Forwarded from НИИ ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
Spline выпустил плагин для ChatGPT и Codex: интерактивную 3D-сцену теперь можно создать и отредактировать прямо в разговоре. Плагин уже есть в каталоге плагинов OpenAI.
По документации Spline, плагин подключает ChatGPT к облачному MCP-серверу Spline и добавляет навык, который подсказывает модели, когда и как им пользоваться. Устанавливать ничего не нужно, ключ API тоже: вы входите своим аккаунтом Spline. В ChatGPT рядом с чатом открывается настоящий редактор Spline, и сцена собирается на глазах. Объект можно подвинуть руками или сменить ему материал: перед следующим шагом ChatGPT перечитает файл и продолжит с ваших правок.
Просить можно 3D-сцены с объектами, материалами, светом, камерами, анимацией и взаимодействиями, а также сайты и экраны приложений в Hana, дизайн-инструменте Spline. Плагин генерирует 3D-модели и картинки через Spline AI, проверяет себя скриншотами и по просьбе публикует сцену по ссылке. Примеры из документации: интерактивный 3D-плеер, кулинарная игра, конфигуратор стула. Следующие просьбы в том же разговоре правят тот же файл.
В Codex работает тот же плагин. Сервер можно подключить и вручную:
На выходе получается обычный файл в аккаунте Spline: его можно открыть в редакторе и доделать руками, поддерживать сгенерированный код не придётся.
pimenov.ai/blog
По документации Spline, плагин подключает ChatGPT к облачному MCP-серверу Spline и добавляет навык, который подсказывает модели, когда и как им пользоваться. Устанавливать ничего не нужно, ключ API тоже: вы входите своим аккаунтом Spline. В ChatGPT рядом с чатом открывается настоящий редактор Spline, и сцена собирается на глазах. Объект можно подвинуть руками или сменить ему материал: перед следующим шагом ChatGPT перечитает файл и продолжит с ваших правок.
Просить можно 3D-сцены с объектами, материалами, светом, камерами, анимацией и взаимодействиями, а также сайты и экраны приложений в Hana, дизайн-инструменте Spline. Плагин генерирует 3D-модели и картинки через Spline AI, проверяет себя скриншотами и по просьбе публикует сцену по ссылке. Примеры из документации: интерактивный 3D-плеер, кулинарная игра, конфигуратор стула. Следующие просьбы в том же разговоре правят тот же файл.
В Codex работает тот же плагин. Сервер можно подключить и вручную:
codex mcp add spline --url https://mcp.spline.design/mcp codex mcp login spline
На выходе получается обычный файл в аккаунте Spline: его можно открыть в редакторе и доделать руками, поддерживать сгенерированный код не придётся.
pimenov.ai/blog
👀9🤩3🤯2
TuringQ применила фотонный квантовый процессор к сжатию LLM и обошла SVD на 4,69 пункта
TuringQ и Шанхайский университет транспорта выложили препринт QuLoC: выходы фотонного квантового устройства задают веса при низкоранговом сжатии Qwen3.5-4B.
🔬 Каждый MLP в слоях 8–23 заменяется произведением двух матриц низкого ранга, а между ними стоит вектор гейтинга.
Вектор собирается из 373 измеренных кривых отклика семи конфигураций чипа с четырьмя оптическими модами: вероятности детектирования проходят через обучаемую классическую матрицу.
Матрицы инициализируются усечённым SVD, дальше идут две стадии: послойное восстановление каждого блока по поведению исходного слоя и общая дистилляция от замороженного Qwen3.5-27B.
После обучения гейтинг вшивается в матрицы: на выходе получается обычная плотная модель без квантовых схем в инференсе.
📊 На инференсе средняя точность такой модели по шести задачам выросла с 48,54 % у оптимизированного SVD до 53,23 %.
Сильнее всего рост оказался на HellaSwag, плюс 10,92 пункта, дальше ARC-Easy +5,22 и WinoGrande +4,63.
Перплексия на WikiText-2 упала с 14,133 до 12,734, на C4 с 26,027 до 25,350.
Параметров в языковой части стало меньше на 20,05 %: 3,36 млрд против 4,21 млрд.
Основная серия изменений шла на численной модели схемы с 16 модами: против Swift-SVD 54,03 % против 49,24 %, отсюда заявленные 9,73 % относительного прироста.
📐 Замеров задержки и пропускной способности в работе нет. Авторы пишут, что разница в точности объясняется параметризацией гейтинга, а не квантовым вычислительным преимуществом, и что вшивание коэффициентов само по себе ускорения не даёт.
💼 Это ещё не квантовая LLM: процессор участвует только в подготовке коэффициентов сжатия, генерация идёт на обычном железе.
Однако к списку применений QPU к языковым моделям добавилась ещё одна экспериментально подтверждённая область.
#TuringQ #QuantumComputing #кванты
———
@tsingular
TuringQ и Шанхайский университет транспорта выложили препринт QuLoC: выходы фотонного квантового устройства задают веса при низкоранговом сжатии Qwen3.5-4B.
🔬 Каждый MLP в слоях 8–23 заменяется произведением двух матриц низкого ранга, а между ними стоит вектор гейтинга.
Вектор собирается из 373 измеренных кривых отклика семи конфигураций чипа с четырьмя оптическими модами: вероятности детектирования проходят через обучаемую классическую матрицу.
