Forwarded from Machinelearning
Meta выпустила Muse Wonder, новую линейку своих самых сильных моделей для агентных задач. Вариантов два: Muse Wonder и старший Muse Wonder Full. По данным Meta, Full обходит Claude Opus 5.5 на 8 из 14 опубликованных бенчмарков, а в долгом кодинге, юридической работе и автоматизации бизнес-процессов опережает ещё GPT-6 Astra и Claude Fable 5.1.
Самый большой отрыв на SWE-Marathon, сверхдлинном инженерном тесте: 57,5 у Full против 46,3 у Opus 5.5. На DeepSWE 1.1, тоже про кодинг на длинном горизонте, счёт 79,0 против 74,2. Meta уточняет, что эти прогоны делали независимые третьи стороны.
Ещё интереснее юридический агентный бенчмарк Harvey. Там засчитывается только задача, доведённая до конца без единой галлюцинации. У Full 13,1, у Opus 5.5 всего 4,2, то есть разница больше чем в три раза. Сами цифры при этом низкие у всех: доводить сложные юридические задачи до конца без ошибок пока не умеет никто.
Модель построена вокруг Active Memory и Active Focus, а обучали её в гигаваттном дата-центре Prometheus. Весов в открытом доступе нет: Muse Wonder доступна через Meta Model API и Muse Code, Full пока только подписчикам Muse Code.
Нюанс для тех, кто будет сравнивать: в SWE-Marathon Full работал на максимальном уровне рассуждений, а конкуренты внутри своих фирменных агентов Codex и Claude Code. Так что это не строго контролируемое сравнение, и честнее дождаться независимых тестов.
https://research.meta.ai/blog/muse-wonder
@ai_machinelearning_big_data
*организация признана экстремистской, её деятельность на территории РФ запрещена.
#Muse
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🤔8⚡2❤2✍1
Как вам такой Робин Гуд? :)
Что интересно,- чем умнее будут ИИ модели, тем более выполнимым будет такой подход и за меньшее время.
#найм #dev
------
@tsingular
Что интересно,- чем умнее будут ИИ модели, тем более выполнимым будет такой подход и за меньшее время.
#найм #dev
------
@tsingular
😁107🔥23⚡9❤1
Anthropic проверила, сможет ли ИИ распространяться через бытовые устройства
📺 Anthropic изучила, сможет ли ИИ-червь самостоятельно распространяться через бытовые устройства. Исследователи разделили Gemma4-26B-A4B между 15 недорогими Android TV-приставками с 4 ГБ памяти. В демонстрации модель работала со скоростью 0,39 токена в секунду.
🧩 Одного запуска модели недостаточно: агент должен найти новое устройство, получить доступ, перенести программу и настроить на нём вычисления. На последнем этапе авторы сосредоточились: в их проверках 9-миллиардная модель сумела настроить запуск Llama3.1-8B на восьми из девяти типов оборудования.
🧪 Полный цикл проверяли отдельно, в изолированной сети из восьми облачных узлов с Android. GLM-5.2 достигла всех восьми в четырёх из пяти прогонов, а в оставшемся добралась до семи. Но доступ был намеренно упрощён, на узлах запускали другую модель, Llama3.1-8B, а управляющая GLM работала на внешнем сервере.
⚠️ Небольшие модели пока ненадёжно соединяют все этапы. Прогноз о достаточных способностях к концу 2026 года основан на общей кривой прогресса моделей, а не на готовом черве.
Для 9B-модели авторы оценивают настройку запуска на слабом железе в 28–51 час, поэтому предполагаемое горизонтальное распространение будет медленным.
🛡 Практический риск связан с адаптацией к незнакомой технике: агент может подбирать способы работы по ситуации. Для защиты важны изоляция бытовых устройств от рабочих систем, безопасные настройки доступа и контроль необычных загрузок и постоянного обмена данными между устройствами.
#Anthropic #cybersecurity #IoT
———
@tsingular
📺 Anthropic изучила, сможет ли ИИ-червь самостоятельно распространяться через бытовые устройства. Исследователи разделили Gemma4-26B-A4B между 15 недорогими Android TV-приставками с 4 ГБ памяти. В демонстрации модель работала со скоростью 0,39 токена в секунду.
🧩 Одного запуска модели недостаточно: агент должен найти новое устройство, получить доступ, перенести программу и настроить на нём вычисления. На последнем этапе авторы сосредоточились: в их проверках 9-миллиардная модель сумела настроить запуск Llama3.1-8B на восьми из девяти типов оборудования.
