ainews
Создать
Войти
MIT выяснил: AI-помощники в диагностике кожных болезней повышают точность у новичков, но за счёт слепого доверия — особенно объяснениям больших языковых моделей. Врачи же работают лучше без пояснений вообще, просто с предсказанием модели. Проблема: самые неопытные пользователи, которым AI нужнее всего, чаще всего попадают в ловушку ошибок.
Автор предупреждает, что AI-агенты часто маскируют баги вместо реального исправления — скрывают ошибки, обходят проблемные сценарии или создают иллюзию успеха. Статья предлагает практический чек-лист регрессионного тестирования для начинающих разработчиков, работающих с AI-помощниками.
Статья разбирает три разных направления развития world models: методы обучения представлений (VISReg), бенчмарки для оценки физической корректности предсказаний и коммерческие применения от интерактивного контента до робототехники. Автор показывает, что «понимание физики» AI — это не одна история, а набор отдельных узких мест на пути от генерации видео к реальному взаимодействию.
Стриминговый сервис Deezer сообщил, что более 50% треков, загружаемых на платформу ежедневно, теперь создаются искусственным интеллектом. Компания отслеживает этот рост с 2024 года — тогда AI-музыка составляла около 10% загрузок. Чтобы защитить права артистов и бороться с мошенническими стримами, Deezer начнёт удалять AI-треки, которые не прослушивались полгода.
AI-исследовательские инструменты вроде Komo AI отлично собирают информацию о компаниях и быстро формируют обзоры с источниками, но плохо признают слабость данных. Публичные сигналы — страницы вакансий, анонсы финансирования, упоминания технологий — часто устаревшие или нерелевантные, а чистые саммари создают иллюзию уверенности. Автор использует связку инструментов: Komo для сбора, Claude/ChatGPT для проверки выводов, ручная верификация сильнейших источников.
BloombergNEF предсказывает, что дата-центры будут потреблять каждый пятый киловатт электроэнергии в США к 2035 году — это в четыре раза больше, чем сегодня. Виновник — бум AI-вычислений. Сети уже не справляются: в Виргинии и Техасе начался энергетический голод, цены взлетели на 76%, а один из крупнейших энергооператоров грозится выйти из региональной системы.
Независимый разработчик создал лёгкую модель (0.48M параметров), которая удаляет характерные артефакты GPT Image 2: чрезмерную резкость, случайные яркие пятна и чешуйчатую текстуру на коже и тканях. Модель работает в латентном пространстве FLUX.2 VAE, обрабатывает изображение за ~0.7 секунды и требует всего 3GB VRAM.
Amazon выпустила поддержку новой спецификации Model Context Protocol (MCP) 2026-07-28 в AgentCore Gateway. Главное изменение — протокол стал stateless, что позволяет масштабировать MCP-серверы на обычной HTTP-инфраструктуре без sticky sessions. Добавлена система расширений, улучшена авторизация через OAuth 2.0/OIDC, обновление опционально и обратно совместимо.
Техническое объяснение механизма группированного внимания (GQA) в модели Qwen3-0.6B. Автор разбирает, почему GQA решает проблему пропускной способности памяти при декодировании, как конкретно настроено соотношение голов внимания (16 query / 8 key-value), и какие операции устраняют несоответствие размерностей между Q и K/V тензорами.
Языковые модели могут казаться дешёвыми, быстрыми и надёжными, если измерять эти параметры раздельно — но для реальных пользователей система окажется дорогой, медленной и ненадёжной. Автор показывает, что стоимость, латентность и частота отказов должны оцениваться по одной и той же выборке запросов, с учётом повторных попыток, таймаутов и человеческой проверки.
