модель начала использовать фразы типа «wait, let me reconsider» – типа «подожди, дай ещё подумаю». Иначе, LLM сама додумалась останавливаться и перепроверять свои решения.
III
Первая версия данной LLM имела недостатки. Она мешала английский и китайский в одном ответе, рассуждения были корявыми и трудночитаемыми. Кроме того, модель плохо справлялась с обычными задачами вроде написания письма или ответа на открытый вопрос.
Но в финальная версия: DeepSeek-R1 исследователи добавили немного человеческой помощи в три этапа.
Старт: 5000 примеров качественных рассуждений для ускорения обучения. Это дало модели понимание базовых паттернов мышления.
Дообучение: тот же принцип «правильно/неверно» плюс бонус за читаемость текста. Модель училась не только решать задачи, но и излагать мысли понятно.
Полировка: смесь сложных и простых задач, чтобы модель не разучилась писать обычные тексты и оставалась универсальной.
Результаты впечатляют. На олимпиаде AIME модель достигла 80% точности против 43% у базовой версии. На математических задачах MATH-500 она показала 97% правильных ответов. В программировании на Codeforces модель набрала рейтинг 2029 – первой среди всех моделей преодолела планку в 2000 баллов.
IV
Маленькие модели тоже могут
Исследователи «перелили» знания в компактные версии размером от 7 до 70 миллиардов параметров.
Неожиданность: маленькая версия на 7 миллиардов параметров на олимпиаде набрала 55% – лучше, чем огромная 70-миллиардная модель без обучения рассуждению. Это показывает, что способность рассуждать важнее простого увеличения размера модели.
продолжение ниже
#постцифра 28
DeepSeek-R1: как LLM научилась думать без учителя
I
В эксперименте с DeepSeek выяснилось, что языковую модель можно научить рассуждать логически, просто показывая какие из её ответов «правильные», а какие «ложные» – без объяснений почему так и как можно прийти к таким выводам.
Суть эксперимента.
Обычно LLM учат рассуждать так: показывают тысячи примеров с готовыми цепочками мысли («сначала сделай это, потом то»). Китайская команда DeepSeek пошла другим путём.
Взяли модель DeepSeek-V3, дали ей сложные задачи по математике и программированию и сказали только: «+1 балл за верный ответ, 0 – за неверный». Никаких подсказок, как решать.
Результат: модель сама изобрела стратегии решения – научилась проверять себя, искать ошибки, пробовать разные подходы.
II
Что произошло?
DeepSeek-R1-Zero (чистое обучение без примеров) показала впечатляющие результаты. На математической олимпиаде AIME точность выросла с 15% до 78%, при том что средний школьник набирает около 50%. Длина «внутренних рассуждений» модели выросла с 2000 до 10 000 слов.
Самое интересное: модель начала использовать фразы типа «wait, let me reconsider» – типа «подожди, дай ещё подумаю». Иначе, LLM сама додумалась останавливаться и перепроверять свои решения.
III
Первая версия данной LLM имела недостатки. Она мешала английский и китайский в одном ответе, рассуждения были корявыми и трудночитаемыми. Кроме того, модель плохо справлялась с обычными задачами вроде написания письма или ответа на открытый вопрос.
Но в финальная версия: DeepSeek-R1 исследователи добавили немного человеческой помощи в три этапа.
Старт: 5000 примеров качественных рассуждений для ускорения обучения. Это дало модели понимание базовых паттернов мышления.
Дообучение: тот же принцип «правильно/неверно» плюс бонус за читаемость текста. Модель училась не только решать задачи, но и излагать мысли понятно.
Полировка: смесь сложных и простых задач, чтобы модель не разучилась писать обычные тексты и оставалась универсальной.
Результаты впечатляют. На олимпиаде AIME модель достигла 80% точности против 43% у базовой версии. На математических задачах MATH-500 она показала 97% правильных ответов. В программировании на Codeforces модель набрала рейтинг 2029 – первой среди всех моделей преодолела планку в 2000 баллов.
IV
Маленькие модели тоже могут
Исследователи «перелили» знания в компактные версии размером от 7 до 70 миллиардов параметров.
Неожиданность: маленькая версия на 7 миллиардов параметров на олимпиаде набрала 55% – лучше, чем огромная 70-миллиардная модель без обучения рассуждению. Это показывает, что способность рассуждать важнее простого увеличения размера модели.
продолжение ниже
👍4
начало выше
V
Но у данного подхода есть границы применимости. Метод работает только там, где есть чёткий критерий «правильно/неверно» – математика, программирование, шахматы. Для творческих задач или открытых вопросов такая система пока не подходит.