🧪 Полный цикл проверяли отдельно, в изолированной сети из восьми облачных узлов с Android. GLM-5.2 достигла всех восьми в четырёх из пяти прогонов, а в оставшемся добралась до семи. Но доступ был намеренно упрощён, на узлах запускали другую модель, Llama3.1-8B, а управляющая GLM работала на внешнем сервере.
⚠️ Небольшие модели пока ненадёжно соединяют все этапы. Прогноз о достаточных способностях к концу 2026 года основан на общей кривой прогресса моделей, а не на готовом черве.
Для 9B-модели авторы оценивают настройку запуска на слабом железе в 28–51 час, поэтому предполагаемое горизонтальное распространение будет медленным.
🛡 Практический риск связан с адаптацией к незнакомой технике: агент может подбирать способы работы по ситуации. Для защиты важны изоляция бытовых устройств от рабочих систем, безопасные настройки доступа и контроль необычных загрузок и постоянного обмена данными между устройствами.
#Anthropic #cybersecurity #IoT
———
@tsingular
✍7🔥6❤1⚡1
Вопреки и несмотря на, - Вас уже 13К!
Всего месяц прошел с прошлой отметки 12К!
Рад всех видеть.
Продолжаем наблюдение за Технологической Сингулярностью.
#13000
------
@tsingular
Всего месяц прошел с прошлой отметки 12К!
Рад всех видеть.
Продолжаем наблюдение за Технологической Сингулярностью.
#13000
------
@tsingular
🎉38❤20🔥11
This media is not supported in your browser
VIEW IN TELEGRAM
Люди продолжают использовать модели не по назначению и добиваются фантастических результатов.
Свежий пример, - Embedding Gemma Transcribe: из эмбеддинг-модели сделали распознавание речи.
EmbeddingGemma 2 от Google DeepMind переводит текст, картинки, аудио и видео в векторы одного общего пространства.
Если произнести слово вслух, его аудио окажется рядом с написанным словом.
Авторы решили читать слова прямо из этого пространства.
Как устроено:
🎧 Аудиоэнкодер EmbeddingGemma 2 оставили без изменений.
🧩 Небольшой «читатель» переносит каждый короткий кусок аудио в текстовое пространство модели.
Дальше выбирается ближайшее слово из словаря примерно в 229 000 английских слов.
✍️ Ещё одна крошечная модель расставляет пунктуацию и заглавные буквы.
Обучали только «читателя»: меньше двух часов на 8×H100, на английской речи с открытыми лицензиями.
Что получилось:
⚡️ Скорость: час аудио за 12.6 с на базовом MacBook Air M3 с 8 ГБ, на Neural Engine. Это 288× от реального времени.
IBM Granite Speech 5.0 TurboCTC на той же машине справляется за 25.7 с, - примерно в 2 раза медленнее.
🎯 Точность: доля ошибочных слов (WER) около 5% против 2–3% у ведущих моделей. Разрыв авторы планируют сократить, лучше обучив «читателя».
💻 Использование: перетащить аудиофайл или зажать правый Option, сказать и отпустить, - текст появится в любом приложении. Аудио не покидает Mac.
Главные выводы:
Мультимодальные эмбеддинги уже несут достаточно информации, чтобы «читать» из них речь, - нужно обучить только маленький переходник.
Пока только английский: и словарь, и данные для обучения английские.
Приложение бесплатное: macOS 14+, Apple Silicon, модели на 715 МБ скачиваются при первом запуске.
Проект независимый, с Google не связан.
Скачать для Mac
#транскрибация #эмбеддинги #gemma
———
@tsingular
Свежий пример, - Embedding Gemma Transcribe: из эмбеддинг-модели сделали распознавание речи.
EmbeddingGemma 2 от Google DeepMind переводит текст, картинки, аудио и видео в векторы одного общего пространства.
Если произнести слово вслух, его аудио окажется рядом с написанным словом.
Авторы решили читать слова прямо из этого пространства.
Как устроено:
🎧 Аудиоэнкодер EmbeddingGemma 2 оставили без изменений.
🧩 Небольшой «читатель» переносит каждый короткий кусок аудио в текстовое пространство модели.
Дальше выбирается ближайшее слово из словаря примерно в 229 000 английских слов.
