ainews
Создать
Войти
Анализ 11 000 объявлений в ChatGPT показал: 33% рекламы вообще не связано с темой разговора, 68% показов приходится на диалоги без признаков покупательского намерения. Контекстный таргетинг OpenAI работает хуже обещанного — особенно плохо в B2B и SaaS (45-47% промахов). Пока реклама в ассистенте не заменяет попадание в ответ.
Пользователь протестировал LoRA-дообучение Qwen3-1.7B с разными комбинациями физического батча и gradient accumulation на T4 и L4. Оказалось, что при одинаковом effective batch (4) время обучения различается на 17-41% в зависимости от физического размера батча. Вывод: эффективный батч влияет на сходимость оптимизатора, но физический батч определяет скорость выполнения на GPU.
Исследователь опубликовал набор заметок, объясняющих Hamiltonian Monte Carlo (HMC) с точки зрения теории вероятностей и MCMC, минуя традиционную физическую аналогию. Материал разбирает внутреннее устройство HMC через вспомогательные переменные, построение цепей Маркова, динамику Гамильтона и интеграцию leapfrog, фокусируясь на том, почему метод работает.
Разработчик обучил с нуля три LLM (353M-672M параметров) и применил GRPO после SFT. Результат: самая маленькая модель почти не пострадала, средняя деградировала на 52% по perplexity, большая — на 5%. Закономерности по размеру модели нет. Модели научились решать арифметику, но не перенесли навык на GSM8K и начали генерировать бесконечно длинные тексты.
Исследователь из Yahoo представил «спектральный нейрон» — модель машинного обучения вида f(x) = λₖ(A₀ + Σᵢ xᵢAᵢ), которая решает классическую дилемму: простота, масштабируемость, интерпретируемость и контролируемость одновременно. Математический аппарат, рецепты инициализации и эксперименты на синтетических/реальных данных доступны в препринте и на GitHub.
Некоммерческая организация Guidelight впервые оценила, как AI-компании контролируют собственные внутренние системы. Результат неутешительный: ни одна из проверенных (Anthropic, OpenAI, Google, xAI, Meta) не применяет базовые меры безопасности полностью. Лучшие получили C+, худшие — F. Компании умеют обнаруживать проблемы, но не умеют их предотвращать и сдерживать.
Независимый разработчик выжал из Qwen3.8-27B (27 млрд параметров) 138 токенов в секунду на одной RTX 3090, используя квантизацию W4A16, speculative decoding через DFlash2 и самописный lookup-поиск в истории токенов. Это в 3-4 раза быстрее стандартного инференса, при сохранении точности на уровне оригинальной модели.
AWS опубликовал руководство по асинхронным вызовам AgentCore-агентов в serverless-пайплайнах. Проблема: Lambda синхронно ждёт ответа агента минуты, платишь за каждую секунду простоя. Решение: task-token callback, прямая интеграция Step Functions или durable functions — запустил агента, освободил compute, возобновил пайплайн по готовности. Экономия на compute идёт в разы.
Разработчики создают шрифты, которые скрывают текст от AI-скрейперов. Автор объясняет, почему это бесполезно технически (мультимодальные модели обходят обфускацию) и опасно социально: ломает доступность для людей с инвалидностью, толкает к централизованной верификации личности и противоречит принципам открытого веба. Публичные демо таких шрифтов — просто бенчмарки для AI-компаний.
Anthropic показали, что Claude Mythos Preview и Opus 4.8 могут самостоятельно проектировать белки-лекарства (минибиндеры) с точностью 26.8% против стандартных 10-15% в индустрии. Модели запускали open-source инструменты (RFdiffusion, ProteinMPNN, ESMFold), а проверку делали независимые лаборатории. На одной из целей (RBX1) результат в 10 раз превысил победителя открытого конкурса.
