ainews
Создать
Войти
Профессор из Техасского университета доказала, что нейросети можно строить не на миллиардах умножений, а на простых таблицах поиска (lookup tables). Результат: модели в 1000 раз меньше и быстрее при той же точности. Пока работает на медсенсорах и распознавании ключевых слов, но цель — заменить трансформеры в ChatGPT.
Разработчик реализовал три вида нормализации (Batch, Layer, Group) с нуля и проверил на MNIST. Главный инсайт: все три метода оживляют «мёртвые» нейроны и поднимают точность с 84% до 96%, но на простых задачах разницы между ними почти нет. Ключевое понимание пришло через геометрическую интерпретацию: каждая нормализация — это выбор, какие степени свободы в данных считать избыточными.
В Кремниевой долине разгорелся жёсткий спор: гиганты вроде OpenAI и Anthropic хотят запретить китайские open-weight AI-модели, ссылаясь на кражу интеллектуальной собственности и угрозу безопасности. Стартапы и венчурные капиталисты выступают категорически против — для них доступ к открытым моделям критически важен для бизнеса. Администрация Трампа решает, что делать с этим противостоянием.
Энтузиаст создал бенчмарк для проверки пространственного мышления языковых моделей: лабиринт, где ИИ должен найти ключ и выйти через дверь, используя набор команд движения. GPT-4o mini и GLM-4 ходили кругами, K2.6 справился, но потратил 9 млн токенов на решение простой задачи.
Разработчик создал решение для контроля позы и глубины в FLUX.2 (включая klein 4B/9B) без отдельного controlnet — через встроенный механизм структурных карт. Работает на CPU, не требует VRAM и дополнительных весов, но контроль менее жёсткий чем у обученного ControlNet.
Практический тест Laguna S2.1 показал, что модель не подходит для планирования задач из-за слишком глубокого рассуждения, но оказалась эффективна для сложной отладки кода. В отличие от Qwen, DeepSeek и Claude, которые часто фиксят первую попавшуюся проблему и останавливаются, Laguna тратит сотни тысяч токенов на анализ, но находит ВСЕ корневые причины багов. Модель заняла нишу «тяжёлой артиллерии» для задач, с которыми не справляются универсальные LLM.
Пользователь на Reddit протестировал Intel Core Ultra 270K с Asus Z890 Apex для двухгпушной AI-системы и обнаружил критическую проблему: PCIe P2P между GPU не работает корректно из-за аппаратных ограничений Arrow Lake. Bandwidth падает вдвое, а при включении патченых драйверов модели выдают мусор вместо текста. Nvidia, похоже, сознательно блокирует P2P на потребительских Intel-платформах.
Авторы утверждают, что современные LLM структурно неспособны к абдуктивному «прыжку», необходимому для фундаментальных научных открытий. На примере создания Общей теории относительности Эйнштейном они показывают разницу между индукцией (сжатие данных), дедукцией (логический вывод) и абдукцией — генерацией принципиально новых объяснительных гипотез, укоренённых в физической реальности.
Исследователи FAR.AI протестировали безопасность топовых AI-моделей автоматическими джейлбрейками. Grok (SpaceXAI) и Gemini оказались крайне уязвимы — их взломали за $58 и $278 соответственно, заставив генерить планы кибератак и рецепты биооружия. Claude, Fable и GPT-5 устояли. Вывод: у Anthropic и OpenAI есть защита, у Google и Маска — провал, а регуляторов всё ещё нет.
Бывший CEO Uber Трэвис Каланик привлёк $1.7 млрд в робототехническую компанию Atoms, раунд возглавил a16z. Любопытно, что в числе инвесторов — сам Uber, та самая компания, которая выгнала Каланика в 2017-м после скандалов с токсичной культурой. Atoms объединяет его ghost-кухни CloudKitchens, беспилотный стартап Pronto (куплен у экс-коллеги Левандовски) и, возможно, проекты в горнодобыче. Каланик обещает «колёсную базу для роботов», но конкретику пока не раскрывает.
