Технозаметки Малышева
13.4K subscribers
5.81K photos
2.21K videos
44 files
5.7K links
Новости инноваций из мира Искусственного Интеллекта. 🤖 [РКН: 7021469833 ]

Всё об ИИ, ИТ трендах и Технологической Сингулярности.

🤖: @ai_gptfreebot [бесплатный бот]
✍️: @tsingular_bot [каталог ботов и курсов]

💸: https://pay.cloudtips.ru/p/c8960bbb
Download Telegram
Forwarded from Machinelearning
📌 Сбер открыл исходный код Kandinsky Avatar 1.0 для генерации говорящих видеоаватаров

Модель создаёт ролики продолжительностью до 60 секунд с частотой 24 кадра в секунду. Для генерации достаточно изображения, аудиозаписи и текстового описания сцены.

Kandinsky Avatar 1.0 синхронизирует артикуляцию с речью, добавляет мимику, движения головы и жесты. Поддерживаются разные языки, для обучения использовали более миллиона видеофрагментов на 95 языках.

Разработчикам доступны две версии:
Pro — генерация видео в HD, по оценке Сбера, качество сопоставимо с HeyGen IV.
Lite — создание роликов в SD, модель можно запустить на домашней видеокарте.

Сбер открыл модели для коммерческого использования. На их основе можно разрабатывать виртуальных консультантов, образовательные сервисы, инструменты локализации и приложения для создания видеоконтента

https://huggingface.co/kandinskylab/Kandinsky-S2V-1.0-Pro-distill-Diffusers

@ai_machinelearning_big_data
#AI #Kandinsky #opensource
Please open Telegram to view this post
VIEW IN TELEGRAM
1🔥14✍4⚡2❤1🤩1
Better-auth: универсальная авторизация для агентов

Наткнулся на интересный открытый фреймворк для авторизации, который подходит в том числе и для ИИ агентов и для MCP инструментов.

🎯 Обычно, агенту, который читает почту, выдают тот же токен, что и человеку.
Отзывать его накладно, ограничивать дополнительно, - сложно или невозможно вообще, а в журнале при этом он выглядит или как обычный системный или вообще как учётка обычного пользователя.

Better-auth даёт агенту собственную личность: срок, права и след.

🔑 Сервис описывает действия: что на входе и выходе. Агент читает это описание по известному адресу и говорит, чего хочет. Потом ждёт. Человек подтверждает запрос кодом или отпечатком пальца - поддерживаются все популярные типы аутентификации.

Агент получает токен на ограниченное время, например на десять минут и только под этот сервис или действия.
Есть защита от повторных запросов и журналирование.

🔌 MCP-сервера поддерживают через такую же механику: приложение само выдаёт токены.
Клиент не регистрируется вручную: он держит файл с описанием на своём сайте, сервер читает оттуда.
Токен выдан под конкретный сервер, поэтому украденный токен бесполезен.

🧩 Остальное привычно: пароль, соцсети, вход из консоли, OIDC и отзыв. Потолок прав машинному клиенту задаёт администратор.
MIT, 30,6 тыс. звёзд, версия 1.7.15.

💡 Польза для нас в том, что не нужно писать свой слой авторизации для агентов и объяснять безопасникам, почему бот ходит под чужой учёткой.
Но есть ограничения: библиотека работает только с TypeScript, а стандарт Agent Auth ещё в процессе доработок.

Изучаем, забираем тут:
https://github.com/better-auth/better-auth
https://better-auth.com/docs/plugins/agent-auth

#MCP #OAuth #betterauth #OpenSource #агенты
–––
@tsingular
✍7⚡3❤2👍2🔥2
Forwarded from Machinelearning
📌CLEAR измерила налог на токенизатор в разных языках

Объединение Coalition for Language Equity in AI Research (CLEAR), опубликовало первое из своих исследований языкового равенства.

Поставщики моделей берут плату за токен независимо от языка, а токенизаторы обучены в основном на английском и десятке высокоресурсных языков, поэтому текст на остальных распадается на более мелкие куски и обходится дороже при том же смысле.

На одну фразу токенизатор GPT-5 расходует 13 токенов в английском варианте, 26 в малаялам и 78 в амхарском, потому что каждый знак эфиопского письма разбивается на два токена по одному байту.

Ввод на амхарском выходит в шесть раз дороже английского при том же содержании и почти том же числе символов.


Замеры проводили на наборе фраз FLORES-200, в анализ взяли 203 пары языка и письменности.

Главная метрика - отношение числа токенов у самого дорогого языка к самому дешёвому, в дополнение считали коэффициент Джини, взятую из экономики меру неравномерности распределения, которой обычно описывают расслоение доходов.

CLEAR придумала шкалу оценки: до трёх раз A, до шести B, до девяти C, до двенадцати D, выше - F.

🟡 Результаты

На двадцати самых представленных в интернете языках модели почти равны между собой, разброс от 1,5 до 3,1 раза.

