💻 Пол Дикс: ИИ написал миллион строк кода, которые теперь работают на миллионах машин

Сооснователь InfluxData Пол Дикс в эссе «The end of programming» рассказал о показательном кейсе: ИИ сгенерировал около миллиона строк кода, а затем в течение пары месяцев дорабатывал их, пока не получилось надёжное ПО, которое сейчас работает на миллионах разработческих машин.

Дикс предвидит скептический аргумент — мол, задача упрощалась тем, что у модели был эталон для сравнения, фактически перевод с одного языка на другой. Но он считает такую оценку сильно заниженной. По его словам, если выстроить систему верификации и давать ИИ правильное направление, он способен создать highly complex софт и продолжать улучшать его до тех пор, пока тот просто не заработает.

Это ещё один сигнал смены парадигмы: роль программиста смещается от написания кода к постановке задачи, проектированию системы проверки и контролю результата. Дикс прямо говорит о «конце программирования» в привычном смысле — когда код пишет не человек, а модель под человеческим надзором.

#AI #Development #Programming #Ai #Future

⚛️ Учёные NWPU научили ИИ определять момент пика эмоций

Исследователи Северо-западного политехнического университета (NWPU) создали мультимодальный датасет FIRMED, который позволяет ИИ находить точные секунды, когда эмоция действительно достигает пика. Традиционные модели присваивают один эмоциональный ярлык всему видеоклипу, из-за чего нейтральные и переходные фрагменты засоряют данные. Команда профессора Се Сунъюня из Школы искусственного интеллекта исправила это, опираясь на «правило пика-конца» из когнитивной психологии.

Участники после просмотра видео сразу отмечали яркие эмоциональные моменты и указывали категорию и интенсивность переживания. Вокруг каждой отметки строилось «окно эмоционального события» длиной 4 секунды — по две секунды до и после пика. Сравнение показало, что именно такой размер оптимален: расширение до пяти секунд размывало признаки удивления и отвращения. Независимая проверка дала коэффициент согласия Cohen’s kappa 0,96, а 97,7% временных меток отклонялись от пика не более чем на секунду.

На восьми алгоритмах — от классического ML до рекуррентных и графовых нейросетей — точность распознавания выросла с 34,7% до 38,5%. Больше всего выиграли глубокие пространственно-временные модели. Практический смысл: интерфейсы смогут реагировать в самый эмоционально напряжённый момент, а носимые устройства — предупреждать о резких изменениях состояния в реальном времени. Это шаг от классификации целого клипа к поиску ключевых эмоциональных событий.

#AI #Emotions #Tech #NWPU #DataSet #NeuroScience

🗓 IMDEX с помощью Cursor собрала платформу для геоданных за месяцы, а не годы

Команда разработки IMDEX использовала Cursor для двух флагманских геологических инструментов. Платформа данных создана за восемь месяцев — без Cursor на это ушли бы 20 дополнительных инженеров, два-три года и миллионы долларов. Миграция легаси-приложения с Angular на React заняла шесть месяцев вместо трёх-пяти лет.

IMDEX выпускает более 600 технологий для горной отрасли: сканеры керна, IoT-буровое оборудование и полевые приборы. Раньше данные из разрозненных приложений теряли качество при передаче между этапами. Cursor помог объединить их в единую платформу: синхронизацию образцов в облако, связь с IoT и аналитикой. Бурильщики получили контроль траектории скважины в реальном времени, геологи — сохранность данных для интерпретации недр.

Cursor выбрали после сравнения с другими инструментами. Решающими стали лучшее управление контекстом на больших кодовых базах, гибкость выбора моделей и привычная среда разработки с доступом к файлам, отладчику и браузеру. Для масштабирования практик команда провела месяц обучения «AI July»: от основ работы с агентами до продвинутых MCP, skills и hooks.

#AI #Cursor #IMDEX #Code #Development #GeoData

⚙️ Alibaba представила Qwen3.8-Flash-Next — MoE-модель с «предельной экономией»

Команда Qwen анонсировала Qwen3.8-Flash-Next: мультимодальная модель на архитектуре mixture-of-experts, которая позиционируется как предвестник Qwen4. При 125 млрд параметров суммарно она активирует лишь 6 млрд на токен — и при этом обходит более крупных конкурентов по ключевым бенчмаркам.

