Популярное за неделю

Д другое ·31 июл 2026

Обязательный рецензирование в AI-конференциях: почему некачественные ревью больше нельзя оправдывать «волонтёрством»

AI-конференции вводят обязательное рецензирование для авторов статей, но качество ревью часто остаётся низким. Критика без обоснований («недостаточная новизна», «нет сравнения») превращается в формальность, которая тратит время и блокирует публикации. Если ревью — обязанность, а не волонтёрство, системе нужен контроль качества, а не просто подсчёт галочек.

0 81

И инструменты ·23 июл 2026

FLUX.2 32B на AMD 7900 XTX: как обучить гигантскую модель на 24 ГБ под Windows

Энтузиаст из Reddit обучил 32-миллиардную LoRA для FLUX.2 на потребительской видеокарте AMD с 24 ГБ памяти под нативным ROCm на Windows — на грани возможного. Пришлось преодолеть 14 багов: от крашей при загрузке 64 ГБ весов до мистических замедлений в 10 раз, которые лечились запуском второго процесса с GEMM-вычислениями. В итоге — 9–10 секунд на итерацию при разрешении 448×448.

0 132

И инструменты ·26 июл 2026

MCP и ACP: как работают протоколы AI-агентов — объяснение через светофор

Статья объясняет разницу между двумя протоколами для AI-агентов — MCP (Model Context Protocol) и ACP (Agent Communication Protocol) — через метафору светофора. Автор показывает, что новички часто путают эти протоколы, хотя они решают разные задачи: MCP — это про получение контекста от инструментов, ACP — про координацию между агентами.

0 117

Б бизнес ·31 июл 2026

Meta потратила $31 млрд на AI-инфраструктуру за квартал: свободный денежный поток рухнул на 91%

Meta вложила $31 млрд в капитальные расходы (в основном дата-центры для AI) за один квартал, при этом свободный денежный поток упал с $8,5 млрд до $784 млн за год. Компания выпустила $25 млрд долга, чтобы покрыть разницу между доходами от рекламы и огромными тратами на инфраструктуру. На 2026 год капитальные расходы прогнозируются на уровне половины выручки.

0 65

И инструменты ·2 авг 2026

Когда у «истины» есть временная метка: темпоральные графы контекста для памяти корпоративных агентов

Статья объясняет, почему корпоративные AI-агенты совершают ошибки не из-за плохого поиска по векторам, а из-за отсутствия моделирования времени действия фактов. Автор показывает, как векторные БД не различают актуальные и устаревшие данные, и предлагает решение через темпоральные графы контекста с би-темпоральным моделированием.

0 52

И исследования ·24 июл 2026

Битва диффузии и авторегрессии: первое честное сравнение показывает узкую нишу, а не революцию

Лаборатория впервые напрямую сравнила свои диффузионную и авторегрессионную модели одинакового размера. Результат: диффузионная LLaDA2.2 проигрывает на общих знаниях и коде, выигрывает только на агентных задачах с множественными обращениями, зато в 1.6-2.3 раза быстрее. Это не смена парадигмы, а решение для узкой ниши — циклов агентов, где важна скорость декодирования.

0 115

М модели ·30 июл 2026

Kimi K3: слишком велик, чтобы запустить

Автор провёл практический тест Kimi K3 — крупнейшей открытой модели с 2,8 трлн параметров и контекстом на 1 млн токенов. После 11 часов настройки кластера из 4×H100 и 594 ГБ весов выяснилось, что модель в 21 из 41 теста давала неверные ответы, включая полностью выдуманные данные при работе с длинным контекстом.

0 74

И исследования ·28 июл 2026

Как ускорить приватное федеративное обучение без лишних затрат на конфиденциальность

Исследователи предложили DP-FedSOFIM — метод федеративного обучения с дифференциальной приватностью, который использует информацию о кривизне функции потерь на стороне сервера, а не клиента. Это даёт ускорение сходимости в 4-5 раз при жёстких ограничениях на приватность без дополнительных затрат памяти и коммуникации.

0 94

И исследования ·29 июл 2026

Google DeepMind разгромила команду AlphaFold: авторы Нобелевки ушли в Anthropic

Google DeepMind распустила команду AlphaFold — проект, получивший Нобелевскую премию по химии. Большинство исследователей переброшены на Gemini и другие задачи, почти четверть покинули компанию. Ключевые авторы, включая нобелевского лауреата Джона Джампера, перешли в Anthropic. DeepMind отказывается от стратегии долгосрочных научных прорывов в пользу гонки за AI-агентами.

0 78

Б бизнес ·30 июл 2026

Forward-deployed инженеры: почему спрос на них взорвался на 2100% и когда их заменят агенты

Корпорации поняли: внедрить AI в боевые процессы без специальных инженеров не выйдет. Спрос на forward-deployed engineers (FDE) — тех, кто строит AI-решения прямо внутри клиентских компаний — вырос на 2100% за полгода. Но элитных специалистов всего ~2000 в США, и уже через 2-5 лет их работу могут автоматизировать сами AI-агенты.

0 66