На всех 200 языках единственная модель, кто получил высший грейд А - это переводческая NLLB-200, собранная под 200+ языков изначально.

Gemini и Gemma получили оценку B.

Китайский стек (Qwen 3, DeepSeek V4.1 Flash и Kimi K3) вместе с Fable 5, Opus 4.8 и Llama 4 Scout - D , у GPT-5 - F.

🟡Письменность важнее числа говорящих

Латинские языки экономнее даже при малом распространении - астурийский в данных Common Crawl не встречается, но выигрывает от латиницы и родственных романских языков.

Хуже всего приходится бирманскому, тибетскому, тифинагу, кхмерскому, лаосскому и ол-чики.

Под налог попадают и крупные языки - урду с 288 млн говорящих, бенгальский с 266 млн, панджаби с 200 млн.

Кроме цены авторы называют ещё два следствия, которые идут от того же лишнего объёма токенов:

🟠задержка ответа растёт, потому что на тот же текст модель считает больше токенов;

🟠полезная ёмкость контекста уменьшается - в редком языке в те же номинальные 128 тысяч токенов влезает лишь часть текста, который по-английски уместился бы целиком.

От ИИ-вендоров CLEAR просит публиковать обе метрики в карточках моделей, закладывать долю языков в словарь следующего поколения токенизаторов и, поскольку токенизатор до обучения новой базовой модели не поменять, прямо сейчас нормировать цену по символам.

Код для запуска теста на других моделях лежит в репозитории проекта.

Продолжение про равенство качества ответов по языкам CLEAR обещает опубликовать позже.


@ai_machinelearning_big_data

#AI #ML #NLP #Research #CLEAR
Please open Telegram to view this post
VIEW IN TELEGRAM
✍4❤1⚡1👨‍💻1
Forwarded from CodeCamp
Заметка на будущее: продолжать не доверять ИИ.

Разработчик попросил GPT-6 Sol перезагрузить сервер, а тот просто… сломал монтирование дисков, systemd и контейнеры. Ещё и запустил какие-то левые скрипты.

Вайбкодер настолько офигел был а шоке от этого, что открыл issue и оценил ущерб более чем в $10 тысяч. Codex же признал, что не имел полномочий вносить такие изменения, но что он теперь может… В общем, денек явно у парня не задался.

Ночной кошмар вайбкодеров 👻
Please open Telegram to view this post
VIEW IN TELEGRAM
25😁13🤯7👾5❤1👍11
Запустил тут задачку... разобрать 1 млн сообщений.
Прогноз - 118 часов ( 😭😭😭 это рыдают 3 ноутбука, на которых локальные квены греют комнату)

Короче, в этом году у меня дня рождения еще не было, - приму в дар 2 штуки M5 Ultra 512 Gb ;)

#юмор
———
@tsingular
1🤣31✍55😢2❤1🤯1🤩1
Revolut перешли на GLM: счёт за код снизился в 10 раз

🎯 Revolut перевела 2 000 инженеров с Claude Code и Codex на открытые веса GLM
Модель крутят на своих 56 чипах Nvidia B200. Получается 30 центов за миллион токенов
И это десятая часть того, что уходило в Anthropic и OpenAI

🔁 Безлимит на инференс развязал разрабам руки. Раньше они ждали отката лимитов и тратили время между сессиями. Теперь же могут работать в удобном для себя ритме, что в итоге ускорило время написания кода на 60%, а путь от задачи до мержа на 70%.

📦 Контекст для разработки держат на 256 тысяч токенов, хотя модель держит миллион: длинный контекст занимает память видеокарт и мешает параллельным запросам. Квантизация FP4 на Blackwell экономит около 40% этой памяти без потери точности.

Zai агрессивно растут. Что интересно,- они и партнерку активно развивают.
У других китайских LLM вендоров такого не видел, а эти товарищи прям фокусно работают над b2b и маркетингом. В том числе в Европе.

📎 Запись доклада и расшифровка

#GLM #Revolut #zai
———
@tsingular
🔥22✍8👍6⚡2❤1🤩1🤣1🗿1
This media is not supported in your browser
VIEW IN TELEGRAM
pg-jev: классификатор прикрутили к Postgres

🎯 появился плагин к Postgres, позволяющий фильтровать данные по смыслу:
WHERE jev(reviews, 'клиент злится'). Без векторной колонки, индекса и отдельного сервиса рядом.

Это расширение pg-jev: строки уходят в модель Jev от TypeSafe, которая возвращает вероятность «да/нет», выбранную метку или оценку по шкале.
Ответ приходит числом, и SQL сразу его сортирует и складывает с обычными условиями.

⚙️ Функций четыре: jev() работает в WHERE, jev_prob() даёт вероятность, jev_choice() выбирает метку из списка, jev_score() ставит строку на шкалу.
Строки уходят пакетами по двадцать штук, ответы кэшируются на время сессии.