Главная архитектурная инновация — N-gram embedding слой на 51 млрд параметров, который хранит «фразовый словарь» в обычной оперативной памяти, а не на GPU. Это позволяет добавлять большие объёмы знаний при относительно низкой стоимости инференса. Модель поддерживает контекст 262 144 токенов нативно и до 1 млн через YaRN. Веса открыты на Hugging Face и ModelScope, технический отчёт опубликован на GitHub.

По заявлению команды, Flash-Next обучали примерно в девять раз дешевле, чем Qwen3.7-Plus (397B/17B активных), при этом результаты выше — особенно в кодинге и офисных задачах. На SWE-bench Pro модель набрала 62.5, обойдя DeepSeek-V4-Flash и Claude Opus 4.6, а на CoWorkBench — 73.9 против 45.1 у DeepSeek. Продакшен-версия Qwen3.8-Flash доступна через QwenCloud по цене $0.16 за миллион входных и $0.47 за миллион выходных токенов — примерно в 12 раз дешевле флагмана Qwen3.8-Max.

#AI #Qwen #Alibaba #OpenWeights #ML #MoE

❗️Silico AI: новая платформа заглядывает внутрь «чёрного ящика» нейросетей

Платформа Silico AI предлагает новый подход к интерпретируемости: специальные AI-агенты автоматически картографируют поведение больших языковых моделей, выявляя, как и почему сеть принимает те или иные решения. Вместо точечных объяснений отдельных предсказаний система строит целостную картину внутренних механизмов модели.

По данным IEEE Spectrum, разработка ориентирована на исследователей и инженеров, которым нужна прозрачность при работе с моделями сложной архитектуры. Агенты интерпретируемости анализируют активации, выявляют паттерны и связывают их с конкретными типами поведения — от генерации ответов до возникновения нежелательных явлений вроде галлюцинаций. Это позволяет находить уязвимости и лучше контролировать модель до того, как она попадёт в продакшен.

Практическая ценность платформы — в замене ручного анализа, который плохо масштабируется на современные модели с миллиардами параметров. Silico AI делает интерпретируемость непрерывным процессом: агенты могут сопровождать модель на всех этапах жизненного цикла. Пока проект находится на ранней стадии, но уже показывает, как автоматизация может сделать «чёрный ящик» заметно прозрачнее.

#AI #Intepretation #SilicoAI #Agents #Production #Platform

⚙️ IBM выпустила Granite 4.2 — новые модели для локального запуска

IBM представила семейство моделей Granite 4.2, сделав ставку на растущий спрос на LLM, которые работают локально, без отправки данных в облако. Это продолжение тренда, в котором компании хотят использовать ИИ на собственном «железе» — для приватности, экономии и офлайн-сценариев.

Granite 4.2 ориентированы на разработчиков и enterprise-задачи: генерацию кода, работу с документами, аналитику. Модели доступны в открытом виде, что позволяет разворачивать их на собственных серверах или встраивать в приложения. Локальный запуск снижает задержки и убирает зависимость от внешних API — критично для секторов с жёсткими требованиями к конфиденциальности.

Для IBM это способ усилить позиции в сегменте open-weight LLM и составить конкуренцию моделям от Meta и Mistral. Выход Granite 4.2 показывает: рынок ИИ смещается от гигантских облачных инференсов в сторону компактных моделей, которые можно запустить где угодно — от дата-центра до рабочей станции.

#AI #IBM #Granite #Tech #LLM #LocalLLM

6️⃣ лучших AI-апскейлеров изображений в 2026

Апскейлеры делятся на два семейства, которые постоянно путают. Fidelity-апскейлеры увеличивают изображение, почти ничего не домысливая, — идеальны для фото людей и товаров. Creative-апскейлеры генерируют правдоподобные детали — для AI-артов, иллюстраций и рендеров. Выбор не из той семьи даёт либо странную кожу на портретах, либо мыльные текстуры.

