👩‍⚕️ Google представила ИИ-фреймворк для поиска биомаркеров по данным носимых устройств

Исследователи Google Research представили Biomarker Discovery Framework - мультиагентную ИИ-систему для приоритизации кандидатных биомаркеров на основе данных с носимых устройств. Проблема в том, что обычные LLM-агенты «ломаются» на физиологических временных рядах: они оптимизируют предсказательную точность, игнорируя статистическую валидность, что ведёт к ложным корреляциям и утечкам данных.

Новый фреймворк структурирует процесс как итеративный исследовательский цикл под контролем человека. Оркестратор разбивает задачу на план и направляет специализированных агентов через шесть фаз: анализ данных, проверка гипотез по литературе, цикл статистического анализа, состязательная валидация (11 проверок на утечки, переобучение и физиологическую правдоподобность), глубокая оценка механизмов и генерация отчёта.

Систему протестировали на трёх когортах (9 279 наблюдений) в областях психического здоровья и метаболических заболеваний. Она выявила 41 кандидатный цифровой биомаркер для ментального здоровья и 25 для метаболических исходов. Например, вариабельность продолжительности сна коррелировала с тяжестью депрессии (ρ = 0.252), а индекс сердечно-сосудистой выносливости (шаги, делённые на ЧСС в покое) — с инсулинорезистентностью. Результаты проверялись на стабильность, утечки и альтернативные объяснения перед выдачей гипотезы эксперту.

Практическая ценность - ускорение поиска клинически значимых сигналов в зашумлённых данных без потери статистической строгости.

#Ai #Framework #Healthcare #BioMarker #Science #Research

🔼ИИ-агент Faraday от Inherent обошел Anthropic и OpenAI в воспроизведении научных исследований

Лондонский стартап Inherent, основанный выходцами из Google DeepMind, заявил, что его агент Faraday превзошёл Claude Opus 4.8 и GPT-5.5 в воспроизведении результатов опубликованных научных работ. При этом Faraday работает на модели Qwen 3.6 с 27 млрд параметров — заметно меньшей, чем у фронтирных систем конкурентов.

Компания вышла из тени несколько недель назад с раундом на $50 млн. В Inherent подчёркивают: важнее победы был подход. Агента обучали с помощью reinforcement learning, вознаграждая за хорошие исходы, а не за следование правилам. Цель — развить у ИИ «исследовательский вкус»: умение выбирать эксперименты и строить их дизайн. При этом для написания кода Faraday использовал GPT-5.5 Codex от OpenAI, а не собственный инструмент.

В Inherent видят в этом шаг к созданию «ИИ-учёного», способного не только проверять чужие результаты, но и открывать новые знания. Команда из примерно 12 человек работает в офисе в King's Cross и планирует расшириться до 20–25 сотрудников к концу года.

#AI #Agents #Science #DeepMind #Inherent

🌐 Google DeepMind расширила Co-Scientist до полного лабораторного исследователя

Система больше не просто генерирует гипотезы — теперь она планирует эксперименты, управляет лабораторным оборудованием и пишет научные статьи. Обновлённый AI Co-Scientist от Google DeepMind работает как мультиагентная система на базе Gemini, интегрированная прямо в исследовательский процесс.

В трёх областях — от синтеза материалов до автономной разработки медицинской AI-архитектуры — система выдала экспериментально подтверждённые результаты. Это серьёзный шаг от «подсказчика идей» к замкнутому контуру автоматизации науки: модель не только предлагает, что проверить, но и проводит проверку, фиксирует данные и оформляет выводы.

Для научных групп такой инструмент потенциально закрывает рутинную часть цикла: постановка задачи, настройка эксперимента, сбор результатов и подготовка публикации. Пока остаются вопросы контроля качества и воспроизводимости, но сам факт того, что AI-система проходит полный цикл от гипотезы до статьи, меняет представление о роли ИИ в исследовательской работе.

#AI #GoogleDeepMind #Science #Research #Gemini

⚙️ Anthropic выпустила Claude Fable 5.1 и Mythos 5.1

Anthropic представила Claude Fable 5.1 и Claude Mythos 5.1 - это одна и та же модель с разным уровнем ограничений: Fable доступен всем, Mythos только через программы проверенного доступа, с ослабленными барьерами для работы в кибербезопасности и науках о жизни. Прирост в бенчмарках заметный: на Terminal-Bench-Science точность выросла с 24,7% у Fable 5 до 52,6%, на агентном кодинге Terminal-Bench 4.0 - с 42% до 55,8% (у Mythos 60,9%), в знаниевой работе GDPval-AA v2 - 1853 против 1723. GPT-5.6 Sol в приведённых компанией замерах отстаёт по всем позициям. В тестах инвестфирмы Millennium модель нашла причину редкого сбоя во внутренних системах, которую инженеры не могли объяснить несколько лет.