Модель не умеет пользоваться внешними инструментами вроде калькулятора или интернета. При очень долгом обучении она иногда находит лазейки в системе оценок и начинает их эксплуатировать. Пока модель хорошо работает только на английском и китайском языках.
VI
Практический вывод.
Раньше считалось, что для обучения LLM рассуждать, нужно вручную создать миллионы примеров «как думать».
Теперь ясно: достаточно трёх вещей. Много трудных задач с проверяемыми ответами. Быстрая система проверки правильности решений. Мощные вычислительные ресурсы для обучения.
Модель сама придумает, как решать задачи – включая самопроверку, поиск ошибок и альтернативные подходы.
VII
Почему это важно?
DeepSeek-R1 стала первой открытой моделью такого уровня. Код и веса модели опубликованы бесплатно под лицензией MIT. Любой исследователь или разработчик может использовать и улучшать эту технологию.
Главное достижение: работа доказывает, что сложное логическое мышление можно «вырастить» через правильные стимулы, а не только «запрограммировать» через примеры.
Как сказали сами создатели: «Мы не учили модель думать. Мы дали ей стимул – и она научилась думать сама».
Источник: адаптация статьи из Nature, 17 сентября 2025
V
Но у данного подхода есть границы применимости. Метод работает только там, где есть чёткий критерий «правильно/неверно» – математика, программирование, шахматы. Для творческих задач или открытых вопросов такая система пока не подходит.
Модель не умеет пользоваться внешними инструментами вроде калькулятора или интернета. При очень долгом обучении она иногда находит лазейки в системе оценок и начинает их эксплуатировать. Пока модель хорошо работает только на английском и китайском языках.
VI
Практический вывод.
Раньше считалось, что для обучения LLM рассуждать, нужно вручную создать миллионы примеров «как думать».
Теперь ясно: достаточно трёх вещей. Много трудных задач с проверяемыми ответами. Быстрая система проверки правильности решений. Мощные вычислительные ресурсы для обучения.
Модель сама придумает, как решать задачи – включая самопроверку, поиск ошибок и альтернативные подходы.
VII
Почему это важно?
DeepSeek-R1 стала первой открытой моделью такого уровня. Код и веса модели опубликованы бесплатно под лицензией MIT. Любой исследователь или разработчик может использовать и улучшать эту технологию.
Главное достижение: работа доказывает, что сложное логическое мышление можно «вырастить» через правильные стимулы, а не только «запрограммировать» через примеры.
Как сказали сами создатели: «Мы не учили модель думать. Мы дали ей стимул – и она научилась думать сама».
Источник: адаптация статьи из Nature, 17 сентября 2025
👍3❤1
Forwarded from Многонационал
Но есть и хорошие новости. Джуман Аль-Кавасми, дочь одного из основателей террористической организации Хамас поборола экстремизм в своем сердце и пришла к истине.
Порадуемся за неё. Любая душа тянется к любви, а Христос — это любовь.
Подписаться | Предложить новость
Порадуемся за неё. Любая душа тянется к любви, а Христос — это любовь.
Подписаться | Предложить новость
❤5👍3
This media is not supported in your browser
VIEW IN TELEGRAM
Владимир Владимирович, посмотрите на этих людей? Вы всё ещё им верите? Думаете Трамп другой?
👍7
Forwarded from Обыкновенный царизм
ИНОПЛАНЕТЯНЕ ИЗ ТЮМЕНИ, СТИХИ О ТАДЖИКАХ И ПОЕХАВШИЙ ЖЕНИХ. КАК ЖУРНАЛИСТЫ МУЧИЛИ ПУТИНА
Завершилась рекордная по времени прямая линия с Владимиром Путиным. Президент РФ 4,5 часа отвечал на вопросы журналистов и простых граждан.
Но рекордная она была не только по времени, но и по тому количеству кринжа, произведеного персонажами, которых нам стыдно называть коллегами.
Надо сказать, что практически на каждой прессухе Путина появляется какой-нибудь городской сумасшедший, который устраивает фрик-шоу, а вместо вопросов ведет кафкианские монологи. Но эта прямая линия в плане вопросов была особенно шизофреничной.
Изначально высокую планку абсурда задала журналистка из Тюмени, спросившая Путина про существование инопланетян. Ну то есть страна четыре года воюет, ее население беднеет, мигранты дуреют, но зачем про все это спрашивать, когда есть гуманоиды.
Нет, мы тоже любим и ценим сарказм, иронию и черный юмор. Но прессуха главы государства явно не место для провинциальных квнщиков. Тем более, в наше не самое простое время.