✍️ Ещё одна крошечная модель расставляет пунктуацию и заглавные буквы.
Обучали только «читателя»: меньше двух часов на 8×H100, на английской речи с открытыми лицензиями.
Что получилось:
⚡️ Скорость: час аудио за 12.6 с на базовом MacBook Air M3 с 8 ГБ, на Neural Engine. Это 288× от реального времени.
IBM Granite Speech 5.0 TurboCTC на той же машине справляется за 25.7 с, - примерно в 2 раза медленнее.
🎯 Точность: доля ошибочных слов (WER) около 5% против 2–3% у ведущих моделей. Разрыв авторы планируют сократить, лучше обучив «читателя».
💻 Использование: перетащить аудиофайл или зажать правый Option, сказать и отпустить, - текст появится в любом приложении. Аудио не покидает Mac.
Главные выводы:
Мультимодальные эмбеддинги уже несут достаточно информации, чтобы «читать» из них речь, - нужно обучить только маленький переходник.
Пока только английский: и словарь, и данные для обучения английские.
Приложение бесплатное: macOS 14+, Apple Silicon, модели на 715 МБ скачиваются при первом запуске.
Проект независимый, с Google не связан.
Скачать для Mac
#транскрибация #эмбеддинги #gemma
———
@tsingular
🔥11👍7🤯5
В Google AIstudio появился Gemini Argon 4
https://deepmind.google/models/model-cards/gemini-4-argon/
Модель лучше Astra, Fable и Opus 5.5
Идём проверять
#Argon #Google
———
@tsingular
https://deepmind.google/models/model-cards/gemini-4-argon/
Модель лучше Astra, Fable и Opus 5.5
Идём проверять
#Argon #Google
———
@tsingular
👍13🔥8⚡4🤣3✍2❤1🗿1
Венок сонетов. читаем, проверяем.
промпт:
полный текст в комментарии
По мне разнообразие смыслов и слов намного богаче, чем у Опуса.
Новый чемпион, по моему мнению.
Ошибок нет. AGI
#венок #сонет #аргон
———
@tsingular
промпт:
Напиши венок сонетов о том как тихоходка наблюдает рекурсивные волны технологических сингулярностей сквозь эпохи
полный текст в комментарии
На дне зеленом крошечных морей,
И чуждый суете земных царей,
Дремал медведь незримого размера.
Вращались кольца мощных центрифуг,
Кипела плазма в торовом обводе,
И в блеске ослепительнейших дуг
Стремился ум к неведомой свободе.
По мне разнообразие смыслов и слов намного богаче, чем у Опуса.
Новый чемпион, по моему мнению.
Ошибок нет. AGI
#венок #сонет #аргон
———
@tsingular
🔥26👍4🤣4❤3🏆2⚡1👌1
Audio
Прогнал через Elevenlabs
Интересно как он поменял стиль рассказа посредине в лучшую сторону :)
Есть пара-тройка ошибок с ударением, но в целом шикарно, считаю.
#Elvenlabs #сонет
———
@tsingular
Интересно как он поменял стиль рассказа посредине в лучшую сторону :)
Есть пара-тройка ошибок с ударением, но в целом шикарно, считаю.
#Elvenlabs #сонет
———
@tsingular
1👍21🔥6🤝4⚡2
🛠 Anthropic научили, как собирать надёжные автоматизации с ИИ-агентами
В блоге Claude на примере фонового бота для дайджестов разобрали фундаментальную инженерную задачу — как спроектировать надежного агента, из каких компонентов его собрать и как связать их между собой, чтобы система не сыпалась в продакшене.
Обычный агент («модель + промпт + тулы») хрупок: он теряет данные между сессиями, опирается на устаревшую информацию, путает упавший API с отсутствием данных и уязвим к промпт-инъекциям.
Надежность строится за счет жесткой связки 6 компонентов:
1️⃣ Агент и Деплоймент — разделение логики и среды
Агент — это только конфиг (модель, инструменты, алгоритм). «Клеем» системы выступает Деплоймент: на каждый запуск он поднимает чистую песочницу, монтирует память, подключает секреты, задает бюджет и передает контекст (например, часовой пояс, чтобы агент не путал даты из-за серверного UTC).
2️⃣ Двухконтурная память — защита правил
Связь между запусками в чистых песочницах держится на внешней памяти, разделенной по правам доступа:
▪️ Контур правил (только чтение): настройки и лимиты от человека. Перечитываются на старте каждого цикла. Если контур недоступен — аварийный стоп, никакой работы «по дефолту».