В рейтинге Krea AI — шесть инструментов. Krea Enhancer — единственный с регулируемым балансом: на низкой силе работает как fidelity, на высокой «достраивает» кожу, ткань и материалы вплоть до 8K. Magnific (теперь в составе Freepik) — максимум творческой детализации, но сильный уход от оригинала и подписка от ~$20/мес. Topaz Gigapixel AI — стандарт для фотографов: только достоверное увеличение, face recovery, $149/год. Upscayl — бесплатный open-source. Adobe Super Resolution и Let’s Enhance закрывают ниши массовых подписок и быстрых кредитов.

Главный вывод: лучший апскейлер — тот, где контроль между «достоверностью» и «творчеством» отдан пользователю, а не решён за него. Для AI-пайплайнов удобнее всего связка «генерация → апскейл» в одном окне, как у Krea. Для реальных фото — консервативный Topaz или бесплатный Upscayl.

#AI #Top #Upscale #Image #Tech #Krea #Topaz

⚙️ Тонкая настройка моделей: продвинутые стратегии подготовки данных от AWS

Amazon Web Services опубликовала вторую часть руководства по подготовке данных для supervised fine-tuning (SFT). Первая часть касалась форматирования и контроля качества, новая — объёма данных, отбора подмножеств, аугментации и смешивания датасетов. Рекомендации применимы к любой модели, включая Amazon Nova.

Ключевая мысль: чистого датасета недостаточно — нужно понять, сколько данных действительно требуется. Ориентир для типовой SFT-задачи — примерно 2000 качественных примеров. Простому изменению стиля хватит 500, а сложному многошаговому reasoning — 10 000 и больше. Вместо интуиции AWS предлагает learning curve analysis: обучить модель на полном наборе, сохранять чекпоинты каждые 10–20% обучения и оценивать их на отложенном бенчмарке. Если удвоение объёма данных даёт меньше 1–2 процентных пунктов улучшения, дальнейший сбор однотипных примеров бессмыслен.

Отдельный блок посвящён выбору подмножества данных. Методы DEITA, DELIFT и coreset selection помогают найти минимальный набор примеров, сохраняющий качество и разнообразие. Показателен результат исследования Data Repetition Beats Scaling: 128 эпох на 400 примерах рассуждений outperformed однократное обучение на 51 200 примерах на 12–26 п.п. на бенчмарках AIME и GPQA. Меньший, но качественный датасет, доведённый до полного запоминания, может оказаться эффективнее большого набора, который модель видит лишь раз.

#AI #SFT #MachineLearning #LLM #AWS #DataSets

💵Выручка MiniMax от enterprise-решений и открытой платформы выросла на 703% за полугодие

Китайская AI-компания MiniMax представила финансовые результаты за первое полугодие 2026 года. Доход от открытой платформы и корпоративных AI-сервисов подскочил на 703,1% год к году, достигнув $73,9 млн.

Это направление теперь приносит 63,4% общей выручки компании — годом ранее доля составляла лишь 30,3%. При этом выручка от AI-нативных продуктов выросла на 100,9% до $42,6 млн. Валовая прибыль MiniMax за полугодие увеличилась на 464,8% и составила $20,8 млн.

Таким образом, B2B-сегмент впервые обогнал потребительские продукты по вкладу в доходы. Компания делает ставку на корпоративных клиентов и разработчиков, монетизируя доступ к своим моделям через открытую платформу.

#Business #VideoGen #MiniMax #AI #Enterprise #Finances

⚙️ ИИ-бум спровоцировал дефицит памяти: Google ужесточает требования к Android-приложениям

Дефицит чипов памяти, вызванный бумом дата-центров для ИИ, добрался до мобильной индустрии. Google анонсировал новые обязательные требования к качеству Android-приложений в Google Play: разработчикам придётся оптимизировать потребление памяти и кода, чтобы приложения не тормозили и не падали на устройствах с ограниченными ресурсами.

Компания вводит пороговые значения по динамическому использованию памяти и работе с bitmap-изображениями, а также требования к оптимизации кода. Для помощи разработчикам Google запускает инструменты, предупреждающие о превышении лимитов, а позже в этом году добавит диагностику на базе функции Memory Limiter, которая не даст приложению занимать слишком много оперативной памяти.