Отдельно вынесены научные результаты, и они самое интересное в релизе. Mythos 5.1 проектировал белки-связки: на трёх целях аффинность оказалась в десять раз выше лучших работ конкурса Adaptyv Bio, а доля рабочих вариантов достигла почти 50% на 12 целях при типичных для отрасли 10 -15%. Fable 5.1 обучил нейросеть и построил новую карту высот для трети поверхности Венеры по радарным снимкам миссии Magellan тридцатилетней давности - разрешение улучшилось с 10–20 км до 2–3 км, карта выложена под лицензией Creative Commons в расчёте на будущие миссии NASA VERITAS и ESA EnVision. Ещё Mythos написал собственные GPU-ядра и ускорил семь открытых моделей для геномики и работы с белками до 2,5 раз, срезав расчётные затраты на вычисления на 30–60%.

Второй сюжет - цена. Чтение из кеша подешевело на 75%, до $0,25 за миллион токенов, а остальные тарифы не изменились: $10 за миллион входных и $50 за миллион выходных. На типичной нагрузке это примерно минус 25% к общей стоимости против Fable 5, на тяжёлых агентных задачах, где кеш составляет основную часть расходов, - до 45%. Модель по умолчанию работает на High effort в Claude Code и на Medium в Cowork и на claude.ai; на низких уровнях усилия она даёт результаты Fable 5, но дешевле.

Ограничения переработаны в сторону меньшего числа ложных срабатываний. Fable 5.1 теперь разрешено искать уязвимости в софте - но не разрабатывать эксплойты; пользователи Claude Code должны увидеть примерно на 60% меньше вмешательств киберзащитных фильтров за сессию. Пентест, генерация эксплойтов и бинарный анализ по-прежнему уходят к моделям Opus. Биологические фильтры срабатывают на безобидных школьных и медицинских вопросах на 85% реже. Для корпоративных клиентов осенью поэтапно начнёт разворачиваться система Enterprise Frontier Safeguards: данные хранятся в облаке самого заказчика, а не у Anthropic, что даёт приватность уровня zero data retention.

По безопасности: Mythos 5.1 показывает самые сильные кибервозможности среди выпущенных моделей компании, но остаётся в нижней категории риска по внутренней рамке, а по химико-биологическим рискам не достигает следующего порога Responsible Scaling Policy. Автоматический аудит поведения показал, что модель реже предшественника пытается выйти за пределы тестового окружения и реже занимается мотивированным обоснованием своих действий. Добавлены и механизмы против дистилляции: новым API-аккаунтам больше нельзя вручную править предыдущий контекст с сохранением стенограммы размышлений Claude. Fable 5.1 уже доступен на всех платформах, включая AWS, Google Cloud и Microsoft Azure, под идентификатором claude-fable-5-1.

#Ai #Claude #Fable #Mythos #AI #Science

🌐 Google DeepMind представила атлас из 9 миллиардов вариантов ДНК

Исследователи Google DeepMind выпустили AlphaGenome Atlas — базу предвычисленных предсказаний модели AlphaGenome для всех возможных одиночных замен нуклеотидов в референсном геноме человека. Учёным больше не нужно самим писать код и запускать вычислительно сложную модель: достаточно выбрать интересующий вариант и посмотреть его прогнозную оценку.

Модель AlphaGenome сравнивает исходную и изменённую последовательности ДНК и предсказывает, как мутация повлияет на регуляцию генов. В атласе появилась новая функция — единый балл воздействия, который показывает значимость варианта с первого взгляда. Полный датасет занимает около петабайта. Чтобы собрать его, команде пришлось ускорить расчёты в 80 раз за счёт дистилляции модели, оптимизации GPU-ядер и устранения избыточных вычислений.

У ресурса есть ограничения: модель не оценивает комбинации мутаций, а некоторые регуляторные элементы работают за пределами её поля зрения. Тем не менее атлас позволит исследователям отсеивать заведомо незначимые варианты и планировать лабораторные эксперименты. Данные доступны бесплатно для некоммерческого использования, коммерческое лицензирование возможно отдельно. AlphaGenome Atlas продолжает линию DeepMind в геномике после AlphaFold и AlphaMissense.

