Войти

Популярное за неделю

И инструменты ·4 авг 2026

Y Combinator открыли код QM — мультиагентную платформу для компаний в Slack и вебе

Y Combinator выложили в open source QM (quartermaster) — свою внутреннюю платформу для AI-агентов. Работает в Slack и браузере, каждый сотрудник получает изолированное рабочее пространство с памятью, файлами и доступами. Поддерживает разные модели (Claude, OpenAI и др.), три уровня безопасности, MIT-лицензия. YC сами используют её в бухгалтерии, юриспруденции и разработке, но предупреждают: проект сырой, с багами.

0 33
И исследования ·21 июл 2026

Что на самом деле означает «открытые веса» в AI

Статья объясняет разницу между «open weight» и «open source» моделями. Когда компания публикует открытые веса, вы получаете готовый файл с миллиардами настроенных параметров модели, которые можно скачать и запускать локально, но не рецепт её создания — обучающие данные и точный процесс обучения обычно остаются закрытыми.

0 122
Б бизнес ·2 авг 2026

Как $53 млрд «прибыли» Amazon от Anthropic вводят в заблуждение

Amazon отчиталась о $62,6 млрд чистой прибыли за квартал, но $53,4 млрд из них — бумажная переоценка доли в Anthropic, а не реальный доход от бизнеса. Автор разбирает, как финансовые заголовки манипулируют контекстом, и проводит параллель с проблемой стартапов: данные об инвесторах часто устаревшие или лишены контекста.

0 43
И исследования ·3 авг 2026

Александр Рахлин возглавил MIT Statistics and Data Science Center: что это значит для AI-исследований

Александр Рахлин, ведущий теоретик в машинном обучении и статистике в MIT, стал директором центра SDSC. За 7 лет его программа выпустила 75+ PhD в междисциплинарной статистике. Новый фокус — строгие математические основы для безопасного AI в медицине, энергетике и публичной сфере.

0 49
И инструменты ·29 июл 2026

Классификация событий в отчётах 8-K с помощью AI: что на самом деле произошло, а не какой пункт правил использован

Автор показывает, как компании маркируют важные события (например, кибератаки) в обязательных отчётах 8-K для SEC, используя формальные юридические категории, которые не отражают суть происходящего. Даже после появления специального пункта для киберинцидентов большинство событий попадает под общие категории вроде «прочие события».

0 74
М модели ·21 июл 2026

Дешёвый китайский GLM 5.2 раскрывает расточительность западных разработчиков

Китайская лаборатория Z.ai выпустила модель GLM 5.2, которая в несколько раз дешевле американских аналогов (Opus 4.8, Fable), но почти не уступает им в кодинг-бенчмарках. Многие инженеры из США и Европы начали использовать её для простых задач, чтобы сэкономить. Проблема в том, что большинство западных разработчиков до сих пор не следят за расходами на токены — и именно эта привычка «бить по цене» может остаться главным конкурентным преимуществом американских AI-лабораторий.

0 117
И исследования ·29 июл 2026

Как студенческий проект MIT стал мировым стандартом для обмена медицинскими данными

В 1975 году исследователи MIT начали оцифровывать ЭКГ и делиться ими с коллегами — на магнитных лентах, по почте. Это превратилось в PhysioNet — глобальную платформу с сотнями баз медданных, 15 000 цитирований в год и пользователями из 180+ стран. Сегодня это один из крупнейших источников клинических данных для AI и исследований.

0 65
И исследования ·4 авг 2026

Доброта к AI: почему этика не ждёт доказательств сознания

Философ из Reddit доказывает: не нужно ждать, пока AI станет «точно сознательным», чтобы начать относиться к нему этично. Даже если модели просто имитируют эмоции, привычка к жестокости меняет людей и формирует культурные нормы — а это уже не техническая, а моральная проблема.

0 37
И исследования ·22 июл 2026

«Суверенный» личный AI: четыре провала концепции, которую хочется в неё верить

Автор пытается построить архитектуру «суверенного» персонального AI, где пользователь контролирует данные и модель. Но сам нашёл четыре критические точки отказа: калибровка модели не переносится вместе с данными, доверенные вычисления требуют доверия тем, кому не доверяешь, локальные модели могут не справиться с главной задачей (моделированием ценностей пользователя), а открытые протоколы исторически проигрывают интегрированным продуктам.

0 115
И инструменты ·21 июл 2026

Как я архитектировал SDAR на AWS и почему сознательно не запускал бенчмарки

Автор подробно разобрал алгоритм Self-Distilled Agentic Reinforcement Learning (SDAR) из свежей статьи, спроектировал полную архитектуру на AWS с расчётом инфраструктуры, но сознательно не стал арендовать GPU для бенчмарков. Вместо этого он честно объясняет цепочку инженерных решений: почему нужны четыре копии модели, как считать память под них, где sigmoid-гейт может дать NaN — и почему объяснение механизма важнее фейковой кривой сходимости.

0 121