Матрицы инициализируются усечённым SVD, дальше идут две стадии: послойное восстановление каждого блока по поведению исходного слоя и общая дистилляция от замороженного Qwen3.5-27B.
После обучения гейтинг вшивается в матрицы: на выходе получается обычная плотная модель без квантовых схем в инференсе.
📊 На инференсе средняя точность такой модели по шести задачам выросла с 48,54 % у оптимизированного SVD до 53,23 %.
Сильнее всего рост оказался на HellaSwag, плюс 10,92 пункта, дальше ARC-Easy +5,22 и WinoGrande +4,63.
Перплексия на WikiText-2 упала с 14,133 до 12,734, на C4 с 26,027 до 25,350.
Параметров в языковой части стало меньше на 20,05 %: 3,36 млрд против 4,21 млрд.
Основная серия изменений шла на численной модели схемы с 16 модами: против Swift-SVD 54,03 % против 49,24 %, отсюда заявленные 9,73 % относительного прироста.
📐 Замеров задержки и пропускной способности в работе нет. Авторы пишут, что разница в точности объясняется параметризацией гейтинга, а не квантовым вычислительным преимуществом, и что вшивание коэффициентов само по себе ускорения не даёт.
💼 Это ещё не квантовая LLM: процессор участвует только в подготовке коэффициентов сжатия, генерация идёт на обычном железе.
Однако к списку применений QPU к языковым моделям добавилась ещё одна экспериментально подтверждённая область.
#TuringQ #QuantumComputing #кванты
———
@tsingular
✍7⚡3🆒1
Forwarded from НИИ ИИ
Интернет продолжает трещать по швам. На прошлой неделе вскрылись PHP, GitLab и Node.js, теперь очередь Tailscale. 25 октября исследовательница Erica Windisch выложила в открытый доступ 11 уязвимостей в этой программе. Исправлений к ним пока нет.
Tailscale — популярный способ связать свои компьютеры, серверы и телефоны в одну частную сеть, чтобы они безопасно видели друг друга через интернет. Так соединяют домашние серверы, рабочие ноутбуки и целые парки серверов в компаниях.
Самое громкое в отчёте: если в такой сети взломан хотя бы один компьютер и включён встроенный удалённый вход Tailscale SSH, атака в лаборатории перескакивала на соседние серверы меньше чем за секунду и получала там полный контроль. Исследовательница называет это червём. О реальных атаках пока не сообщалось. Tailscale подтвердила, что получила отчёт, нашла проблемы и готовит исправления.
Что сделать сейчас
• Включите автообновление Tailscale: его советует сама компания, и исправление придёт сразу после выхода.
•Не откатывайтесь на старые версии. Исправлений Tailworm в них тоже нет, а текущая 1.104.2 закрывает другую проблему, с сертификатами.
• Если не пользуетесь Tailscale SSH, выключите его командой
tailscale set --ssh=false.
Перед этим убедитесь, что на сервер можно зайти другим способом.
Более подробно на сайте: В Tailscale нашли 11 дыр и выложили их до патча
Tailscale — популярный способ связать свои компьютеры, серверы и телефоны в одну частную сеть, чтобы они безопасно видели друг друга через интернет. Так соединяют домашние серверы, рабочие ноутбуки и целые парки серверов в компаниях.
Самое громкое в отчёте: если в такой сети взломан хотя бы один компьютер и включён встроенный удалённый вход Tailscale SSH, атака в лаборатории перескакивала на соседние серверы меньше чем за секунду и получала там полный контроль. Исследовательница называет это червём. О реальных атаках пока не сообщалось. Tailscale подтвердила, что получила отчёт, нашла проблемы и готовит исправления.
Что сделать сейчас
• Включите автообновление Tailscale: его советует сама компания, и исправление придёт сразу после выхода.
•Не откатывайтесь на старые версии. Исправлений Tailworm в них тоже нет, а текущая 1.104.2 закрывает другую проблему, с сертификатами.
• Если не пользуетесь Tailscale SSH, выключите его командой
tailscale set --ssh=false.
Перед этим убедитесь, что на сервер можно зайти другим способом.
Более подробно на сайте: В Tailscale нашли 11 дыр и выложили их до патча
✍6🔥6👀6⚡3❤1
для тех, кому мало было халявы от ZAI на выходных, - бонусом ещё 300млн токенов в ZCode :)
#Zai
———
@tsingular
#Zai
———
@tsingular
🔥10⚡3❤2
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
OpenAI выпустила GPT-6.1 Terra для агентных сценариев, работы с компьютером и повседневного кодинга. Цена в API вдвое ниже, чем у GPT-5.6 Terra: $1 за миллион входных токенов вместо $2 и $6 за миллион выходных вместо $12.
По словам OpenAI, модель решает задачи более чем втрое быстрее, чем Astra и GPT-6.1 Sol. На Agents' Last Exam она заметно обходит GPT-5.6 Terra и, как сообщается, сравнима с GPT-6 Astra при цене токена примерно в десять раз ниже.
Доступна в ChatGPT Work, Codex и через API под id gpt-6.1-terra. В ChatGPT раскатка идёт на Plus, Pro, Enterprise и Edu.
Источник: https://openai.com/index/introducing-gpt-6-1-terra/
@ai_machinelearning_big_data
#ChatGPT #OpenAI
Please open Telegram to view this post
VIEW IN TELEGRAM
👍18⚡6🤯6❤🔥2🤣2
Прикольный промпт на ночь:
Делитесь что получилось у кого :)
#промпты
------
@tsingular
создай картинку, которая бы не пришла в голову человеку - максимально нечеловеческое изображение отражающее твое отношение ко мне.