#AI #Science #BioTech #GoogleDeepMind

🍏 Apple представила SimpleDesign — модель для совместного дизайна последовательностей и структур белков

Apple ML Research опубликовала работу SimpleDesign — генеративную модель для совместного моделирования аминокислотной последовательности и трёхмерной структуры белка. Функция белка определяется сложным взаимодействием этих двух модальностей, поэтому их согласованный дизайн критичен для разработки лекарств и белковой инженерии.

Большинство существующих подходов используют многоэтапное обучение: сначала автоэнкодеры токенизируют данные в латентные представления, а затем на них отдельно тренируется генеративная модель. Такой конвейер усложняет обучение и может терять часть информации при переходе между этапами. SimpleDesign вместо этого моделирует последовательность и структуру совместно в единой архитектуре, что позволяет учитывать их взаимное влияние напрямую.

Практическая ценность — в задачах de novo дизайна белков, где нужно предложить последовательность, которая сворачивается в заданную структуру, и наоборот. Это направление особенно востребовано в фармацевтике и синтетической биологии, где поиск подходящих молекул традиционно занимает годы экспериментов.

#AI #Science #Bioinformatics #Proteins #ML #Apple

🌐 Джон Платт из Google - об ИИ для науки: система ERA, климат и алгоритмы из sklearn

В подкасте Latent.Space вышло интервью с Джоном Платтом - обладателем «Оскара» за технологии, автором Platt scaling и SMO, одним из тех, кому приписывают сам термин «свёрточные нейросети».

Главная тема - Google Empirical Research Assistance (ERA). Идея проста: любую научную задачу, сводимую к функции оценки («scoreable task»), можно решить перебором кода. Gemini ведёт дерево прошлых экспериментов-ноутбуков, а правило Upper Confidence Bound выбирает, какие ветки мутировать - оптимистично, а не жадно, поэтому шанс есть и у пятого по перспективности варианта. Историю ветки видят все листья, так что они учатся друг у друга. Переход с Gemini 2.0 на 2.5 превратил систему из нерабочей в отлично работающую. Итог - минимум десять научных публикаций, включая климатические.

Отдельный кейс: инверсионные следы самолётов дают около 1% антропогенного потепления. Команда два года не могла построить модель отражённого солнечного света - ERA нашла простое решение с неизвестными ранее конфаундерами. Код открыт на GitHub и работает с любой LLM.

Платт предупреждает: ERA - «электроинструмент, которым можно отрезать пальцы». Метрика, ставшая целью, перестаёт быть метрикой. Совет начинающим: «Всегда сначала стройте линейную регрессию. Просто сделайте это».

#AI #Science #Google #Gemini #MachineLearning #ERA

💻 NVIDIA и DeepMind открыли 3D-структуры белков 2800 вирусов

NVIDIA присоединилась к коалиции с Google DeepMind и EMBL-EBI, чтобы выложить в открытый доступ предсказанные 3D-структуры белковых комплексов более чем 2800 вирусов. Данные добавлены в базу AlphaFold Database и доступны любому исследователю.

Структуры получены моделью AlphaFold2, а масштабирование расчётов на тысячи вирусных протеомов обеспечил NVIDIA BioNeMo Inference Runtime. Отдельно NVIDIA открыла BioNeMo Structure Prediction Pipeline - GPU-ускоренный пайплайн, который позволяет пройти путь от последовательности белка до предсказанной 3D-структуры для собственных задач. Если классическая кристаллография требует лет и тысяч долларов на структуру, то AlphaFold2 считает её за минуты и пачками.

Около 30% новых взаимодействий белков ранее не встречались в Protein Data Bank. В проекте участвуют CEPI, Seoul National University, Swiss Institute of Bioinformatics и University of Glasgow; сама база AlphaFold уже содержит свыше 260 млн предсказаний.

#AI #Science #NVIDIA #AlphaFold #BioNeMo

🧠 Доступ к ИИ почти отбивает у людей желание сказать «не знаю»

Учёные провели пять экспериментов с 3132 участниками, чтобы проверить, как наличие языковой модели меняет отношение человека к неопределённости. Вывод: одна лишь возможность спросить ИИ почти полностью уничтожает готовность признать, что ответа нет.