К слову, о квнщиках. Еще один клоун пришел на прямую линию президента в “костюме жениха” и с плакатом “хочу жениться”. Вероятно, клоун перепутал прямой эфир президента страны с передачей “Давай поженимся”.
Конечно же, фрику дали слово (ну а кому еще давать слово на прямой линии с Путиным, как не фрикам). Фрик поведал, что 8 лет в отношениях с какой-то Олечкой, сделал ей предложение и пригласил Путина на свадьбу.
Президент России в ответ зачем-то начал рассказывать про традиции народов Кавказа, где женят детей с раннего возраста. Как Рамзан Кадыров. И призвал с них брать пример.
Потом информагентства наперебой сообщали, что несчастная Олечка, которой угораздило связаться с сумасшедшим, согласилась на свадьбу. Информагентства. Молнят. Свадьбу. Фрика.
Увы, но на этом безумие совсем не закончилось. Градус подлинного безумия лишь нарастал. Началось настоящее поле чудес. Правда, поле чудес курильщика.
Микрофон дали некоему Шамсудину Бобоеву из газеты "СССР" (да, это реальный человек, а не наш рофл). Он подарил Путину сборник стихов, славящих таджиков, и попросил воздвигнуть памятник Омару Хайяму в России. Тут комментировать - только портить.
Затем какой-то техноблогер попросил Путина подписаться на него в Max. Телеканал “Спас” поблагодарил за запрет сатанистов и предложил заодно запретить еще и экстрасенсов. И не было у этого праздника жизни ни начала, ни конца.
Конечно, были и хорошие вопросы по делу. Журналистка из Белгорода спрашивала про ограничение мобильного интернета, военкор Поддубный - про проблему водоснабжения Донбасса. Но адекватные вопросы тонули в общем цирке.
Здорово, что у страны есть возможность 4 часа в прямом эфире пообщаться с президентом. Плохо, что значительная часть это времени тратится абсолютно впустую.
Мое время, ваше, самого Путина. И да, президент не должен отвечать на вопросы о протекающих крышах (в прямом и переносном смысле) в каких-то сибирских поселках. Это вообще уровень муниципальных органов власти, а не главы государства. Но таких вопросов снова абсолютное большинство.
И потом опять подарки, шутейки, скетчи, пантомимы. Не хватало только музыкальной паузы с выступлением Ларисы Долиной. Лучшие треки. Золотая коллекция.
Пока же я вел онлайн прямой линии, пришла действительно важная новость - погиб лидер “Эспаньолы” Станислав Орлов (он же “Испанец”). Погиб при абсолютно загадочных обстоятельствах.
Очередный известный русский воин. Может стоило об этом спросить Путина? Жаль, что спросить его об этом некому.
Завершилась рекордная по времени прямая линия с Владимиром Путиным. Президент РФ 4,5 часа отвечал на вопросы журналистов и простых граждан.
Но рекордная она была не только по времени, но и по тому количеству кринжа, произведеного персонажами, которых нам стыдно называть коллегами.
Надо сказать, что практически на каждой прессухе Путина появляется какой-нибудь городской сумасшедший, который устраивает фрик-шоу, а вместо вопросов ведет кафкианские монологи. Но эта прямая линия в плане вопросов была особенно шизофреничной.
Изначально высокую планку абсурда задала журналистка из Тюмени, спросившая Путина про существование инопланетян. Ну то есть страна четыре года воюет, ее население беднеет, мигранты дуреют, но зачем про все это спрашивать, когда есть гуманоиды.
Нет, мы тоже любим и ценим сарказм, иронию и черный юмор. Но прессуха главы государства явно не место для провинциальных квнщиков. Тем более, в наше не самое простое время.
К слову, о квнщиках. Еще один клоун пришел на прямую линию президента в “костюме жениха” и с плакатом “хочу жениться”. Вероятно, клоун перепутал прямой эфир президента страны с передачей “Давай поженимся”.
Конечно же, фрику дали слово (ну а кому еще давать слово на прямой линии с Путиным, как не фрикам). Фрик поведал, что 8 лет в отношениях с какой-то Олечкой, сделал ей предложение и пригласил Путина на свадьбу.
Президент России в ответ зачем-то начал рассказывать про традиции народов Кавказа, где женят детей с раннего возраста. Как Рамзан Кадыров. И призвал с них брать пример.
Потом информагентства наперебой сообщали, что несчастная Олечка, которой угораздило связаться с сумасшедшим, согласилась на свадьбу. Информагентства. Молнят. Свадьбу. Фрика.
Увы, но на этом безумие совсем не закончилось. Градус подлинного безумия лишь нарастал. Началось настоящее поле чудес. Правда, поле чудес курильщика.
