| Канал | Публикаций | Подписчиков | Последний пост |
|---|---|---|---|
|
Нецифровая экономика
[max]
|
4 | 4389 | 31.07.26 |
Нецифровая экономика
[telegram]
|
3 | 24437 | 31.07.26 |
| Канал | Публикаций | Подписчиков | Последний пост |
|---|---|---|---|
|
Нецифровая экономика
[max]
|
5 | 4387 | 09.07.26 |
|
Cloud.ru
[max]
|
1 | 821 | 18.06.26 |
Загрузка данных...
| Размещенный пост | Текст публиакции | Рекламирующий канал | Просмотры | Просмотры 24 ч | Прирост подписчиков |
|---|
Загрузка данных...
| Размещенный пост | Текст публикации | Рекламируемый канал | Просмотры | Просмотры 24 ч | Прирост подписчиков |
|---|
| Дата и время публикации | Текст публикации | Рекламируемый канал | Динамика просмотров | Всего просмотров |
|---|---|---|---|---|
| 2026-08-17 19:45:29 | Хвост научился вилять собакой Большие coding-агенты умеют быстро писать код, но легко срезают путь, если научный эксперимент оказывается слишком сложным. Бороться с этим увеличением числа параметров — мера неэффективная. Поэтому в Inherent Laboratories решили просто поставить над GPT‑5.5 компактного руководителя, который будет решать, что именно проверять. Так появилась Faraday — дообученная Qwen3.6 на 27 млрд параметров. Она читает научную статью, планирует эксперимент и поручает GPT‑5.5 Codex написать и запустить код. Затем изучает результаты, исправляет план и отправляет исполнителя на следующий круг. Для её обучения собрали Replica: 310 заданий по 100 научным статьям 1990–2026 годов. Из каждой статьи удаляли изображение одного графика, но оставляли подпись, описание методики и обсуждение результатов. Самих кривых и значений агент не видел. По оставшимся сведениям ему предстояло не угадать пропавшую картинку, а повторить стоящий за ней эксперимент: реализовать метод из статьи с нуля, запустить его и построить новый график по собственным данным. Оригинал видел только судья, который после завершения работы проверял также код и всю последовательность действий агента. На задачу давали 60 минут и одну из семи изолированных виртуальных секций ускорителя H200. Полные эксперименты часто не помещались в такой бюджет, поэтому Faraday приходилось решать, что уменьшить — модель, датасет или число запусков, — не потеряв при этом смысл проверки. Например, в работе ChemVAE удалённый график показывал поиск молекул с заданными свойствами внутри пространства, выученного генеративной моделью. Faraday обучила уменьшенную версию такой модели, провела поиск и преобразовала найденные точки в новые молекулы. Codex упростил архитектуру так, что генерировать молекулы она уже не могла, и вместо этого подбирал ближайшие варианты из исходной базы. Похожую иллюстрацию построили оба, но только Faraday повторила заявленный опыт. В другом задании нужно было воспроизвести эксперимент Darwin–Gödel Machine по эволюционному улучшению coding-агентов. Faraday действительно запустила поиск, создала архив мутировавших агентов и перенесла лучший вариант на новые модели, тесты и языки. Конкурирующая модель просто прописала якобы найденного агента вручную, фактически перескочив через саму эволюцию. Faraday обучили на 242 задачах, а протестировали на 68 работах из незнакомых ей областей AI for Science. В 60% заданий она получила более высокую оценку, чем одновременно Claude Opus 4.8 и GPT‑5.5, работавшие самостоятельно. В среднем преимущество составило 6% над Claude и 8% над Codex. Основным судьёй в работе тоже выступал Codex. Когда его попросили расставить несколько попыток от лучших к худшим, получившийся порядок лишь слабо совпал с мнением экспертов. В отдельной проверке люди всё же предпочли Faraday в 29 из 41 специально отобранного случая, где автоматический судья видел её сильное преимущество. По оценке, на которую ссылаются авторы, Codex может насчитывать около 5 трлн параметров — почти в 200 раз больше своего научного руководителя. Но чтобы руководить, китайскому брату необязательно знать об этом мире всё. @anti_agi Хвост научился в… | — |