Вопросы подбирали так, чтобы модель Step 3.5 Flash почти всегда ошибалась - мелкие визуальные детали из фильмов, которые редко встречаются в интернет-текстах и потому провоцируют галлюцинации. В контрольной группе без ИИ участники воздерживались от суждения в 36 и 44% случаев, с доступом к ИИ - в 6 и 3%. Уверенность выросла с 29,6 до 75,9 балла из 100, а доля правильных ответов упала с 27,6 до 10%. Суммарно 9,2% верных ответов с ИИ против 27,5% без него: отвечали чаще, а ошибались примерно втрое больше.

Денежные стимулы (10 центов за верный ответ и штраф за ошибку) снижали частоту обращений к модели, но эффект остался скромным и статистически не сочетался с доступом к ИИ. Когда ответ показывали автоматически, без запроса, картина почти не менялась: отказ от суждения падал с 35% до 1%. Авторы связывают это с «Epistemia» - склонностью принимать убедительно звучащий ответ ИИ, не проверяя его. Обычно люди недооценивают чужие советы, здесь вышло наоборот.

#AI #Social #Research #Science #Hallucinations #LLM

⚙️ Ai2 открыла исходники AstaBrief 8B - модели быстрой генерации научных отчётов

Allen Institute for AI (Ai2) выложила в open source веса AstaBrief 8B и данные обучения. Модель превращает исследовательский вопрос и найденные фрагменты литературы в связный отчёт с цитированием источников. Она уже работает в функции Generate a report платформы Asta как Fast mode - рядом с Thinking mode на Claude.

За базу взят Qwen3-8B, обучение построено на SFT и DPO без RL: подход дешевле и стабильнее. Для SFT собрали 90 тыс. реальных запросов учёных из Asta, после фильтрации осталось 47 тыс. примеров с эталонными отчётами от Claude 3.5/3.7 Sonnet, o3, o4-mini и GPT-4.1. Для DPO сформировали около 6 тыс. пар, где победителя выбирали две модели-судьи (GPT-4.1 и DeepSeek-R1) - брали только случаи согласия, что снизило шум.

Ключевая особенность - генерация всего отчёта за один проход, без пошаговой записи по секциям и без дорогих этапов суммаризации и кластеризации сниппетов. В полном пайплайне Asta Fast mode выдаёт отчёт в среднем за 51,1 с против 178,5 с у Thinking mode, то есть примерно в 3,5 раза быстрее. Оценка велась на SQABench-CS2 (200 вопросов по computer science) по метрикам покрытия, точности ответа и точности/полноты цитирований.

Открытые веса позволяют организациям запускать AstaBrief на своей инфраструктуре - это критично, когда вопросы затрагивают чувствительные или неопубликованные данные. Вместе с моделью выложен пример workflow для генерации отчётов из собственных PDF.

🎨 qvabo.studio/tg · картинки и видео

#AI #Research #opensource #LLM #Science #Ai2

🌐 DeepMind предложили «искусственный симбиотический интеллект» вместо сингулярности

Исследователи DeepMind опубликовали эссе, в котором предлагают альтернативу идее сингулярности - «Artificial Symbiotic Intelligence». По их мнению, ключевая задача AI-исследований смещается: вместо построения изолированного сверхразума нужно координировать сложную сеть агентов, людей и связывающих их систем. Интеллект здесь рассматривается как социальное явление, а не индивидуальная черта.

Аргумент опирается на два препринта. В работе «Reasoning Models Generate Societies of Thought» авторы проанализировали reasoning-трейсы моделей DeepSeek-R1 и QwQ-32B и заметили паттерны внутреннего спора: смену перспектив, возражения, примирение конфликтующих подходов. Это поведение возникает при обучении, а не программируется явно - при reward только за точность рассуждений модели сами вырабатывают многоперспективный «разговорный» режим.

Авторы описывают агента не как цифрового двойника с фиксированной личностью, а как временную сборку из моделей, ролей, памяти, инструментов и этических установок, которая пересобирается под каждый запрос. Отсюда практические выводы: интерфейсы будущего - это скорее визуальные сети из узлов-агентов, а не чат один-на-один. Оркестраторы, координирующие несколько моделей, уже регулярно обходят отдельных «более умных» агентов. Alignment тоже переосмысляется - не как навязывание фиксированных ценностей, а как постоянная переговорная процесса между людьми, агентами и институтами.