Микрофон дали некоему Шамсудину Бобоеву из газеты "СССР" (да, это реальный человек, а не наш рофл). Он подарил Путину сборник стихов, славящих таджиков, и попросил воздвигнуть памятник Омару Хайяму в России. Тут комментировать - только портить.
Затем какой-то техноблогер попросил Путина подписаться на него в Max. Телеканал “Спас” поблагодарил за запрет сатанистов и предложил заодно запретить еще и экстрасенсов. И не было у этого праздника жизни ни начала, ни конца.
Конечно, были и хорошие вопросы по делу. Журналистка из Белгорода спрашивала про ограничение мобильного интернета, военкор Поддубный - про проблему водоснабжения Донбасса. Но адекватные вопросы тонули в общем цирке.
Здорово, что у страны есть возможность 4 часа в прямом эфире пообщаться с президентом. Плохо, что значительная часть это времени тратится абсолютно впустую.
Мое время, ваше, самого Путина. И да, президент не должен отвечать на вопросы о протекающих крышах (в прямом и переносном смысле) в каких-то сибирских поселках. Это вообще уровень муниципальных органов власти, а не главы государства. Но таких вопросов снова абсолютное большинство.
И потом опять подарки, шутейки, скетчи, пантомимы. Не хватало только музыкальной паузы с выступлением Ларисы Долиной. Лучшие треки. Золотая коллекция.
Пока же я вел онлайн прямой линии, пришла действительно важная новость - погиб лидер “Эспаньолы” Станислав Орлов (он же “Испанец”). Погиб при абсолютно загадочных обстоятельствах.
Очередный известный русский воин. Может стоило об этом спросить Путина? Жаль, что спросить его об этом некому.
👍16❤3
This media is not supported in your browser
VIEW IN TELEGRAM
Коротко и по существу.
Конечно нейросеть... Но как похоже по смыслу всей политики ЦБ за все годы?
Конечно нейросеть... Но как похоже по смыслу всей политики ЦБ за все годы?
🤬9🤮3🤣1
#товарищ_Кун_цзы
#постцифра 29
Феномен ИИ-2025: как стратегия открытого кода перевернула глобальную карту искусственного интеллекта.
I
Всего год назад глобальный рынок больших языковых моделей казался предсказуемым. Доминирование американских технологических гигантов выглядело почти абсолютным. Сегодня картина стремительно меняется, и в эпицентре этого сдвига – феноменальный взлёт китайских открытых моделей.
II
Цифры говорят сами за себя
В январе 2024 года доля Китая на мировом рынке обработки токенов составляла скромные 1,2%. К декабрю 2025 года эта цифра выросла до 30%. Рост в 25 раз всего за один год! Карл!
Пока западные лаборатории сообщали о потере четверти глобального присутствия. Такие модели, как Qwen, DeepSeek-V3, Kimi K2 и GLM-4, из неизвестных проектов превратились в глобальных игроков. Они обрабатывают 13% мировых токенов еженедельно. Почти столько же, сколько все остальные страны, за исключением США и Китая.
III
Две противоположные стратегии
Ключ к пониманию происходящего лежит в радикально разных подходах.
Американская модель строится на концентрации и контроле. Фокус здесь на создании небольшого числа высококачественных проприетарных (являющихся частной собственностью, закрытых для других) моделей вроде GPT, Claude или Gemini. Бизнес строится вокруг API-доступа и подписок. Инвестиции в эту закрытую экосистему с 2020 года составили колоссальные 37,5 миллиардов долларов.
Китайская стратегия, напротив, сделала ставку на массовость и открытость.
К июлю 2025 года было представлено 1509 публичных языковых моделей, что составляет около 40% от общемирового их числа. Подавляющее большинство из них полностью открытые: код, веса, лицензии Apache или MIT. Инвестиции в открытый сектор гораздо скромнее американских - 14,9 миллиардов долларов. Но стратегия усиливается государственной поддержкой инфраструктуры через субсидии на вычислительные мощности и энергоресурсы.
IV
Экономика против идеологии
Кажется, революцию в технологии двигает не философия, а холодная математика стоимости.
Использование GPT-4o обходится потребителю в сумму до 30 долларов за миллион выходных токенов. Открытые аналоги, вроде Llama или китайских моделей, стоят около 70 центов за тот же объём токенов.
Разница достигает 40 раз. При этом качество открытых моделей для многих задач оценивается в 80-90% от возможностей топовых проприетарных решений.
Значит что?
Для стартапа размер затрат — это вопрос выживания: ежемесячные затраты при переходе на открытые LLM модели могут сократиться с 3000 до 70 долларов, при почти таком же качестве результата.