И не старайся, чтоб мне понравилось.
Делитесь что получилось у кого :)
#промпты
------
@tsingular
🔥42😁14❤6✍4🤔3👻3⚡2🦄1
ИИ обвиняют в 165 тысячах сокращений за 2026 год
Наткнулся на интересный трекер AI Layoffs Tracker, который собрал 97 объявлений в 91 компании из 16 стран, где ИИ указан причиной сокращений: 165 614 мест на 22 октября.
В 59% случаев компания говорит, что работу выполняет ИИ, в 20% сокращения освобождают бюджет под ИИ-инфраструктуру, в 20% формулировки общие. 🧾
Microsoft в этих цифрах абсолютный лидер: 26 октября компания предложила добровольный выкуп контрактов 60 тысячам сотрудников при штате 223 тысячи, при этом капитальные вложения в центры данных и чипы на 2026 год запланированы в 175 млрд долларов.
Получается реально те деньги, которые раньше шли на штат, перераспределили на датацентры.
Госы не отстают.
Правительство Нидерландов планирует сократить аппарат примерно на 25 тысяч ставок за десять лет, экономия составит 900 млн евро в 2027 году и 3,5 млрд евро ежегодно с 2035-го, кроме полиции и обороны, конечно.
💼 Крупнейшие бюджеты на ИИ-инфраструктуру на 2026 год у компаний, которые в этом году сокращали штат: Amazon около 220 млрд долларов капитальных вложений, Alphabet 195–205 млрд, Microsoft 175 млрд.
📎 План правительства Нидерландов, Barclays
#Microsoft #FutureOfWork #увольнения
———
@tsingular
Наткнулся на интересный трекер AI Layoffs Tracker, который собрал 97 объявлений в 91 компании из 16 стран, где ИИ указан причиной сокращений: 165 614 мест на 22 октября.
В 59% случаев компания говорит, что работу выполняет ИИ, в 20% сокращения освобождают бюджет под ИИ-инфраструктуру, в 20% формулировки общие. 🧾
Microsoft в этих цифрах абсолютный лидер: 26 октября компания предложила добровольный выкуп контрактов 60 тысячам сотрудников при штате 223 тысячи, при этом капитальные вложения в центры данных и чипы на 2026 год запланированы в 175 млрд долларов.
Получается реально те деньги, которые раньше шли на штат, перераспределили на датацентры.
Госы не отстают.
Правительство Нидерландов планирует сократить аппарат примерно на 25 тысяч ставок за десять лет, экономия составит 900 млн евро в 2027 году и 3,5 млрд евро ежегодно с 2035-го, кроме полиции и обороны, конечно.
💼 Крупнейшие бюджеты на ИИ-инфраструктуру на 2026 год у компаний, которые в этом году сокращали штат: Amazon около 220 млрд долларов капитальных вложений, Alphabet 195–205 млрд, Microsoft 175 млрд.
📎 План правительства Нидерландов, Barclays
#Microsoft #FutureOfWork #увольнения
———
@tsingular
👍5🎃4⚡2❤2🦄1
This media is not supported in your browser
VIEW IN TELEGRAM
vLLM Semantic Router выпустил d3-ultra: 27b модель решений
Новая модель семейства Decision 3.0 содержит 26,09 млрд параметров, из них 0,46 млрд приходится на визуальный кодировщик. На вход она принимает текст или JSON, при необходимости с изображениями и видео, а на выходе даёт вероятность для каждого варианта ответа, не порождая ни одного токена текста. Веса открыты под Apache-2.0, контекст составляет 131 072 токена 🧾
Модель получила глазки и умеет обрабатывать как изображения так и видео за один проход, т.е. можно задать сразу серию из десятка вопросов по ролику и получить полный расклад с вероятностями по каждому варианту ответа.
На собственном тесте SR-Text, где 10 411 запросов и 73 495 вопросов пересоздают задания 34 публичных бенчмарков, модель набрала 87,2 балла.
Для сравнения: GLiDE V1.2 получила 85,1, d1-ultra 83,4, d3 81,4, Jev 1.14 73,1.
В тесте SR-Box на поиск объектов по десяти предметным областям результат 58,2% против 60,0% у d3-turbo, при этом GLiDE V1.2, d1-ultra и d3 такие вопросы не поддерживают.
Скорость на одной плате AMD Instinct MI325X: 304 мс на один вопрос об изображении, 2,16 с на 255 вопросов об одном и том же изображении.
💼 Модель можно бесплатно попробовать через API и в Space на Hugging Face, веса опубликованы там же.
Такой интерфейс удобен для маршрутизации обращений, модерации и разметки: вместо генерации и последующего разбора текста система получает калиброванное распределение и сразу решает, куда отнести запрос.
📎
Бесплатный API,
Space для проверки
#vLLM #LLM #OpenSource
———
@tsingular
Новая модель семейства Decision 3.0 содержит 26,09 млрд параметров, из них 0,46 млрд приходится на визуальный кодировщик. На вход она принимает текст или JSON, при необходимости с изображениями и видео, а на выходе даёт вероятность для каждого варианта ответа, не порождая ни одного токена текста. Веса открыты под Apache-2.0, контекст составляет 131 072 токена 🧾
Модель получила глазки и умеет обрабатывать как изображения так и видео за один проход, т.е. можно задать сразу серию из десятка вопросов по ролику и получить полный расклад с вероятностями по каждому варианту ответа.
