Xynova готовит к выпуску новые кисти для роботов.

Prima1 будут иметь 22 степени свободы, тактильные сенсоры и высокоточный контроль усилия.

#роботы #руки #Xynova #Prime
------
@tsingular

Расцензуренную Qwen 3.8-27B выложили на Hugging Face и в ollama

📋 huihui-ai выложили расцензуренную Qwen 3.8-27B. Базовая модель на спорные запросы отвечает «я не могу в этом помочь», а эта сборка отвечает по существу, потому что из её весов вычтены сами направления отказа.

🔧 Метод называется вырезанием отказов. У модели собирают два набора ответов: на вредные запросы она отказывает, на обычные отвечает.
Разницу между ними считают вектором и вычитают из весов.
Первые 15 слоёв не трогают, чтобы не повредить базовые знания.
Модель мультимодальная и умеет рассуждать перед ответом.
На выходе 27,3 млрд параметров в кванте Q4_K_M, контекст 256 тысяч токенов, около 18 ГБ на диске.

💡 Зачем это нужно.
Внутренний цензор модели блокируют целый класс легитимных задач.
Пентестерам нужны рабочие PoC-эксплойты и фишинговые сценарии, чтобы проверять собственную инфраструктуру, а базовая модель отказывает даже им.
Аналитикам безопасности нужен разбор вредоносного кода и обфускации.
Разработчикам LLM нужен агрессивный «оппонент» для проверки своих систем на устойчивость к обходу ограничений. Плюс креатив без фильтров: сценарии, литература и игры с острыми темами.
У расцензуренной модели с этим всем проблем не возникает.

💼 Запустить проще всего через Ollama одной командой:

ollama run huihui_ai/Qwen3.8-abliterated

Но это квантованная версия на Q4.
Полные веса лежат на Hugging Face в формате safetensors, если нужен другой движок или своя квантизация.
Я попросил Гермеса нарезать для тестов nvfp4 и bf16 - он из HF весов сам все сконвертировал под мак (да, кванты можно больше не ждать, а нарезать Гермесом одним запросом) и взял себе как навык, теперь если нужно что-то сгенерить без цензуры - просто вызовет эту модель локально.

ну, а если не хотите заморачиваться, - то просто
ollama run huihui_ai/Qwen3.8-abliterated

#Qwen #uncensored #abliterated
———
@tsingular

Ишь ты.. как в воду глядел.

#юмор
------
@tsingular

Они уже готовы. И как выяснилось, от них не убежать

Про Урфина Джуса кто-нибудь помнит?

В общем, они идут за вами...

@cgevent

Через несколько лет нейронки будут так шлифовать игры в реальном времени на видеокартах, что с таким качеством можно будет играть без смены движка.

автор: wowreborn

#WoW #нейрорендер #gamedev
------
@tsingular

По поводу "что выбрать если Дипсик подорожал?", - решил посмотреть на Gemini 3.7 flash
в Nous Portal ценник 1.5 - вполне норм.
при этом это мультимодалка и достаточно шустрая.

#Hermes #модели
———
@tsingular

Symbiosis Robotics продемонстрировали Direct Perception Control (DPC).

Технология работает за счет отказа от классического стека «высокоуровневые цели + трекер».
Вместо этого система напрямую маппит визуальные данные, язык, состояние тела робота и обратную связь на целевые значения для суставов и кистей.
Ключевой фокус,- координация всего тела для эффективной манипуляций.

Для бизнеса это означает создание более гибких и адаптивных роботов, способных работать в динамичных средах без жесткой привязки к предопределенным сценариям.

Что касается обучения, то здесь важен масштаб и разнообразие данных.
В базе использовано 15 010 часов данных по суставным движениям:
6 781 час — данные человека,
4 024 часа — данные роботов с манипуляторами,
3 660 часов — колесные гуманоиды,
545 часов — двуногие гуманоиды.

Все источники (телеуправление, данные с головных устройств) были преобразованы в временнó выровненные траектории суставов для различных типов корпусов.

Риски при внедрении таких систем связаны с высокой сложностью интеграции разнородных данных и необходимостью точной калибровки под конкретный тип корпуса.

Однако потенциал в упрощении архитектуры управления и улучшении общей координации делает этот подход крайне интересным для дальнейшего развития.

Итог: DPC от Symbiosis Robotics — это шаг к более «живому» и естественному поведению роботов, основанному на прямом восприятии, а не на цепочках логических выводов.