Неудивительно, что опросы 2025 года показывают: 82% компаний либо уже переходят на открытые решения, либо ждут, когда их качество окончательно сравняется с лидерами.
V
Почему некоторые открывают, а другие закрывают?
Для китайской экосистемы открытый код – это инструмент глобального влияния и захвата доли рынка. Бесплатный доступ привлекает разработчиков по всему миру, которые интегрируют эти модели в свои продукты. Это создаёт долгосрочную зависимость от стандартов и экосистемы, а не от конкретного вендора.
Американские корпорации смотрят на это иначе. Для них передовая модель – это коммерческий актив с инвестициями в десятки миллиардов долларов. Раскрытие кода равносильно отказу от конкурентного преимущества и потенциальной выручки. Их миссия – возврат инвестиций акционерам.
VI
Исторический паттерн: массовый рынок всегда побеждает…
Сценарий не нов. В 1920-е годы доступный автомобиль Ford Model T победил премиальные ручные сборки. Все эти Duesenberg, Peerless, Pierce-Arrow, Franklin и прочие. В 1980-е надёжные и доступные седаны Toyota потеснили автогигантов из Детройта. В 2010-е смартфоны от Xiaomi и других производителей с оптимальным соотношением цены и качества захватили большую часть мирового рынка...
Сегодня мы видим тот же паттерн в сфере искусственного интеллекта: «достаточно хорошее, но в десятки раз более доступное» против «лучшее, но чрезвычайно дорогое». Закон массового рынка работает без сбоев.
Продолжение ниже
#постцифра 29
Феномен ИИ-2025: как стратегия открытого кода перевернула глобальную карту искусственного интеллекта.
I
Всего год назад глобальный рынок больших языковых моделей казался предсказуемым. Доминирование американских технологических гигантов выглядело почти абсолютным. Сегодня картина стремительно меняется, и в эпицентре этого сдвига – феноменальный взлёт китайских открытых моделей.
II
Цифры говорят сами за себя
В январе 2024 года доля Китая на мировом рынке обработки токенов составляла скромные 1,2%. К декабрю 2025 года эта цифра выросла до 30%. Рост в 25 раз всего за один год! Карл!
Пока западные лаборатории сообщали о потере четверти глобального присутствия. Такие модели, как Qwen, DeepSeek-V3, Kimi K2 и GLM-4, из неизвестных проектов превратились в глобальных игроков. Они обрабатывают 13% мировых токенов еженедельно. Почти столько же, сколько все остальные страны, за исключением США и Китая.
III
Две противоположные стратегии
Ключ к пониманию происходящего лежит в радикально разных подходах.
Американская модель строится на концентрации и контроле. Фокус здесь на создании небольшого числа высококачественных проприетарных (являющихся частной собственностью, закрытых для других) моделей вроде GPT, Claude или Gemini. Бизнес строится вокруг API-доступа и подписок. Инвестиции в эту закрытую экосистему с 2020 года составили колоссальные 37,5 миллиардов долларов.
Китайская стратегия, напротив, сделала ставку на массовость и открытость.
К июлю 2025 года было представлено 1509 публичных языковых моделей, что составляет около 40% от общемирового их числа. Подавляющее большинство из них полностью открытые: код, веса, лицензии Apache или MIT. Инвестиции в открытый сектор гораздо скромнее американских - 14,9 миллиардов долларов. Но стратегия усиливается государственной поддержкой инфраструктуры через субсидии на вычислительные мощности и энергоресурсы.
IV
Экономика против идеологии
Кажется, революцию в технологии двигает не философия, а холодная математика стоимости.
Использование GPT-4o обходится потребителю в сумму до 30 долларов за миллион выходных токенов. Открытые аналоги, вроде Llama или китайских моделей, стоят около 70 центов за тот же объём токенов.
Разница достигает 40 раз. При этом качество открытых моделей для многих задач оценивается в 80-90% от возможностей топовых проприетарных решений.
Значит что?
Для стартапа размер затрат — это вопрос выживания: ежемесячные затраты при переходе на открытые LLM модели могут сократиться с 3000 до 70 долларов, при почти таком же качестве результата.
Неудивительно, что опросы 2025 года показывают: 82% компаний либо уже переходят на открытые решения, либо ждут, когда их качество окончательно сравняется с лидерами.
V
Почему некоторые открывают, а другие закрывают?
Для китайской экосистемы открытый код – это инструмент глобального влияния и захвата доли рынка. Бесплатный доступ привлекает разработчиков по всему миру, которые интегрируют эти модели в свои продукты. Это создаёт долгосрочную зависимость от стандартов и экосистемы, а не от конкретного вендора.