На собственном тесте SR-Text, где 10 411 запросов и 73 495 вопросов пересоздают задания 34 публичных бенчмарков, модель набрала 87,2 балла.
Для сравнения: GLiDE V1.2 получила 85,1, d1-ultra 83,4, d3 81,4, Jev 1.14 73,1.
В тесте SR-Box на поиск объектов по десяти предметным областям результат 58,2% против 60,0% у d3-turbo, при этом GLiDE V1.2, d1-ultra и d3 такие вопросы не поддерживают.
Скорость на одной плате AMD Instinct MI325X: 304 мс на один вопрос об изображении, 2,16 с на 255 вопросов об одном и том же изображении.
💼 Модель можно бесплатно попробовать через API и в Space на Hugging Face, веса опубликованы там же.
Такой интерфейс удобен для маршрутизации обращений, модерации и разметки: вместо генерации и последующего разбора текста система получает калиброванное распределение и сразу решает, куда отнести запрос.
📎
Бесплатный API,
Space для проверки
#vLLM #LLM #OpenSource
———
@tsingular
🔥5⚡2🤩2❤1🙏1
Forwarded from эйай ньюз
OpenAI и Anthropic опубликовали опровержения гипотезы экспоненциального времени
Оба результата были достигнуты внутренними моделями компаний 16 октября, почти одновременно. Компании уже опубликовали пейперы и доказательства на Lean.
Гипотеза экспоненциального времени это более сильная версия неравенства P и NP, которая постулировала что некоторые задачи можно решить только брутфорсом, её доказательство означало бы и неравенство P и NP. Какие у этого опровержения будут практические последствия сейчас сказать сложно.
Кроме этого опровержения, OpenAI сегодня опубликовали значительные прорывы в математике и физике.
Доказательство Anthropic
Доказательство OpenAI
@ai_newz
Оба результата были достигнуты внутренними моделями компаний 16 октября, почти одновременно. Компании уже опубликовали пейперы и доказательства на Lean.
Гипотеза экспоненциального времени это более сильная версия неравенства P и NP, которая постулировала что некоторые задачи можно решить только брутфорсом, её доказательство означало бы и неравенство P и NP. Какие у этого опровержения будут практические последствия сейчас сказать сложно.
Кроме этого опровержения, OpenAI сегодня опубликовали значительные прорывы в математике и физике.
Доказательство Anthropic
Доказательство OpenAI
@ai_newz
🤯9🔥5⚡1
STAR50 потерял 44% с июльского пика: из китайских ИИ-акций исчезли 480 млрд долларов
27 октября индекс STAR50 закрылся на 1252,28 пункта, потеряв 4,81% за день. От максимума 1 июля в 2255,25 он опустился на 44,5%, а за последние две недели на 12,3%.
CSI 300, индекс крупнейших компаний, ушёл на 20% ниже июньского пика и вошёл в медвежий рынок 🧾
С января по июль индекс вырос на 61%, после чего развернулся; Reuters и Bloomberg описывают этот обвал как лопнувший пузырь.
По оценке Goldman Sachs, акции, связанные с ИИ, составляют 42% капитализации китайского рынка и 57% оборота A- и H-акций.
За четыре месяца из них стёрли около 480 млрд долларов.
Единого события-триггера не было. Сработали растянутые оценки, налоговые обязательства и угроза запрета китайского оборудования для дата-центров.
STAR50 торгуется примерно за 100 годовых прибылей против 250 на пике, тогда как Nasdaq 100 торгуется около 30.
Сам Nasdaq от рекорда трёхнедельной давности потерял 6%.
Сильнее всех досталось именам, на которых держался рост.
Unitree после августовского размещения с переподпиской в 8000 раз подешевела вдвое, CXMT потеряла больше четверти за месяц, MetaX и Moore Threads подешевели вдвое с июля, производители оптики Zhongji Innolight и Eoptolink потеряли около 60% с июньских максимумов.
💼 При этом заметны следующие эффекты: Частные инвесторы потеряли на теме, в которой участвовали государственные фонды, а управляющий Hong Hao из Lotus Asset Management говорит, что происходящее остановит многих, кто готовился к листингу.
📎 Bloomberg о медвежьем рынке
#Китай #пузырьИИ
———
@tsingular
27 октября индекс STAR50 закрылся на 1252,28 пункта, потеряв 4,81% за день. От максимума 1 июля в 2255,25 он опустился на 44,5%, а за последние две недели на 12,3%.
CSI 300, индекс крупнейших компаний, ушёл на 20% ниже июньского пика и вошёл в медвежий рынок 🧾
С января по июль индекс вырос на 61%, после чего развернулся; Reuters и Bloomberg описывают этот обвал как лопнувший пузырь.
По оценке Goldman Sachs, акции, связанные с ИИ, составляют 42% капитализации китайского рынка и 57% оборота A- и H-акций.
За четыре месяца из них стёрли около 480 млрд долларов.
Единого события-триггера не было. Сработали растянутые оценки, налоговые обязательства и угроза запрета китайского оборудования для дата-центров.
STAR50 торгуется примерно за 100 годовых прибылей против 250 на пике, тогда как Nasdaq 100 торгуется около 30.
Сам Nasdaq от рекорда трёхнедельной давности потерял 6%.