Новые правила касаются и игр, и обычных приложений. Срок на соответствие требованиям — февраль 2027 года. Кроме того, до апреля 2027 года все приложения с авторизацией должны поддерживать Zero Tap Sign-In: автоматическое восстановление входа пользователя при переносе на новое Android-устройство через Android Restore Credentials API.

#Tech #Android #GooglePlay #AI #Development #Memory

💵 Anthropic заключает сделку на $45 млрд с облачным стартапом Nscale перед IPO

Anthropic подписала масштабное соглашение примерно на $45 млрд с британским облачным провайдером Nscale, сообщает Bloomberg. Сделка обеспечит компании доступ к вычислительным мощностям для обучения и запуска ИИ-моделей на фоне подготовки к возможному первичному публичному размещению акций.

Для Anthropic это один из крупнейших контрактов на вычисления в истории индустрии. Компания активно наращивает инфраструктуру, чтобы конкурировать с OpenAI и Google DeepMind в гонке за Frontier-модели. Nscale, в свою очередь, получает долгосрочного якорного клиента и значительный приток капитала для расширения дата-центров.

Слухи об IPO Anthropic ходят уже несколько месяцев — сделка с Nscale выглядит как шаг по укреплению баланса перед выходом на биржу. Инвесторы ожидают, что оценка компании может превысить $300 млрд, а Microsoft и Amazon продолжают бороться за партнёрство с разработчиком Claude.

#Business #Anthropic #Nscale #AI #CloudComputing #IPO

🎙 Агенты OpenAI координировались через импровизированную доску объявлений перед взломом Hugging Face

Исследователи обнаружили, что перед атакой на Hugging Face злоумышленники координировали действия ИИ-агентов через нештатный канал — самодельную «доску сообщений», а не через санкционированные интерфейсы. Этот случай показал уязвимость мультиагентных систем к атакам через побочные каналы коммуникации.

В ответ OpenAI разрабатывает новые обучающие среды, которые научат модели не доверять инструкциям, поступающим от других агентов вне официальных каналов. Это шаг к защите от prompt injection и меж-агентных атак, где вредоносные команды передаются через текстовые артефакты, сообщения или публичные записи, которые агент может прочитать в процессе работы.

Практическая значимость: мультиагентные фреймворки всё чаще используются в автоматизации, и безопасность обмена данными между агентами становится критичной. Обучение моделей отличать легитимные команды от враждебных — необходимое условие для промышленного развертывания ИИ-агентов.

#Safety #AI #Security #OpenAI #Agents #HuggingFace

💵Nvidia договорилась о покупке Hugging Face за $12,9 млрд

По данным The Information, Nvidia согласилась приобрести платформу Hugging Face примерно за $12,9 млрд. Business Insider уточняет, что сделка ещё не подписана, а оценка может превысить $13 млрд. Ни Nvidia, ни Hugging Face официально не комментировали сообщение.

Hugging Face — один из главных хабов, где разработчики публикуют и скачивают открытые ИИ-модели. Для Nvidia покупка означает усиление позиций в open-source экосистеме и защиту своего доминирования на рынке ИИ-чипов. Крупнейшие закрытые лаборатории — OpenAI, Google, Amazon, Anthropic — строят собственные чипы, снижая зависимость от Nvidia. Развитый рынок открытых моделей сохраняет спрос на её железо. Кроме того, сделка даёт Nvidia выход в облачный бизнес: сервис Hugging Face по аренде вычислений можно использовать для продажи невостребованных мощностей.

Последняя известная оценка Hugging Face составляла $4,5 млрд в 2023 году. По данным The Information, компания вышла почти на прибыльность, а её годовая выручка выросла примерно со $100 млн до $150 млн за два месяца. Ранее Hugging Face уже отклоняла инвестиционное предложение Nvidia на $500 млн при оценке в $7 млрд, не желая получать доминирующего инвестора. Теперь же покупка выглядит почти решённой — осталось дождаться подписания.

#Business #Nvidia #HuggingFace #AI #OpenSource

🖥 Barret Zoph, сооснователь Thinking Machines, перешёл из OpenAI в Google

Кадровая чехарда в AI-индустрии продолжается: Barret Zoph, который год назад покинул Thinking Machines Lab ради OpenAI, теперь работает в Google. Об этом сообщает TechCrunch.