🎨 qvabo.studio/tg · картинки и видео

#AI #DeepMind #Science #Research #Agents #Alignment

⚙️ BootLoops: открытый инструмент для точных научных расчётов с помощью ИИ

Физик из Гарварда Мэтью Шварц, приглашённый исследователь Anthropic, представил BootLoops - открытый harness (исходники доступны на GitHub), который заставляет ИИ-модели вроде Claude выполнять точные научные вычисления. Идея Шварца: не заставлять модель имитировать человека-исследователя, а искать «задачи, по форме подходящие Claude» - на стыке того, что нужно науке, и того, что ИИ реально умеет.

Результаты за три месяца: 36 рукописей в 18 областях с 19 соавторами. В физике частиц Claude вычислил 30 интегралов - 15 воспроизвели известные результаты, 15 получены впервые. В экологии решено уравнение из нейтральной теории биоразнообразия, стоявшее 20 лет: данные показали, что состав видов деревьев на острове Барро-Колорадо меняется в 4,5 раза быстрее, чем допускает теория. В популяционной генетике проанализировано 5,7 млрд пар мутаций из проекта 1000 Genomes. Отдельно - база ударений на 6072 языка и ИИ-редактор для проверки 4452 пакетов репликации в экономике.

Шварц предупреждает: модель рано объявляет победу, склонна к грубому перебору и очень требовательна к токенам, а её выводы могут быть неверны при корректных расчётах. Роль человека и научный метод остаются незаменимыми.

🎨 qvabo.studio/tg · картинки и видео

#Tech #BootLoops #AI #Research #Science #OpenSource #Claude

🇨🇳 Китай завершит первую очередь нейтринного телескопа Hailing в Южно-Китайском море

Глубоководный проект Hailing (TRIDENT) входит в решающую фазу строительства: первая очередь должна быть готова в следующем году. Об этом сообщил главный научный руководитель проекта Сюй Дунлянь из Института имени Цзун-Дао Ли (Шанхайский университет Цзяо Тун) после вручения Нобелевской премии по физике 2026 года.

Телескоп разместится на глубине более 3000 метров: свыше тысячи вертикальных нитей и около 20 000 оптических модулей в трёх фазах общим объёмом примерно 10 кубических километров - это в десять раз больше IceCube. Полномасштабные морские испытания завершились в августе 2025 года, а первый пробный запуск состоялся ещё в 2021-м.

Нобелевскую премию получил Фрэнсис Халцен (IceCube) за открытие высокоэнергетических астрофизических нейтрино; TRIDENT указан в официальном научном обосновании премии среди телескопов следующего поколения - вместе с IceCube-Gen2, KM3NeT, P-ONE и Baikal-GVD. После запуска Hailing станет первым нейтринным телескопом вблизи экватора и войдёт в глобальную сеть мультиканальной астрономии. Цель Китая - выйти на ведущие позиции в области физики высокоэнергетических нейтрино к 2035 году.

🎨 qvabo.studio/tg · картинки и видео

#Tech #Astrophysics #China #Science #IceCube

🦠 Создатель ИИ-спроектированных вирусов расскажет о своей работе на стриме MIT

Сэмюэл Кинг, аспирант Стэнфорда и исследователь Arc Institute, в 2025 году применил генеративную модель, чтобы предложить генетические «чертежи» бактериофагов - вирусов, уничтожающих бактерии. Формально это ещё не искусственная жизнь, но следующий шаг может быть именно таким. За эту работу Кинг вошёл в список Innovators Under 35 по версии MIT Technology Review.

16 октября в 18:30 по британскому времени он ответит на вопросы старшего репортёра по ИИ Джеймса О'Доннелла: как генеративные модели меняют дизайн биологических объектов, можно ли доверять предсказаниям геномных и белковых моделей и что стоит за «новым способом смотреть на биологию». Разговор закрытый - только для подписчиков издания.

Практическая ценность темы в том, что ИИ-дизайн фагов заменяет ручной перебор мутаций: фаги нужны там, где антибиотики перестали работать. Пока речь идёт о вычислительных кандидатах, которые затем проверяют в лаборатории, но именно такие пайплайны - «модель предлагает, эксперимент подтверждает» - становятся стандартом в биоинженерии.

🎨 qvabo.studio/tg · картинки и видео

#AI #Bioengineering #Science #Biology #ML #Research

⚙️ Открытые ИИ-модели: польза против рисков

MIT Technology Review разбирает, почему спор об открытых и закрытых моделях сложнее, чем кажется. Поводом стал отчёт Anthropic: компания заявила, что открытая модель GLM-5.3 от китайской Z.ai несёт серьёзный риск кибератак - её можно свободно скачать и модифицировать.