Сильнее всех досталось именам, на которых держался рост.
Unitree после августовского размещения с переподпиской в 8000 раз подешевела вдвое, CXMT потеряла больше четверти за месяц, MetaX и Moore Threads подешевели вдвое с июля, производители оптики Zhongji Innolight и Eoptolink потеряли около 60% с июньских максимумов.
💼 При этом заметны следующие эффекты: Частные инвесторы потеряли на теме, в которой участвовали государственные фонды, а управляющий Hong Hao из Lotus Asset Management говорит, что происходящее остановит многих, кто готовился к листингу.
📎 Bloomberg о медвежьем рынке
#Китай #пузырьИИ
———
@tsingular
👀8🔥2❤1⚡1🤯1
Unsloth выпустила GGUF-сборки MiniMax-M3.1-Flash, где 2-битная версия сохраняет 91,5% точности полной модели
Unsloth выложила кванты MiniMax-M3.1-Flash: 428 млрд параметров, 23 млрд активных на токен, контекст до 1 млн токенов.
Сборка UD-Q2_K_XL весит всего 144 ГБ, это на 45% меньше 8-битной (259,1 ГБ), и работает на одной машине со 150–160 ГБ памяти при контексте 16K.
🔧 Unsloth Dynamic v3 не задаёт единую битовую глубину сети: точность распределяется по слоям, чувствительные части получают больше битов. UD-Q3_K_XL (194 ГБ) обходит обычный IQ4_XS (около 230 ГБ) по аккуратности полной модели во всех семи категориях и при этом весит меньше.
📊 Средняя доля совпавших токенов по семи категориям: 1 бит при 129,4 ГБ даёт 89,9%, 2 бита 91,5%, 4 бита 98,0% при 249,4 ГБ.
Категории: код, математика, чат, вызовы инструментов, мультиязычность, рассуждения, агентные задачи.
Внутри 2 бит разброс заметный: 88,5% в чате, 95,7% в математике и 91,2% на коде против 97,6% у 4 бит.
⚡️ К сборке приложена черновая голова DSpark на 2,1 ГБ в Q8_0: она предлагает токены, которые основная модель проверяет. В тестах Unsloth это дало около 1,5× на коде и математике.
Для картинок отдельный проектор на 1,74 ГБ
Нужна сборка llama.cpp с поддержкой MiniMax-M3.1.
📎 Руководство Unsloth по запуску · Сборка llama.cpp с MiniMax-M3.1
Unsloth, как Робин-Гуд, продолжает отбирать модели у богатых и раздавать бедным :)
#Unsloth #MiniMax
———
@tsingular
Unsloth выложила кванты MiniMax-M3.1-Flash: 428 млрд параметров, 23 млрд активных на токен, контекст до 1 млн токенов.
Сборка UD-Q2_K_XL весит всего 144 ГБ, это на 45% меньше 8-битной (259,1 ГБ), и работает на одной машине со 150–160 ГБ памяти при контексте 16K.
🔧 Unsloth Dynamic v3 не задаёт единую битовую глубину сети: точность распределяется по слоям, чувствительные части получают больше битов. UD-Q3_K_XL (194 ГБ) обходит обычный IQ4_XS (около 230 ГБ) по аккуратности полной модели во всех семи категориях и при этом весит меньше.
📊 Средняя доля совпавших токенов по семи категориям: 1 бит при 129,4 ГБ даёт 89,9%, 2 бита 91,5%, 4 бита 98,0% при 249,4 ГБ.
Категории: код, математика, чат, вызовы инструментов, мультиязычность, рассуждения, агентные задачи.
Внутри 2 бит разброс заметный: 88,5% в чате, 95,7% в математике и 91,2% на коде против 97,6% у 4 бит.
⚡️ К сборке приложена черновая голова DSpark на 2,1 ГБ в Q8_0: она предлагает токены, которые основная модель проверяет. В тестах Unsloth это дало около 1,5× на коде и математике.
Для картинок отдельный проектор на 1,74 ГБ
Нужна сборка llama.cpp с поддержкой MiniMax-M3.1.
📎 Руководство Unsloth по запуску · Сборка llama.cpp с MiniMax-M3.1
Unsloth, как Робин-Гуд, продолжает отбирать модели у богатых и раздавать бедным :)
#Unsloth #MiniMax
———
@tsingular
🔥15🤩3⚡1
Forwarded from Не баг, а фича
Opus 5.5 научил FPV-дроны самостоятельно преследовать людей — без оператора, интернета и GPS.
Дрон строит тепловую карту препятствий с помощью камеры, закрепляется за жертвой и может летать за ней даже в лесу, облетая каждую ветку.
У нас будет тяжелое будущее😨
🙂 Не баг, а фича
Дрон строит тепловую карту препятствий с помощью камеры, закрепляется за жертвой и может летать за ней даже в лесу, облетая каждую ветку.
У нас будет тяжелое будущее
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔40👀18😢8❤4👻4🤯3🎃2🔥1
Forwarded from НИИ ИИ
This media is not supported in your browser
VIEW IN TELEGRAM
Anthropic открыла свои финансы: выручка компании на каждого сотрудника за год превысила 6,6 млн долларов.
26 октября 2026 года компания подала в SEC заявку на IPO по форме S-1 и собирается разместить акции на бирже Nasdaq под тикером ANT. Сколько акций продадут и по какой цене, пока не определено.