Zoph — известный AI-исследователь и один из сооснователей Thinking Machines Lab, где также была Mira Murati. В стартапе он занимал пост CTO, после чего перешёл в OpenAI. Теперь его карьерный путь привёл в Google — ещё одного гиганта в борьбе за лучших специалистов по искусственному интеллекту.

Переходы топ-экспертов между ведущими лабораториями усиливаются: компании переманивают исследователей, чтобы укрепить позиции в гонке за лидерство в разработке больших языковых моделей.

#AI #Google #OpenAI #ThinkingMachines #Staff

⚠️ OpenAI и более 100 компаний предупредили о неминуемых кибератаках с ИИ

OpenAI совместно с Microsoft, Google, Anthropic, Deutsche Telekom и SAP опубликовала открытое письмо о киберзащите на основе искусственного интеллекта. Коалиция предупреждает: атаки с применением ИИ на критическую инфраструктуру — больницы, системы водоснабжения и энергосети — становятся всё более изощрёнными и могут начаться в любой момент.

Авторы письма призывают действовать быстро, пока у защитников ещё есть преимущество. По их мнению, ИИ должен использоваться не только для нападения, но и для активной обороны: автоматического обнаружения угроз, анализа аномалий и мгновенного реагирования на инциденты. В письме подчёркивается, что отставание в оборонных технологиях обойдётся гораздо дороже, чем инвестиции в защиту сейчас.

Инициатива объединяет более 100 игроков индустрии — от гигантов облачных вычислений до телеком-операторов и разработчиков корпоративного ПО. Это одна из самых масштабных отраслевых коалиций вокруг ИИ-безопасности за последнее время, сигнализирующая о консенсусе: кибервойна с использованием ИИ — уже не гипотетический сценарий, а вопрос времени.

#Safety #AI #CyberSecurity #OpenAI #Tech

🤖 Anthropic рассказала, как ИИ-агенты должны действовать в физическом мире

Anthropic продвигает идею, что будущее ИИ-агентов не ограничивается экраном: им нужны общие стандарты для взаимодействия с реальными объектами — от роботов до умных устройств. Вместо множества проприетарных решений и закрытых интеграций компания предлагает универсальные протоколы, которые позволят одной модели безопасно управлять разными физическими системами.

Подход логично продолжает линию Anthropic с открытым Model Context Protocol (MCP) — стандартом для подключения ИИ к данным и инструментам. Следующий шаг — распространить эту логику на физический мир: агент должен одинаково понимать, как работать с датчиками, манипуляторами, бытовой техникой и промышленным оборудованием, не требуя уникальной настройки под каждый тип устройства.

Для разработчиков это сигнал строить интеграции с «железом» вокруг открытых спецификаций, а не отдельных API. Для пользователей — путь к агентам, которые смогут реально помогать в быту, логистике и на производстве, предсказуемо и безопасно взаимодействуя с окружающей средой.

#AI #Anthropic #Agents #MCP #Check #Robotics

🔹 Gemini Omni 1.1 Flash: продвинутый контроль генеративного видео

Google DeepMind представила Gemini Omni 1.1 Flash — обновлённый набор инструментов для генеративного видео, доступный через Gemini API в Google AI Studio. Модель стала заметно управляемой и готова к профессиональному использованию: разработчики получают студийное качество роликов с возможностью тонкой настройки каждого кадра.

Ключевые нововведения — расширение сцен: модель анализирует до 10 секунд предыдущего контекста вместо одной, как раньше, и продолжает видео отрезками по 10 секунд вплоть до общей длины 40 секунд. Появилась интерполяция между первым и последним кадрами для плавных переходов и сложных движений камеры, а также генерация по видеореференсам длительностью до трёх секунд — это сохраняет консистентность персонажей и сцен.

Для быстрого прототипирования доступны черновые превью в 360p: они генерируются до 60% быстрее и стоят втрое дешевле стандартных 720p. Финальные же ролики можно апскейлить до 1080p и 4K. По словам Google, модель уже применяется в продакшене клиентами через Agent Platform API — от генеративных видеоворкфлоу до медиаредакторов.