Закрытые модели доступны только через API или приложение. Открытые (open-weight) позволяют загрузить веса, запустить модель на своём железе, переобучить или сжать. Для исследователей это единственный способ изучать внутреннюю логику моделей и chain of thought; для бизнеса - дешевле и безопаснее при работе с чувствительными данными.

Главный довод за открытость - недопущение концентрации власти: технология должна быть общественным благом, а не инструментом нескольких лабораторий. Но есть и контраргумент: по данным Ghana NLP, компании выпускают модели открыто, забирают улучшения сообщества и встраивают их в свои продукты без компенсации.

По безопасности картина двойственная. У скачанной модели нет фильтров запросов, а защитные отказы легко снимаются дообучением. При этом закрытые модели тоже используют для взлома - отчёты Anthropic это подтверждают. Более того, Hugging Face после атаки ИИ-агентов анализировал инцидент именно открытой моделью: вопросы блокировались фильтрами закрытых.

Вывод авторов: выбор между запретом и свободным релизом - всегда компромисс между безопасностью и демократизацией.

🎨 qvabo.studio/tg · картинки и видео

#AI #Science #OpenModels #Research #Security #OpenSource

❗️USTC поставил рекорд преобразования частоты 393→1550 нм для квантовых сетей

Команда USTC под руководством Пань Цзяньвэя и Чжан Цяна показала низкошумовое преобразование частоты фотонов из УФ-диапазона (393 нм) в телеком-полосу 1550 нм. Работа опубликована в Physical Review Letters.

Ловушки ионов - одна из ведущих платформ квантовых сетей: долгая когерентность и точное управление. Но ионы излучают в ультрафиолете, который быстро поглощается в оптоволокне. Спасает квантовое преобразование частоты (QFC), сохраняющее квантовое состояние фотона, - однако раньше эффективность была низкой, шум высоким, а запутанность между ионными узлами ограничивалась метрами.

Исследователи построили количественную модель влияния дефектов доменов кристалла на квази-фазовый синхронизм и подтвердили её экспериментально. Обнаружив, что при коротковолновой накачке преобразование и главный источник шума (спонтанное параметрическое рассеяние) смещаются в противоположные стороны, они подавили шум накачки.

Итог: эффективность 28,8% «от конца до конца» и шум 35 отсчётов в секунду - примерно в 30 раз эффективнее и на два порядка тише предыдущих работ. Модуль уже применён с кубитами на ионах кальция-40: сигнал/шум 120:1, дальняя запутанность и device-independent QKD. Это ключевой компонент масштабируемых квантовых повторителей.

🎨 qvabo.studio/tg · картинки и видео

#Tech #QuantumNets #Photonics #QuantumComputing #Science #USTC

⚛️ «Мы смотрели на это неправильно»: исследователь заявил, что нейросети поддаются расшифровке

Ник Каммарата из стартапа Goodfire опубликовал 26 000-словный пост, который всколыхнул AI-мир. Его тезис: нейросети могут оказаться гораздо понятнее - а значит, и контролируемее, - чем считалось. Поводом стала тревожная осень: агенты крупных компаний неоднократно выходили из-под контроля, и индустрия ищет способы заглянуть внутрь собственных моделей.

Каммарата, ранее работавший в OpenAI над механистической интерпретируемостью, вернулся к модели Inception v1 2014 года. Раньше считалось, что нейрон, реагирующий и на машины, и на кошек, - пример «суперпозиции», неразбираемого клубка смыслов. Пересмотрев тысячи примеров, он увидел общее: V-образную форму - морду кошки и передок автомобиля сбоку. Реагировал нейрон и на угол бильярдного стола, нос синкансэна, а «выключали» его круглые O-образные объекты.

Оптимизм разделяют не все. Крис Поттс из Стэнфорда называет это «догадкой», Джейкоб Хилтон из ARC напоминает, что понято менее 0,01% внутреннего устройства топовых LLM, а Нил Нанда из Google DeepMind не видит существенного сдвига в интерпретируемости. Сам Каммарата признаёт: открытых вопросов много, и технические результаты по современным LLM ещё впереди.

🎨 qvabo.studio/tg · картинки и видео

#AI #Interpretation #Tech #Science #Research #Goodfire