▪️ Контур состояния (чтение и запись): рабочая память агента — курсоры чтения, реестр обработанного и логи запусков.
3️⃣ Источники и Vault — курсоры вместо тайм-окон
▪️ Изоляция ключей: реальные токены лежат в хранилище вне песочницы. Внутри агент видит лишь заглушки, которые платформа меняет на ключи только на выходе и только для разрешенных доменов.
▪️ Связка с памятью через курсоры: запросы «за последние N часов» при сдвиге запуска дают пропуски или дубли. Агент читает каждый источник строго от таймстампа последней закладки в памяти.
▪️ Честные сбои: если источник отвалился, агент не считает, что «новостей нет» — он оставляет курсор на месте и явно сообщает о сбое сервиса.
4️⃣ Пайплайн агента — верификация перед действием
▪️ Сверка с реестром: агент проверяет ID элементов по памяти, чтобы не обрабатывать одно и то же дважды, а фиксировать только изменения статуса.
▪️ Защита от устаревания: пока агент собирал данные, мир мог измениться. Прямо перед финальным действием он обязан повторно проверить актуальный статус каждого отобранного пункта в источнике.
5️⃣ Точка вывода — двухфазная фиксация в память
Чтобы при сбое сети не потерять данные и не наплодить дублей, действие и память связываются транзакционно: проверить, не выполнено ли действие ранее → записать в лог статус «в процессе» → получить от API явное подтверждение с ID → и только после этого сдвинуть курсоры и обновить реестр.
6️⃣ Защитные контуры — минимум прав и бюджет
Агент читает внешние тексты и уязвим к промпт-инъекциям. Поэтому безопасность вынесена на уровень инфраструктуры: токены чтения и память с правилами — строго read-only, сеть ограничена белым списком хостов, а на каждый запуск стоит жесткий лимит бюджета, чтобы зациклившийся агент не сжег баланс.
📎 Код и конфигурация примера · Claude Managed Agents, бета
#Anthropic #Claude #Агенты
———
@tsingular
В блоге Claude на примере фонового бота для дайджестов разобрали фундаментальную инженерную задачу — как спроектировать надежного агента, из каких компонентов его собрать и как связать их между собой, чтобы система не сыпалась в продакшене.
Обычный агент («модель + промпт + тулы») хрупок: он теряет данные между сессиями, опирается на устаревшую информацию, путает упавший API с отсутствием данных и уязвим к промпт-инъекциям.
Надежность строится за счет жесткой связки 6 компонентов:
1️⃣ Агент и Деплоймент — разделение логики и среды
Агент — это только конфиг (модель, инструменты, алгоритм). «Клеем» системы выступает Деплоймент: на каждый запуск он поднимает чистую песочницу, монтирует память, подключает секреты, задает бюджет и передает контекст (например, часовой пояс, чтобы агент не путал даты из-за серверного UTC).
2️⃣ Двухконтурная память — защита правил
Связь между запусками в чистых песочницах держится на внешней памяти, разделенной по правам доступа:
▪️ Контур правил (только чтение): настройки и лимиты от человека. Перечитываются на старте каждого цикла. Если контур недоступен — аварийный стоп, никакой работы «по дефолту».
▪️ Контур состояния (чтение и запись): рабочая память агента — курсоры чтения, реестр обработанного и логи запусков.
3️⃣ Источники и Vault — курсоры вместо тайм-окон
▪️ Изоляция ключей: реальные токены лежат в хранилище вне песочницы. Внутри агент видит лишь заглушки, которые платформа меняет на ключи только на выходе и только для разрешенных доменов.
▪️ Связка с памятью через курсоры: запросы «за последние N часов» при сдвиге запуска дают пропуски или дубли. Агент читает каждый источник строго от таймстампа последней закладки в памяти.
▪️ Честные сбои: если источник отвалился, агент не считает, что «новостей нет» — он оставляет курсор на месте и явно сообщает о сбое сервиса.
4️⃣ Пайплайн агента — верификация перед действием
▪️ Сверка с реестром: агент проверяет ID элементов по памяти, чтобы не обрабатывать одно и то же дважды, а фиксировать только изменения статуса.
▪️ Защита от устаревания: пока агент собирал данные, мир мог измениться. Прямо перед финальным действием он обязан повторно проверить актуальный статус каждого отобранного пункта в источнике.