Выручка Anthropic по годам:
- 2023 год — 41 млн долларов;
- 2024 год — 386 млн;
- 2025 год — 4,6 млрд;
- первое полугодие 2026 года — 16,3 млрд против 1,2 млрд годом раньше.
На 30 сентября 2026 года в компании работало около 5300 человек. За год выручка за последние 12 месяцев выросла примерно на 1200%, а штат — на 170%. Отсюда и рост выручки на сотрудника с 1,4 млн до более чем 6,6 млн долларов.
Компания связывает это в том числе с тем, как широко её команды используют Claude: стоимость внутреннего использования Claude по прайс-листу с января по сентябрь 2026 года выросла больше чем в 250 раз, а в апреле её месячная сумма впервые превысила месячные расходы на персонал без учёта выплат акциями.
Клиенты с каждым годом тратят больше. Удержание выручки (Net Revenue Retention) — около 900%: компании, которые платили Anthropic год назад, в третьем квартале 2026 года принесли ей примерно в девять раз больше. Подписки Claude Pro и Max в этот расчёт не входят. Клиентов, которые приносят больше 100 тысяч долларов в год, стало больше 11 900, годом раньше их было около 950.
Почти половина денег, 48% выручки первого полугодия, пришла через облачные маркетплейсы AWS, Google Cloud и Azure.
Из продуктов в заявке выделен Cowork, агент для офисной работы. Его в исследовательском режиме открыли в январе 2026 года, и он набирает пользователей быстрее, чем Claude Code в тот же срок после запуска. С сентября Cowork объединяют с обычным чатом Claude в одно приложение.
Без минусов не обошлось. Чистый убыток за первое полугодие — 80,7 млрд долларов. Большая часть, 72,4 млрд, — бумажная переоценка конвертируемых займов и других финансовых инструментов, операционный убыток составил 693 млн.
В разделе о стратегии компания пишет, что разрыв между тем, что умеет Claude, и тем, насколько широко им пользуются, — одна из её главных возможностей для роста.
pimenov.ai/blog
26 октября 2026 года компания подала в SEC заявку на IPO по форме S-1 и собирается разместить акции на бирже Nasdaq под тикером ANT. Сколько акций продадут и по какой цене, пока не определено.
Выручка Anthropic по годам:
- 2023 год — 41 млн долларов;
- 2024 год — 386 млн;
- 2025 год — 4,6 млрд;
- первое полугодие 2026 года — 16,3 млрд против 1,2 млрд годом раньше.
На 30 сентября 2026 года в компании работало около 5300 человек. За год выручка за последние 12 месяцев выросла примерно на 1200%, а штат — на 170%. Отсюда и рост выручки на сотрудника с 1,4 млн до более чем 6,6 млн долларов.
Компания связывает это в том числе с тем, как широко её команды используют Claude: стоимость внутреннего использования Claude по прайс-листу с января по сентябрь 2026 года выросла больше чем в 250 раз, а в апреле её месячная сумма впервые превысила месячные расходы на персонал без учёта выплат акциями.
Клиенты с каждым годом тратят больше. Удержание выручки (Net Revenue Retention) — около 900%: компании, которые платили Anthropic год назад, в третьем квартале 2026 года принесли ей примерно в девять раз больше. Подписки Claude Pro и Max в этот расчёт не входят. Клиентов, которые приносят больше 100 тысяч долларов в год, стало больше 11 900, годом раньше их было около 950.
Почти половина денег, 48% выручки первого полугодия, пришла через облачные маркетплейсы AWS, Google Cloud и Azure.
Из продуктов в заявке выделен Cowork, агент для офисной работы. Его в исследовательском режиме открыли в январе 2026 года, и он набирает пользователей быстрее, чем Claude Code в тот же срок после запуска. С сентября Cowork объединяют с обычным чатом Claude в одно приложение.
Без минусов не обошлось. Чистый убыток за первое полугодие — 80,7 млрд долларов. Большая часть, 72,4 млрд, — бумажная переоценка конвертируемых займов и других финансовых инструментов, операционный убыток составил 693 млн.
В разделе о стратегии компания пишет, что разрыв между тем, что умеет Claude, и тем, насколько широко им пользуются, — одна из её главных возможностей для роста.
pimenov.ai/blog
🔥10⚡9
CopilotKit выпустили OpenDuet, четвёртую открытую копию чужого ИИ-сотрудника
27 октября вышел OpenDuet. За два месяца это уже четвёртый шаблон копирующий функционал популярных вендоров: OpenBot в августе, OpenMuse в сентябре, OpenDots в конце сентября.
Код открыт под MIT, разворачивается на своём сервере, агент подключается по AG-UI, модель выбирается любая.
OpenDuet работает как автономный агент, - утром читает Gmail и календарь и присылает сводку: что требует внимания, а что подождёт.
Дальше проверяет подключённые приложения в фоне, пишет в один тред текстом или голосом, доводит задачу после закрытия приложения.
Перед письмом, оплатой счёта или удалением показывает черновик и ждёт решения: разрешить раз, разрешить всегда или отказать.
Пароли не читает, их вводят в маскИрованное поле, которое уходит прямо на сайт.
Ответы на уточнения превращаются в навыки через Automatic Learning.
💼 Ещё их агент за эти месяцы научился: Определять каждому агенту отдельный контейнер с браузером, файлами и оболочкой, а ответы по документам компании отправлять со ссылками на источники.
OpenDots добавляет роли и страницы-пространства, куда складывается результат.