|
27 |
| 2026-08-17 13:57:02 | Stripe понадобился роутер за $7 млрд OpenRouter не обучает модели, не имеет тысяч серверов с GPU и не обрабатывает ни одного токена своим "железом". Она стоит между разработчиком и чужими моделями: один API, за ним весь рынок, от OpenAI и Anthropic до Qwen и DeepSeek, а сверху процент от цены самой модели. В каталоге OpenRouter более 400 моделей. по собственным данным, через их API идет 100 трлн токенов в месяц, что впятеро больше, чем полгода назад. И вот Stripe договорился купить эту конструкцию больше чем за $7 млрд. Источники анонимные, финальная цена может измениться, а сделка отмениться. Stripe слухи не комментирует, OpenRouter молчит. OpenRouter выставлял счета, платил налоги и ловил фрод через Stripe. Провайдер приобрел собственного клиента. Годом раньше Stripe поглотил Metronome, счетчик потребления для ИИ: он принимает поток событий о том, сколько токенов и GPU-секунд сожгли, и превращает это в счет. Клиенты Metronome, как выяснилось при закрытии сделки, это OpenAI, Anthropic и NVIDIA. Токены на выходе у лабораторий Stripe уже считал, теперь покупает шлюз, который решает, в какую лаб и моделей запрос уйдет. Плюс параллельно ходит за PayPal, где предложение на $53 млрд отклонили как заниженное. Stripe явно стремится стать единым платежным шлюзом для ИИ. Идея витает в воздухе. Свой роутинг строит Ramp, на прошлой неделе роутер запустил Cursor. Пока все меряются, чья модель умнее, выясняется, что доходы приносит посредничество. CEO OpenRouter Алекс Атталла еще в мае называл свою компанию «Stripe для ИИ». Все думали, что это метафора. @anti_agi Stripe понадобил… | — |
|
51 |
| 2026-08-15 04:06:27 | Лучшая компактная, народная китайская Qwen выложила веса Qwen3.8-27B под Apache 2.0. Денс модель на 27,8 млрд параметров, нативно мультимодальная, картинки и видео. 64 слоя по схеме три блока Gated DeltaNet на один блок полного внимания, то есть линейное внимание в 48 слоях из 64. Контекст 262 144 токена нативно, до 1 млн через YaRN. Словарь 248 320 токенов, MTP, три уровня reasoning_effort с xhigh по умолчанию. Есть сразу FP8-версия. Бенчмарки заявлены самой Qwen, почти все агентные прогонялись через Claude Code: ▪️ SWE-bench Pro: 61,7 против 53,4 у Opus 4.6 Max и 51,2 у Muse Glimmer-30B ▪️ OSWorld-Verified: 84,3 против 72,7 и 65,9 ▪️ Terminal Bench 2.1: 73,0 против 78,2 и 51,7 ▪️ AndroidWorld: 81,9 против 62,0 у Opus 4.6 Max ▪️ LiveCodeBench v6: 90,3 против 88,8 у Opus 4.6 Max ▪️ GPQA Diamond: 89,2 против 91,3 и 83,5 ▪️ HLE: 30,8 против 40,0 и 22,0 @anti_agi Лучшая компактна… | — |
|
83 |
| 2026-07-15 05:29:45 | канала неподписчиков подписку скрыты канала неподписч… | — |
|
28304 |
| 2026-07-18 06:18:45 | видеть канала подписку Реклама все для чтобы подписке видеть канала по… | — |
|
36158 |
| 2026-05-27 15:27:45 | все чтобы канала чтобы канала Реклама видеть неподписчиков все чтобы канала… | — |
|
23381 |
Год
Месяц
Неделя
Загрузка данных...
| Время | Контент | Подписчиков | Кто ссылался | Просмотры 48ч | Просмотры 24ч |
|---|