Американские корпорации смотрят на это иначе. Для них передовая модель – это коммерческий актив с инвестициями в десятки миллиардов долларов. Раскрытие кода равносильно отказу от конкурентного преимущества и потенциальной выручки. Их миссия – возврат инвестиций акционерам.
VI
Исторический паттерн: массовый рынок всегда побеждает…
Сценарий не нов. В 1920-е годы доступный автомобиль Ford Model T победил премиальные ручные сборки. Все эти Duesenberg, Peerless, Pierce-Arrow, Franklin и прочие. В 1980-е надёжные и доступные седаны Toyota потеснили автогигантов из Детройта. В 2010-е смартфоны от Xiaomi и других производителей с оптимальным соотношением цены и качества захватили большую часть мирового рынка...
Сегодня мы видим тот же паттерн в сфере искусственного интеллекта: «достаточно хорошее, но в десятки раз более доступное» против «лучшее, но чрезвычайно дорогое». Закон массового рынка работает без сбоев.
Продолжение ниже
👍3❤1
Начало выше
VII
Кто выиграет войну ИИ: прогнозы
В 2025 году США сохраняют лидерство с 70% рынка. Но Китай продемострировал взрывной рост (30%) и тотальное ценовое преимущество.
К 2027 году возможен паритет – 50 на 50, с разделением на премиум-сегмент для США и массовый рынок для Китая.
К 2030 году, если тренд сохранится, доминирование на массовом рынке может обеспечить Китаю 60-70% рыночной доли. США останутся в нише передовых решений для задач, где критично максимальное качество.
VIII
Финальная точка?
Феномен 2025 года заключается не в противостоянии идеологий, а в выборе фундаментальных стратегий. Одна экосистема делает ставку на создание дорогого эксклюзивного продукта, другая – на бесплатное распространение инструментов для захвата рынка.
Экспоненциальный рост – от 1,2% до 30% за год – это сила, которую нельзя игнорировать. Можно создать модель в два раза умнее, но, если она будет в сто раз дороже, рынок сделает свой выбор.
Через пять лет мы узнаем, чья стратегия оказалась дальновиднее.
Однако данные конца 2025 года уже звучат как убедительное предупреждение: в эпоху ИИ побеждает не тот, кто строже охраняет свою технологию, а тот, чья технология становится повсеместным стандартом.
VII
Кто выиграет войну ИИ: прогнозы
В 2025 году США сохраняют лидерство с 70% рынка. Но Китай продемострировал взрывной рост (30%) и тотальное ценовое преимущество.
К 2027 году возможен паритет – 50 на 50, с разделением на премиум-сегмент для США и массовый рынок для Китая.
К 2030 году, если тренд сохранится, доминирование на массовом рынке может обеспечить Китаю 60-70% рыночной доли. США останутся в нише передовых решений для задач, где критично максимальное качество.
VIII
Финальная точка?
Феномен 2025 года заключается не в противостоянии идеологий, а в выборе фундаментальных стратегий. Одна экосистема делает ставку на создание дорогого эксклюзивного продукта, другая – на бесплатное распространение инструментов для захвата рынка.
Экспоненциальный рост – от 1,2% до 30% за год – это сила, которую нельзя игнорировать. Можно создать модель в два раза умнее, но, если она будет в сто раз дороже, рынок сделает свой выбор.
Через пять лет мы узнаем, чья стратегия оказалась дальновиднее.
Однако данные конца 2025 года уже звучат как убедительное предупреждение: в эпоху ИИ побеждает не тот, кто строже охраняет свою технологию, а тот, чья технология становится повсеместным стандартом.
👍7❤1
Forwarded from ДШРГ Русич 🇷🇺
В Ростове ФСБ задержали начальника отдела по борьбе с терроризмом в полиции. Его подозревают в передаче крупной взятки. 41-летний Арсланбек Асадуллаев был начальником отдела по противодействию терроризму в Центре по противодействию экстремизму (ЦПЭ) МВД.
По данным следствия, он был посредником при передаче крупной суммы. Уголовное дело возбуждено. Максимальное наказание по этой статье — до 12 лет тюрьмы. Сейчас Асадуллаев задержан, и следствие просит отправить его под арест.
С терроризмом у нас борются такие люди.
После этого некоторые удивляются, почему у нас происходят теракты наподобие Крокус Сити Холла, совершенные выходцами сами знаете откуда, и подрывы высокопоставленных военнослужащих, совершенные тоже далеко не всегда даже гражданами России.