📊 Замер на 2 000 строк: первый прогон 3,5 секунды, 100 запросов, около 296 тысяч токенов и 1,2 цента. Второй прогон - 50 миллисекунд, LIMIT 3 на новом условии - 0,6 секунды.

⚠️ В режиме по умолчанию вы отдаёте свои данные в чужой API. Хорошая новость в том, что адрес API можно заменить на свой сервер, и данные не покинут сеть.

💡 По сути это такой интересный вариант динамической онтологи. Быстрая оценка,- подходят ли данные для ответа на запрос.
Лицензия PostgreSQL, 1,2 тыс. звёзд.

📎 https://github.com/realZachi/pg-jev · https://pgjev.com

#Postgres #SQL #OpenSource #Jev
------
@tsingular
🔥14⚡2❤2👨‍💻2
У OpenAI уже есть модели значительно мощнее публичных

Два графика из публикаций OpenAI показывают, насколько далеко продвинулись внутренние модели компании в решении сложных научных задач.

Слева результаты из свежей публикации, справа из предыдущей работы, посвящённой уравнениям Навье - Стокса.

Судя по представленным результатам, экспериментальные модели OpenAI демонстрируют заметный прогресс. Причём речь может идти о гораздо более серьёзных улучшениях, чем обычное обновление ChatGPT.

Пока эти модели недоступны пользователям, а их реальные возможности за пределами опубликованных тестов остаются неизвестными.

Источник: https://x.com/OpenAI/status/2117692475775258785
⚡128❤3✍2👍1🫡1🗿1🦄1
так. 2 мысли за утро:

1. DeepseekHarness+CopilotKit
2. AlphaZero + Skills

кто понял, тот понял, кто не понял, - тому и не надо :)

#идеи
———
@tsingular
✍7🔥6😁3🤩3
1 гипотеза рабочая, но не в 100% виде. оказывается DSH уже часть возможностей CopilotKit имеет, а вот AG-UI возможно будет полезен

#DSH #CopilotKit
———
@tsingular
✍6🤩2👍1
Переходим ко второй части Марлезонского балета

#юмор #графы #RSI
———
@tsingular
😁9⚡2🔥2❤1💯1
Не даёт мне покоя тема самоулучшения навыков.

Актуальность её растет тем сильнее, чем больше агентов внедряются в компаниях.
Каждый из них множит свои навыки и при этом не всегда оптимально и успешно.
Вы в это тоже упрётесь, если ещё нет.

Поэтому предлагаю вместе посмотреть, как в разных работах предлагают навыки оптимизировать.

Разобрал шесть работ 2026 года, обзор 124 исследований и Harness² от Google.

Основные выводы пока такие:
Контроль пороговых значений и метрик даёт больше, чем количество попыток.

Когда количество навыков разрастается до нескольких десятков, простой поиск по сходству перестаёт работать надёжно и находить нужный навык, нужны иерархия, связи, версии и временные метки.

Все методы пока проверяют эффект работы навыка после его запуска.
Следующий шаг, - модель, которая оценит эффект от изменения навыка ДО его запуска.

Обсудим в эфире на канале ИИзбранное в воскресенье в 20:00

Презентация там же

#навыки #агенты #презентации #руководства
———
@tsingular
👍9🔥4⚡2❤1🥰1🤩1💯1
Argon от Google переписал модель океана из 174 тысяч строк Fortran в Rust за 59 минут

🎯 Разработчики взяли FVCOM, модель прибрежного океана из 264 файлов и 174 774 строк, а Argon от Google переписал её на Rust за 59 минут. Скорость выросла в 1,88 раза.

⚙️ Задание было из четырёх условий: никаких блоков unsafe, без выделений памяти в горячих циклах, файл до 400 строк с тестами, а числа обязаны совпасть с оригиналом на ста прогонах.

🕐 Работа шла в три этапа: одиннадцать минут на сборку и эталоны, три минуты на план, сорок пять минут на перенос в 13 модулей Rust.

🐞 Перенос вскрыл ошибки, которые в Фортране не были видны годами: одна запись выходила за массив на 50 колонок, счёт из трёх номеров узлов переполнял 32 бита на большой сетке, а солёность могла уйти в минус и попасть под корень. Строку H1(0) = H1(1) Argon объяснил как обход деления на ноль.

🧪 Первый прогон дал 36 из 37. Один тест упал на бассейне, где вся вода лежит одним слоем: расчёт полез за нижний слой, которого нет. Argon прочитал трассировку, добавил проверку и получил 42 из 42 при покрытии 96,8%, а сто прогонов совпали до 12-го знака.

📈 Скорость росла так: 883, 682, 548 и 469 мс после LLVM-профиля. Памяти программа стала занимать вдвое меньше: 5,48 МБ вместо 11,84 МБ.

💡 Навык migrate-to-rust Google выложили в коллекцию для разработчиков:
Работает на любом коде.

#Gemini #Antigravity #Rust #Fortran
------
@tsingular
🔥15⚡2❤1✍1👍1🏆1🤗1