OpenMuse повторяет личного агента Meta*: одна кодовая база для iOS, Android и веба.
Звёзды на GitHub: OpenBot 7 334, OpenDots 6 075, OpenMuse 5 729, OpenDuet 80. Открытые копии работают витриной платного Soar: ключ Intelligence бесплатный, а командное внедрение под брендом заказчика продаётся отдельно.
📎 Код OpenDuet · OpenBot · OpenDots
*Meta - запрещённая в РФ организация, признанная террористической
#CopilotKit #AIAgents #OpenSource
———
@tsingular
27 октября вышел OpenDuet. За два месяца это уже четвёртый шаблон копирующий функционал популярных вендоров: OpenBot в августе, OpenMuse в сентябре, OpenDots в конце сентября.
Код открыт под MIT, разворачивается на своём сервере, агент подключается по AG-UI, модель выбирается любая.
OpenDuet работает как автономный агент, - утром читает Gmail и календарь и присылает сводку: что требует внимания, а что подождёт.
Дальше проверяет подключённые приложения в фоне, пишет в один тред текстом или голосом, доводит задачу после закрытия приложения.
Перед письмом, оплатой счёта или удалением показывает черновик и ждёт решения: разрешить раз, разрешить всегда или отказать.
Пароли не читает, их вводят в маскИрованное поле, которое уходит прямо на сайт.
Ответы на уточнения превращаются в навыки через Automatic Learning.
💼 Ещё их агент за эти месяцы научился: Определять каждому агенту отдельный контейнер с браузером, файлами и оболочкой, а ответы по документам компании отправлять со ссылками на источники.
OpenDots добавляет роли и страницы-пространства, куда складывается результат.
OpenMuse повторяет личного агента Meta*: одна кодовая база для iOS, Android и веба.
Звёзды на GitHub: OpenBot 7 334, OpenDots 6 075, OpenMuse 5 729, OpenDuet 80. Открытые копии работают витриной платного Soar: ключ Intelligence бесплатный, а командное внедрение под брендом заказчика продаётся отдельно.
📎 Код OpenDuet · OpenBot · OpenDots
*Meta - запрещённая в РФ организация, признанная террористической
#CopilotKit #AIAgents #OpenSource
———
@tsingular
🔥10⚡3❤1🤩1
Auto Ontology от NVIDIA,- немного SQL смысла для ИИ агентов
Фреймворк автоматически собирает онтологию данных из метаданных и анализа: вытаскивает схему из Postgres, Databricks, Snowflake или DuckDB, сводит расходящиеся определения метрик и складывает граф в Postgres с pgvector. Агент обращается к нему через MCP, CLI или API 🧾
Смысл в проверяемости. Модель получает не просто список таблиц, а подтвержденные определения, связи и наследуемость, а сгенерированный SQL сверяется с этими определениями.
Фреймворк позволяет избежать ошибок, возникающих в запросах без точного контекста.
Вклад онтологии проверяется парными тестами: один и тот же вопрос получает агент с голой схемой и агент с онтологией, оба прогона оцениваются сравнением результата. Для этого даже не нужен отдельный вызов модели.
В репозитории для этого лежит отдельный набор с BIRD и BEAVER.
По умолчанию внутри инференс идёт через NVIDIA NIM, - Nemotron 3 Nano 30B A3B для запросов, Nemotron 3 Embed 1B для эмбеддингов и Llama Nemotron Rerank VL 1B v2 для переранжирования, но Next.js и FastAPI гибкие, можно настроить под себя. Есть схема разворачивания в Helm в Kubernetes или Docker Compose локально.
💼 Исправления и удачные запросы возвращаются в онтологию, поэтому общий контекст уточняется с каждым вопросом.
Внешние пул-реквесты компания пока не принимает.
📎 Набор для замеров text-to-SQL
#NVIDIA #LLM #OpenSource
———
@tsingular
Фреймворк автоматически собирает онтологию данных из метаданных и анализа: вытаскивает схему из Postgres, Databricks, Snowflake или DuckDB, сводит расходящиеся определения метрик и складывает граф в Postgres с pgvector. Агент обращается к нему через MCP, CLI или API 🧾
Смысл в проверяемости. Модель получает не просто список таблиц, а подтвержденные определения, связи и наследуемость, а сгенерированный SQL сверяется с этими определениями.
Фреймворк позволяет избежать ошибок, возникающих в запросах без точного контекста.
Вклад онтологии проверяется парными тестами: один и тот же вопрос получает агент с голой схемой и агент с онтологией, оба прогона оцениваются сравнением результата. Для этого даже не нужен отдельный вызов модели.
В репозитории для этого лежит отдельный набор с BIRD и BEAVER.
По умолчанию внутри инференс идёт через NVIDIA NIM, - Nemotron 3 Nano 30B A3B для запросов, Nemotron 3 Embed 1B для эмбеддингов и Llama Nemotron Rerank VL 1B v2 для переранжирования, но Next.js и FastAPI гибкие, можно настроить под себя. Есть схема разворачивания в Helm в Kubernetes или Docker Compose локально.
💼 Исправления и удачные запросы возвращаются в онтологию, поэтому общий контекст уточняется с каждым вопросом.
Внешние пул-реквесты компания пока не принимает.