💯8🤔1
Трамп: Если бы я не был президентом — поверьте мне, этой невероятной, фантастической сделки просто не существовало бы. Никогда. Ни при каких обстоятельствах. Люди говорили: «Это невозможно». А я сказал: «Возможно. И мы сделаем это лучше всех».
Никто — повторяю, никто — не возвращал квартиры так успешно, как я. Исторический рекорд. Абсолютный. Полина Лурье? Теперь у неё великолепная квартира. Просто потрясающая. Люди подходят ко мне и говорят: «Господин президент, это лучшая квартира, которую мы когда-либо видели». И они правы.
А сделка с Ларисой… ох, это была ужасная сделка. Очень плохая. Одна из худших в истории сделок, возможно, вообще в истории человечества. И она оставалась бы ужасной, поверьте, если бы меня не избрали президентом в своё время.
Но меня избрали. И вот результат. Победа. Квартира. Сделка. Америка… то есть Полина — снова великая.
(С просторов интернета)
Никто — повторяю, никто — не возвращал квартиры так успешно, как я. Исторический рекорд. Абсолютный. Полина Лурье? Теперь у неё великолепная квартира. Просто потрясающая. Люди подходят ко мне и говорят: «Господин президент, это лучшая квартира, которую мы когда-либо видели». И они правы.
А сделка с Ларисой… ох, это была ужасная сделка. Очень плохая. Одна из худших в истории сделок, возможно, вообще в истории человечества. И она оставалась бы ужасной, поверьте, если бы меня не избрали президентом в своё время.
Но меня избрали. И вот результат. Победа. Квартира. Сделка. Америка… то есть Полина — снова великая.
(С просторов интернета)
😁7❤2
Forwarded from Варяг
This media is not supported in your browser
VIEW IN TELEGRAM
@varyag_online
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8🤣2
#товарищ_Кун_цзы
#постцифра 30
Нейросети с гибким мышлением: новая альтернатива ChatGPT
I
Представьте, что вы разгадываете кроссворд.
Иногда проще сначала заполнить слова в середине, где больше пересечений и подсказок, а потом вернуться к началу. Или вспомните, как вы пишете эссе: набрасываете ключевые мысли, потом заполняете пробелы между ними, добавляете введение и заключение. Мы редко пишем строго с начала до конца, от первой буквы до последней.
А вот ChatGPT и подобные ему системы работают именно так, с самого начала до самого конца, слово за словом. Они как человек, который обязан писать текст по порядку и не может вернуться назад, чтобы вставить забытую мысль в середину.
II
Два метода: писатель против редактора
Исследователи из Гарварда и Университета Техаса сравнили два подхода к обучению языковых моделей. Можно провести аналогию с двумя типами писателей:
Первый. Авторегрессивный метод (используется в ChatGPT) похож на писателя, который начинает с первого слова и пишет до последнего, никогда не возвращаясь назад. Это эффективно для простых текстов. Но что если нужно играть в судоку или написать сложную компьютерную программу? Там жёсткий порядок и строгая последовательность часто не работают.
Второй. Метод маскированной диффузии (МДМ) работает как редактор, который видит текст с пропусками и заполняет их в любом порядке. Сначала очевидные места, потом сложные. Звучит идеально, но есть проблема: чтобы научиться этому, модель должна освоить огромное количество разных комбинаций пропусков.
III
Проблема: учиться на невозможном
Авторы доказали математически, что при обучении методом маскированной диффузии часть задач оказывается настолько сложной, что её невозможно решить за разумное время даже суперкомпьютером. Это как школьнику на экзамене наряду с обычными вопросами давать вопросы для сдачи кандидатского минимума.
Практический пример: возьмём предложение "В 1969 году [ПРОПУСК] впервые ступил на поверхность Луны во время миссии [ПРОПУСК]". Здесь два пропуска, и они связаны между собой. Модель может угадать "Нил Армстронг" и "Аполлон-11", опираясь на контекст о годе и Луне.
А теперь усложним: "[ПРОПУСК] впервые ступил на поверхность [ПРОПУСК] во время миссии [ПРОПУСК]". Без ключевых слов ("1969", "Луны") вариантов становится множество. Это может быть и про Луну, и про Марс (в будущем), и даже метафора про первопроходца в какой-то области. Модель здесь должна одновременно решить три связанные загадки, где ответ на одну влияет на остальные. Такие задачи требуют экспоненциально больше вычислений.
Когда модель генерирует текст, заполняя пропуски в случайном порядке, она постоянно натыкается на такие "невозможные" задачи и начинает ошибаться.