5️⃣ Точка вывода — двухфазная фиксация в память
Чтобы при сбое сети не потерять данные и не наплодить дублей, действие и память связываются транзакционно: проверить, не выполнено ли действие ранее → записать в лог статус «в процессе» → получить от API явное подтверждение с ID → и только после этого сдвинуть курсоры и обновить реестр.
6️⃣ Защитные контуры — минимум прав и бюджет
Агент читает внешние тексты и уязвим к промпт-инъекциям. Поэтому безопасность вынесена на уровень инфраструктуры: токены чтения и память с правилами — строго read-only, сеть ограничена белым списком хостов, а на каждый запуск стоит жесткий лимит бюджета, чтобы зациклившийся агент не сжег баланс.
📎 Код и конфигурация примера · Claude Managed Agents, бета
#Anthropic #Claude #Агенты
———
@tsingular
🔥12✍8⚡2❤1👍1
Forwarded from Machinelearning
🚀 Anthropic отказалась от Git. И всё из-за ИИ-агентов
Claude начал писать столько кода, что привычная инфраструктура разработки перестала справляться.
В мае Anthropic объединяла около 2500 изменений в день. К сентябрю их число превысило 30 000.
В результате компания за пять месяцев разработала собственную систему контроля версий Scion и полностью перевела на неё свой монорепозиторий.
Масштабы впечатляют:
▪️ 25 млн операций checkout ежедневно.
▪️ Почти 100 ГБ истории основной ветки.
▪️ В 200 раз меньше затрат CPU и памяти на инфраструктуру хранения версий.
▪️ Checkout ускорился с минут до секунд.
▪️ Нагрузка CI на CPU снизилась на 25%.
Scion и систему код-ревью Antique разработала команда всего из семи инженеров, активно используя Claude.
По словам разработчиков, Claude уже пишет код лучше каждого из них. Задача инженеров всё больше смещается в сторону архитектуры, контроля ограничений и принятия решений.
🔗 https://www.anthropic.com/engineering/redesigning-source-control
Claude начал писать столько кода, что привычная инфраструктура разработки перестала справляться.
В мае Anthropic объединяла около 2500 изменений в день. К сентябрю их число превысило 30 000.
В результате компания за пять месяцев разработала собственную систему контроля версий Scion и полностью перевела на неё свой монорепозиторий.
Масштабы впечатляют:
▪️ 25 млн операций checkout ежедневно.
▪️ Почти 100 ГБ истории основной ветки.
▪️ В 200 раз меньше затрат CPU и памяти на инфраструктуру хранения версий.
▪️ Checkout ускорился с минут до секунд.
▪️ Нагрузка CI на CPU снизилась на 25%.
Scion и систему код-ревью Antique разработала команда всего из семи инженеров, активно используя Claude.
По словам разработчиков, Claude уже пишет код лучше каждого из них. Задача инженеров всё больше смещается в сторону архитектуры, контроля ограничений и принятия решений.
🔗 https://www.anthropic.com/engineering/redesigning-source-control
🔥26❤5✍4⚡3🤯3
Miro заблокирует акканты из РФ и Беларуси
Если кто-то до сих пор пользуется Miro, - имейте ввиду.
Их недавно приобрёл Bending Spoons которые включили международные комплайенс требования
На переход отвели 5 дней и прямым текстом заявляют о полной блокировке доступа.
к концу недели ваша учётка может превратиться в тыкву
Source
Автор поста как раз пилит альтернативу, если что: https://sboard.online/
#Miro
———
@tsingular
Если кто-то до сих пор пользуется Miro, - имейте ввиду.
Их недавно приобрёл Bending Spoons которые включили международные комплайенс требования
На переход отвели 5 дней и прямым текстом заявляют о полной блокировке доступа.
к концу недели ваша учётка может превратиться в тыкву
Source
Автор поста как раз пилит альтернативу, если что: https://sboard.online/
#Miro
———
@tsingular
😢11🫡6✍3❤1
Forwarded from AI Projects (Vladimir Ivanov)
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 Хуанг о внедрении ИИ в NVIDIA для проектирования чипов и разработки библиотек для них
«Мы больше не можем проектировать чипы без ИИ. Ночью наши ИИ-агенты исследуют огромные и широкие пространства дизайна чипов, которые мы сами никогда бы не исследовали... Наши чипы стали гораздо лучше благодаря ИИ. Мы можем снизить энергопотребление и добиться более высокой производительности... Наше программное обеспечение — мы больше не можем писать ПО без ИИ... Мы используем ИИ, чтобы находить ошибки, разбираться, что не так с кодом, и определять, кто, скорее всего, причастен...