📎 Набор для замеров text-to-SQL
#NVIDIA #LLM #OpenSource
———
@tsingular
🔥7⚡1❤1🤩1
Forwarded from Сергей Пименов
Media is too big
VIEW IN TELEGRAM
Вчера я выложил пост про сборник «Будущее искусственного интеллекта», который Академия наук СССР выпустила в 1991 году. А сегодня из него уже вырос сайт с 18 советскими книгами про искусственный интеллект. Это проект Soviet AI: книги 1958–1991 годов, прогнозы учёных и фантастов про компьютеры, ИИ и роботов, вердикт по каждому прогнозу и сканы страниц с цитатами. У 7 книг прогнозы сбылись, у 9 частично и только у 2 не сбылись. Есть и квиз, где можно проверить, угадаете ли вы сами.
Я этот проект не планировал. Мой бот-исследователь собрал материал по 17 книгам, другой бот увидел его и предложил сделать прототип. Проект родился прямо в моменте и в моменте же был реализован.
Всё это благодаря тому, как я настроил свой процесс. Крутые проекты у меня теперь появляются каждый день, просто потому что так устроена работа. Для меня это новый уровень.
Посмотрите обязательно обе ссылки. Сайт проекта — отдельное произведение искусства. А в статье я рассказал, как это сделано: какие боты что делали и на какой инфраструктуре всё держится. По ней видно, что это не разовая удача, а процесс, в котором я сейчас нахожусь.
Сайт проекта: https://lab.pimenov.ai/soviet-ai/
Статья: https://pimenov.ai/articles/soviet-ai-kak-post-prevratilsya-v-proekt/
Я этот проект не планировал. Мой бот-исследователь собрал материал по 17 книгам, другой бот увидел его и предложил сделать прототип. Проект родился прямо в моменте и в моменте же был реализован.
Всё это благодаря тому, как я настроил свой процесс. Крутые проекты у меня теперь появляются каждый день, просто потому что так устроена работа. Для меня это новый уровень.
Посмотрите обязательно обе ссылки. Сайт проекта — отдельное произведение искусства. А в статье я рассказал, как это сделано: какие боты что делали и на какой инфраструктуре всё держится. По ней видно, что это не разовая удача, а процесс, в котором я сейчас нахожусь.
Сайт проекта: https://lab.pimenov.ai/soviet-ai/
Статья: https://pimenov.ai/articles/soviet-ai-kak-post-prevratilsya-v-proekt/
1🔥33❤10⚡5👍1🤩1
Forwarded from Machinelearning
Google представила Gemini 4 Carbon
Новая флагманская модель заняла первое место в Artificial Analysis Intelligence Index v5.0 с результатом 59 баллов. Основной упор сделали на кибербезопасность, программирование и длительную автономную работу ИИ-агентов.
Результаты бенчмарков:
- SEC-bench Pro - 88,2%: поиск реальных уязвимостей в программном обеспечении.
- ExploitGym - 54,8%: проверка возможности эксплуатации найденных уязвимостей.
- CWE-bench - 71%: автоматическое исправление уязвимого кода.
- WebDev Arena - 1769 Elo: четвёртое место в разработке веб-интерфейсов.
Что ещё интересного:
- Автономная работа несколько дней. Внутри Google модель решала сложные инженерные задачи, находила причины ошибок и исправляла их в больших кодовых базах.
- В 2 раза лучше Gemini 4 Argon генерирует безопасный код по внутренним тестам Google.
- В 10 раз эффективнее другой передовой модели создаёт качественные патчи для Chrome, по оценке команды браузера.
- На 80% меньше серьёзных нарушений инструкций при работе с кодом.
- Вдвое меньше необоснованных утверждений по сравнению с Argon.
Отдельно Google заявляет, что Carbon успешно отразила все проверенные атаки через prompt injection в одном из бенчмарков.
Доступ пока ограничен: сначала модель получат специалисты по кибербезопасности. Массовый релиз состоится позднее.
Стоимость API после запуска составит $2 за миллион входных и $10 за миллион выходных токенов на вводном тарифе.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
Новая флагманская модель заняла первое место в Artificial Analysis Intelligence Index v5.0 с результатом 59 баллов. Основной упор сделали на кибербезопасность, программирование и длительную автономную работу ИИ-агентов.
Результаты бенчмарков:
- SEC-bench Pro - 88,2%: поиск реальных уязвимостей в программном обеспечении.
- ExploitGym - 54,8%: проверка возможности эксплуатации найденных уязвимостей.
- CWE-bench - 71%: автоматическое исправление уязвимого кода.
- WebDev Arena - 1769 Elo: четвёртое место в разработке веб-интерфейсов.
Что ещё интересного:
- Автономная работа несколько дней. Внутри Google модель решала сложные инженерные задачи, находила причины ошибок и исправляла их в больших кодовых базах.
- В 2 раза лучше Gemini 4 Argon генерирует безопасный код по внутренним тестам Google.
- В 10 раз эффективнее другой передовой модели создаёт качественные патчи для Chrome, по оценке команды браузера.
- На 80% меньше серьёзных нарушений инструкций при работе с кодом.
- Вдвое меньше необоснованных утверждений по сравнению с Argon.
Отдельно Google заявляет, что Carbon успешно отразила все проверенные атаки через prompt injection в одном из бенчмарков.
Доступ пока ограничен: сначала модель получат специалисты по кибербезопасности. Массовый релиз состоится позднее.
Стоимость API после запуска составит $2 за миллион входных и $10 за миллион выходных токенов на вводном тарифе.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/
🔥14🤩2⚡1