IV
Решение: дать модели самой выбирать путь
Главное открытие исследователей: не нужно переучивать нейросеть! Достаточно изменить стратегию её работы. Вместо случайного выбора пропусков, модель сама решает, что заполнить первым там, где она наиболее уверена в ответе.
Это как в известной игре судоку: опытный игрок не заполняет клетки подряд. Он ищет места, где вариант очевиден (например, в строке не хватает только одной цифры), заполняет их, и это открывает новые очевидные ходы. Постепенно решается вся головоломка.
V
Исследователи предложили две стратегии:
Первая (Top probability): выбирать позиции, где модель говорит "я на 95% уверена, что здесь должно быть слово X". Это как заполнять клетки в судоку, где точно знаешь ответ.
Вторая (Top probability margin): смотреть на разрыв между первым и вторым вариантом. Если модель думает "здесь 60% что А и 58% что Б", это неуверенность, лучше пропустить. Если "95% что А и 3% что Б", можно действовать.
продолжение ниже
#постцифра 30
Нейросети с гибким мышлением: новая альтернатива ChatGPT
I
Представьте, что вы разгадываете кроссворд.
Иногда проще сначала заполнить слова в середине, где больше пересечений и подсказок, а потом вернуться к началу. Или вспомните, как вы пишете эссе: набрасываете ключевые мысли, потом заполняете пробелы между ними, добавляете введение и заключение. Мы редко пишем строго с начала до конца, от первой буквы до последней.
А вот ChatGPT и подобные ему системы работают именно так, с самого начала до самого конца, слово за словом. Они как человек, который обязан писать текст по порядку и не может вернуться назад, чтобы вставить забытую мысль в середину.
II
Два метода: писатель против редактора
Исследователи из Гарварда и Университета Техаса сравнили два подхода к обучению языковых моделей. Можно провести аналогию с двумя типами писателей:
Первый. Авторегрессивный метод (используется в ChatGPT) похож на писателя, который начинает с первого слова и пишет до последнего, никогда не возвращаясь назад. Это эффективно для простых текстов. Но что если нужно играть в судоку или написать сложную компьютерную программу? Там жёсткий порядок и строгая последовательность часто не работают.
Второй. Метод маскированной диффузии (МДМ) работает как редактор, который видит текст с пропусками и заполняет их в любом порядке. Сначала очевидные места, потом сложные. Звучит идеально, но есть проблема: чтобы научиться этому, модель должна освоить огромное количество разных комбинаций пропусков.
III
Проблема: учиться на невозможном
Авторы доказали математически, что при обучении методом маскированной диффузии часть задач оказывается настолько сложной, что её невозможно решить за разумное время даже суперкомпьютером. Это как школьнику на экзамене наряду с обычными вопросами давать вопросы для сдачи кандидатского минимума.
Практический пример: возьмём предложение "В 1969 году [ПРОПУСК] впервые ступил на поверхность Луны во время миссии [ПРОПУСК]". Здесь два пропуска, и они связаны между собой. Модель может угадать "Нил Армстронг" и "Аполлон-11", опираясь на контекст о годе и Луне.
А теперь усложним: "[ПРОПУСК] впервые ступил на поверхность [ПРОПУСК] во время миссии [ПРОПУСК]". Без ключевых слов ("1969", "Луны") вариантов становится множество. Это может быть и про Луну, и про Марс (в будущем), и даже метафора про первопроходца в какой-то области. Модель здесь должна одновременно решить три связанные загадки, где ответ на одну влияет на остальные. Такие задачи требуют экспоненциально больше вычислений.
Когда модель генерирует текст, заполняя пропуски в случайном порядке, она постоянно натыкается на такие "невозможные" задачи и начинает ошибаться.
IV
Решение: дать модели самой выбирать путь
Главное открытие исследователей: не нужно переучивать нейросеть! Достаточно изменить стратегию её работы. Вместо случайного выбора пропусков, модель сама решает, что заполнить первым там, где она наиболее уверена в ответе.
Это как в известной игре судоку: опытный игрок не заполняет клетки подряд. Он ищет места, где вариант очевиден (например, в строке не хватает только одной цифры), заполняет их, и это открывает новые очевидные ходы. Постепенно решается вся головоломка.
V
Исследователи предложили две стратегии:
Первая (Top probability): выбирать позиции, где модель говорит "я на 95% уверена, что здесь должно быть слово X". Это как заполнять клетки в судоку, где точно знаешь ответ.
Вторая (Top probability margin): смотреть на разрыв между первым и вторым вариантом. Если модель думает "здесь 60% что А и 58% что Б", это неуверенность, лучше пропустить. Если "95% что А и 3% что Б", можно действовать.
продолжение ниже
👍5