#DPC #Symbiosis #роботы
------
@tsingular

Cerebras показали CS-4

Новый сервер позволяет запускать модели на скорости в 2 раза выше, и даёт возможность запускать 10T модели на скорости в 1000+ токенов в секунду. В каждом таком сервере три WSE 3 Turbo, это разогнанная версия оригинального WSE 3. Удвоив частоту с 1,4 Ghz до 2,8 Ghz компания удвоила пропускную способность памяти и FLOP/s, что и даёт прирост в скорости моделей. Памяти на чип правда те же 44 гигабайта, так что для обещанных 10T моделей нужно несколько десятков CS-4.

Отдельная особенность CS-4 это модульность — каждый чип находится в отдельном модуле, который подключается к стойке отвечающей за питание и охлаждение. Это упрощает установку — стойки можно поставить заранее, а потом подключить к ним чипы, когда они будут готовы. К тому же это даёт возможность апгрейда в будущем.

@ai_newz

Интересно про агентские циклы.

https://youtu.be/IbEWQn51MmM

Рекомендую

0:00 — Вступление
1:34 — Что такое harness и откуда термин
3:12 — Четыре функции: определение OpenAI
4:07 — Живой агент: разбираем каждый слой
8:41 — Два типа проверок и где граница
15:56 — Почему это важно прямо сейчас
17:32 — Циклы: как harness даёт агенту работать без вас
22:07 — Три фазы индустрии
24:14 — Причём тут ваш бэкенд-опыт
28:16 — Что говорят исследования
30:11 — Семь слоёв: полная картина
37:30 — Чек-лист для вашего агента

#видео #harness #агенты
------
@tsingular

Glint: статический анализатор, который находит баги без запуска кода

⚡️ Что это. aiseeq собрал статический анализатор под Go и TypeScript, который ищет реальные ошибки ещё до запуска.
Писал его, чтобы AI-агенты быстрее вникали в чужую кодовую базу.

🔬 Как работает. Инструмент разбирает исходники в синтаксическое дерево и прогоняет по нему правила-детекторы.
Три слоя: одни ловят текстовые паттерны регулярными выражениями, другие разбирают структуру обходом дерева, а самые тяжёлые строят SSA-представление и отслеживают поток данных между функциями.

🐛 Что ловит. Конкретные баги. Классика Go: указатель на nil, завёрнутый в интерфейс, при сравнении с nil вдруг оказывается не nil.
Или маскирование ошибки, когда код возвращает ноль и делает вид, что всё прошло.
Или незакрытое тело HTTP-ответа, сравнение времени через ==, затенение переменных, забытые мьютексы.

🛡️ У правила error-masking принцип: падать явно, без тихой деградации.
Каждое срабатывание получает уровень серьёзности от низкой до критической, ложные глушатся в коде пометкой //nolint:<rule>.

Заточен под баги, которые реально роняют прод.
Пока знает Go и TypeScript, но как детектор под агентный ревью кода выглядит сильным.
Проект открыт для контрибьюторов.

Отдаём агенту ссылку и говорим создать себе на базе него навык для поиска ошибок.

Если хотите дополнить поддержкой других языков или функционалом, - велком.

#staticanalysis #golang #dev #glint
———
@tsingular

Dynamic 3.0 от Unsloth: кванты GGUF, которые выжимают +10% точности при том же размере

Unsloth выкатил третью версию своей динамической квантизации.
Для модели Qwen3.8-27B новые кванты дают на 10% выше точность по лучшему предсказанию при том же размере, чем у любого другого провайдера.

🔍 Ключ в послойном подходе. Обычная квантизация применяет один битрейт ко всей модели.
Динамическая решает для каждого слоя отдельно: чувствительные слои держит в высоких битах, остальные сжимает сильнее.
В третьей версии обновили калибровочный датасет под агентный кодинг, чат и мультиязык, переработали отбор слоёв.

Это чистая пост-тренировочная квантизация, без QAT и QAD, а калибровочный файл выложен открыто.

💡 Вместо голой метрики «лучшее предсказание» Unsloth ввёл Divergence-300: 300 свежих задач из бенчмарков кодинга и математики, генерация 32 токенов, сравнение с полной точностью.
Плюс KL-дивергенция по всем провайдерам. На маленьких квантах выигрыш доходит до +10% точности при том же объёме на диске.

🔮 Динамическая квантизация стала стандартом для MoE-моделей, а GGUF остаётся главным форматом локального инференса: Ollama, LM Studio, llama.cpp. Раз калибровочный файл открыт, комьюнити сможет повторять и улучшать метод.