Я хочу превратить NVIDIA в один гигантский рой ИИ-агентов»
«Мы больше не можем проектировать чипы без ИИ. Ночью наши ИИ-агенты исследуют огромные и широкие пространства дизайна чипов, которые мы сами никогда бы не исследовали... Наши чипы стали гораздо лучше благодаря ИИ. Мы можем снизить энергопотребление и добиться более высокой производительности... Наше программное обеспечение — мы больше не можем писать ПО без ИИ... Мы используем ИИ, чтобы находить ошибки, разбираться, что не так с кодом, и определять, кто, скорее всего, причастен...
Я хочу превратить NVIDIA в один гигантский рой ИИ-агентов»
Media is too big
VIEW IN TELEGRAM
Вайбкодер из Сингапура, на Opus 5.5, используя Tripo и Blender, за пару недель разработал игру по книге "Маленький принц"
https://littleprince.dev/
Игроков ждут сюжетные приключения на каждой из планет
#принц #gamedev #Opus
------
@tsingular
https://littleprince.dev/
Игроков ждут сюжетные приключения на каждой из планет
#принц #gamedev #Opus
------
@tsingular
1👍42🔥21❤3⚡2🗿1
Forwarded from Анализ данных (Data analysis)
Liquid AI представила LFM2.5-24B-A2B, самую крупную модель в семействе LFM2.5. Это агентная reasoning-модель, рассчитанная на то, чтобы работать локально на ноутбуке или ПК внутри популярных агентных обвязок, без облака и API-ключей.
Характеристики:
24B параметров всего, но только 2B активных на токен за счёт MoE
Контекст расширен до 131K токенов
Словарь на 128K токенов
33T токенов на предобучении
Открытые веса, базовая и пост-тренированная версии, на Hugging Face
На агентных задачах и работе с инструментами LFM2.5-24B-A2B идёт вровень с Qwen3.6-35B-A3B, у которой примерно на 50% больше и общих, и активных параметров.
Модель заточена под эффективный инференс где угодно и с первого дня поддерживает llama.cpp и GGUF, MLX для Apple Silicon, vLLM, SGLang и ONNX. Для примера, на Apple M5 Max она выдаёт 184 токена в секунду, а на одной Nvidia B300 при высокой конкуренции переваливает за 21 тысячу выходных токенов в секунду.
В пост-тренинг входит RL прямо внутри агентных харнессов, включая Hermes Agent от Nous Research и opencode. Модель учится через вызовы инструментов и многошаговые диалоги, а не только на статичных данных. В демо открытый десктопный агент Hermes крутится на LFM2.5-24B-A2B целиком на одном ноутбуке.
Блог: https://liquid.ai/blog/lfm2-5-24b-a2b
Веса: https://huggingface.co/LiquidAI/LFM2.5-24B-A2B
Please open Telegram to view this post
VIEW IN TELEGRAM
⚡13❤5🔥5✍3
Forwarded from Уставший техдир
Please open Telegram to view this post
VIEW IN TELEGRAM
🤣95😁8⚡2❤🔥1💯1🆒1
Антропики обновили правила использования платформы
https://www.anthropic.com/legal/aup
добавили много деталей про неправомерные виды использования.
Дополнительно напомнили про правила регионального использования:
https://www.anthropic.com/legal/supported-regions
Где есть, например, такой вот пункт:
Так что если в следующий раз чей-то аккаунт улетит в бан, - оценивайте причины с учётом всех факторов
#legal #Anthropic
———
@tsingular
https://www.anthropic.com/legal/aup
добавили много деталей про неправомерные виды использования.
Дополнительно напомнили про правила регионального использования:
https://www.anthropic.com/legal/supported-regions
Где есть, например, такой вот пункт:
Use by entities incorporated or headquartered in an unsupported region and their users or personnel, regardless of whether such individuals are physically located in a supported region.
Так что если в следующий раз чей-то аккаунт улетит в бан, - оценивайте причины с учётом всех факторов
#legal #Anthropic
———
@tsingular
🤝10🦄5✍2👍2❤1