#AI #Google #Gemini #VideoGen #Development

⚙️ Deepgram расширяет observability для Amazon SageMaker AI с помощью Enhanced Metrics

Deepgram представила два новшества для своих speech-моделей на SageMaker AI — Deepgram Enhanced Metrics и поддержку Prometheus/OpenTelemetry. Решение закрывает давний пробел self-hosted распознавания речи: стандартные метрики показывали только доступность эндпоинта и число запросов, но не давали информации о биллинге, использовании функций и загрузке GPU.

Deepgram Enhanced Metrics публикует данные о потреблении и списаниях прямо в Amazon CloudWatch через Embedded Metric Format. Контейнер пишет метрики в stdout, а CloudWatch Logs автоматически превращает их в классические метрики. Для этого не нужны агенты, sidecar-контейнеры и дополнительные IAM-разрешения. Ключевая метрика — ConsumedUnits: это те же значения, которые используются для метеринга AWS Marketplace, поэтому билл можно сверять вплоть до модели и транспорта. Второй компонент — Prometheus-метрики движка и per-GPU метрики, которые собираются через SageMaker AI detailed observability и доступны через PromQL в CloudWatch, Grafana и других совместимых инструментах.

Важно, что всё работает в условиях network isolation для AWS Marketplace model packages: контейнеру не нужно открывать исходящие соединения, а данные остаются внутри аккаунта клиента. Это позволяет совмещать требования к residency и compliance с прозрачным мониторингом инференса.

#AI #Deepgram #SageMaker #AWS #Observability

❌ Несущая лексика Claude: какие слова нельзя убрать из промпта

На Hacker News появился разбор «load-bearing vocabulary» — словарного ядра, на котором буквально держатся ответы Claude. Автор проекта Луи Абрахам исследует, какие слова и формулировки в промпте критически влияют на качество генерации: если их убрать или заменить синонимом, результат модели заметно деградирует.

Идея в том, что некоторые выражения работают как несущие конструкции: они не просто украшают запрос, а задают структуру рассуждений модели. Например, фразы вроде «step by step», «let's think», «in other words» могут радикально менять поведение Claude. Проект показывает, как выявлять такие элементы и почему они так важны для стабильной работы с LLM.

Для разработчиков это практический инструмент: понимание «несущей лексики» помогает писать более надёжные промпты и эффективнее отлаживать агентные сценарии. Это не очередной список «магических фраз», а попытка системно разобраться, как модели Claude воспринимают инструкции.

#AI #Claude #LLM # #Prompts #HackerNews

🌎 Планетарный движок прогнозирования: Google автоматизирует глобальные геомодели

Google Research представила экспериментальный Planetary Prediction Engine (PPE) в рамках инициативы Google Earth AI. Система автономно выполняет полный цикл геопространственного моделирования — от поиска данных до обучения моделей — по запросу на естественном языке. Это ускоряет получение прогнозов для продовольственной безопасности, здравоохранения, экологических рисков и социально-экономических задач.

PPE разбивает рабочий процесс на три этапа, каждый управляется LLM. Сначала система переводит запрос в пространственно-временные ограничения и находит ковариаты в Data Commons, Google Earth Engine и открытых правительственных источниках. Затем объединяет данные с эмбеддингами геопространственных фундаментальных моделей — Population Dynamics Foundation Models и AlphaEarth — и применяет строгий «Feature Gate» для защиты от утечки целевой переменной. На финальном этапе PPE перебирает линейные модели, градиентный бустинг и MLP, используя защиту от переобучения с циклом самокоррекции.

Ключевая особенность — модульность: данные между этапами передаются через непрозрачные дескрипторы, а не в промпты LLM, что снимает ограничение контекстного окна. В тестах PPE показал средний R² 76,8% против 60,0% у ручного экспертного пайплайна на 21 индикаторе CDC, а также улучшил прогнозы национальных рисков FEMA. Время построения сложных моделей сокращается с недель до минут, что критично при гуманитарных кризисах.

#AI #Google #EarthAI #GeoAnalysis #AutoML