1битный Qwen3.8:27b теперь весит 6,2 ГБ и держит 72% точности, будучи на 89% меньше полной модели и его можно запустить на 8Gb VRAM

Unsloth заботится о каждом :)

#Unsloth #GGUF #Qwen
———
@tsingular

Лет через 100 выбор крема будет выглядеть нелепо

#юмор
------
@tsingular

когда мем, который ты сгенерил, вирусится по всему рунету, но не приносит подписчиков:

https://t.me/xor_journal/9929

https://t.me/twitt_ota/28388

https://t.me/tsingular/8146

#юмор
------
@tsingular

Google упаковал Search и Gemini новыми ИИ-инструментами для учёбы

Google анонсировал набор учебных функций в Search и Gemini: интерактивные визуализации, 3D-симуляции, выделенный студенческий хаб и кастомные практические тесты.
Это очередной шаг в борьбе за то, чтобы Gemini стал ассистентом, к которому студенты обращаются при учёбе, против OpenAI и образовательных стартапов вроде Knowt и Gauth.

🔍 Search как репетитор: По запросу «pH scale» в AI Overview появится интерактивная визуализация, а уточняющий вопрос вроде «нанеси цитрусовые на шкалу pH» заставит AI Mode собрать индивидуальный интерактивный опыт.
Практические тесты генерируются прямо в поиске по любому предмету, от SAT-словаря до гуманитарных наук.

📷 Lens разбирает задачи: В ближайшие недели Lens в Search получит интерактивный режим обучения.
Студент фотографирует задачу, и ИИ объясняет концепцию, находит ошибки и подсказывает, если застрял. Плюс Search умеет собирать учебные документы из загруженных файлов, от фото рукописных конспектов до слайдов лекций, превращая их в одностраничник с ключевыми концепциями.

🎙 Gemini Live в фоне: Многошаговые исследовательские отчёты запускаются в Gemini Live, пока пользователь закрыл чат и занимается своими делами.
Приходит уведомление, когда отчёт готов, и обсудить находки можно голосом.

🧬 3D-симуляции: Gemini теперь генерирует функциональные 3D-симуляции. По запросу «покажи, как работает ДНК в 3D» можно вращать и приближать структуру.
Ответы включают таблицы, сетки и симуляции под конкретный промпт.

📚 Студенческий хаб: В приложении Gemini появился выделенный хаб, собирающий учебные инструменты в одном месте: учебный блокнот, флеш-карточки, практические тесты.

💼 Зачем бизнесу: Google превращает поиск из точки входа в полноценную учебную среду, удерживая студентов в своей экосистеме.
Для EdTech-стартапов это сигнал: конкурировать с бесплатными встроенными инструментами гиганта придётся за счёт глубины и специализации, а не базовых фич.

🔮 Будущее: Следующий шаг — персональный учебный агент, который знает программу конкретного студента, его слабые места и строит траекторию от конспекта до экзамена. 3D-симуляции и голосовые отчёты — это фундамент, на котором такой агент будет работать.

Кстати, очень похоже на https://learnvector.ai/ от Andrew Ng

#Google #Gemini #Search #образование #EdTech #ИИ
───
@tsingular

KnowledgeForge от AWS: как добыть золото из кладбища IT-тикетов

Давно у нас не было полезняшек от AWS, - встречайте:

📋 AWS выложили фреймворк KnowledgeForge, который закрывает дыру в корпоративной IT-поддержке.
Команды каждый месяц закрывают тысячи инцидентов, и в каждом есть ценное: симптом, первопричина, применённый фикс.
Это все копится на кладбище закрытых тикетов, и следующий инженер с той же проблемой его может не найти.
База знаний при этом со временем портится: плодятся дубли, статьи устаревают, качество скачет от автора к автору.
KnowledgeForge чинит обе стороны проблемы.

💡 Внутри две подсистемы, которые дополняют друг друга.
Генерация на ECS Fargate берёт кластер тикетов одной темы и пишет две статьи, базу знаний и разбор первопричин.
Тесты на Lambda и Step Functions прогоняет каждую статью, новую и старую, через четыре шага:
- классификация,
- поиск дублей,
- оценка качества по десяти критериям,
- обогащение.
Дубли ловятся по смыслу через векторы (!!!) в S3 Vectors, косинусное расстояние 0.05, вместо совпадения ключевых слов.
Последнее слово при этом остается за менеджером знаний в ServiceNow.

💼 Это открытая эталонная архитектура: мультитенантная, на Bedrock, с Bedrock Guardrails и отдельным KMS-ключом на заказчика.
Главная находка тут: замкнутый цикл.
Куратор пишет вектор для каждой статьи, а генерация читает эти векторы перед созданием новых.
Терминология остаётся единой, модель опирается на существующую базу и реже сочиняет процедуры на ходу.
Тот же векторный индекс работает детектором дублей.
Код на GitHub под MIT-0, разворачивается через CDK.

Т.о. кладбище тикетов при правильной обработке превращается в источник знаний для компании.

📎 Блог AWS и код на GitHub

#KnowledgeForge #AWS #ITSM
———
@tsingular

Хроники соревнований

#юмор #t800 #Терминатор
———
@tsingular