ainews
Создать
Войти
Пользователь Reddit задаётся вопросом: что, если вместо обработки миллионов запросов одновременно направить весь глобальный compute AI на одну научную проблему вроде лечения рака? Даст ли это прорыв, или так не работает масштабирование вычислений в AI?
Исследователи Apple проверили, как работает обучение моделей рассуждению (RLVR/GRPO) на языках кроме английского. Оказалось: обучение на родном языке даёт результаты близкие к английскому, есть кросс-языковой перенос навыков, но иногда модель деградирует в других языках — нужна широкая оценка, чтобы не потерять качество.
Alibaba выпустила Qwen 3.8 27B — Apache 2 лицензию, 27B параметров, vision-возможности. Модель отличная, но дефолтный режим xhigh reasoning заставляет её думать 21 минуту над рисованием велосипеда, вместо 2 минут на low. Зато она прекрасно работает с bounding box и генерирует SVG лучше всех локальных моделей.
AI решает сложные математические задачи не потому, что «умнее» людей, а потому что у него огромное символьное рабочее пространство (context window). Человек держит в уме 5-7 элементов, модель — тысячи токенов с промежуточными выкладками. Это не интеллект, а снятие биологического ограничения на рабочую память.
Энтузиаст выпустил фикс для официального чат-шаблона Qwen 3.5–3.8, который ломает мультитёрн-диалоги, tool calling и управление reasoning. Новый шаблон добавляет переключение thinking on/off, поддержку llama.cpp и vLLM, не портит KV-кеш и работает с OpenAI API-форматом инструментов.
Экспериментальная модель Anthropic за полтора дня автономной работы значительно продвинулась в доказательстве гипотезы Римана — нерешённой математической проблемы с призом $1 млн. Модель протестировала 650 подходов, управляя 60 под-агентами и потратив 31 млн токенов. Результат подтвердили математики компании и формализовали через proof-ассистент Lean.
Климатолог Зик Хаусфатер замерил энергопотребление своей работы с Claude Code за 8 недель: ~170 кВт·ч. Один промпт агенту = ~150 Вт·ч, это в 600 раз больше, чем обычный запрос к ChatGPT. Google и OpenAI врали: заявляли 0,24–0,34 Вт·ч, но не учитывали reasoning, агентов, миллионы токенов. Выходит ~370 кг CO₂ в год на одного пользователя — как стиралка на год или 2% углеродного следа среднего американца.
OpenAI опубликовала 249-страничный сборник с 10 математическими и теоретическими достижениями, полученными внутренней версией модели Astra. Модель самостоятельно решила открытые проблемы в геометрии, теории групп, квантовой сложности и криптографии, над которыми не было прогресса 10+ лет. Все результаты формализованы в Lean — можно проверить машинно, без доверия на слово. Это не просто решение сложных задач, а активное расширение научной границы.
Исследователи протестировали разные LLM на задачах Международной математической олимпиады IMO-2026. Топовые модели (o1 и Claude 3.5) справились отлично, но «средний класс» вроде Opus и Sonnet показал слабый результат без специальных надстроек-оркестраторов. Даже с мультиагентными системами они не дотянули до фронтира. Главный вывод: сложная многошаговая логика — всё ещё слабое место для моделей ниже флагманского уровня.
Разработчик предлагает пайплайн для генерации данных на обучение рассуждениям: абстрактные задачи создаются учительской моделью или процедурно, переводятся в естественный язык, решаются формальными верификаторами, и только проверенные примеры попадают в датасет. Цель — избежать главной проблемы синтетики (однообразные шаблоны) и создать качественный корпус для дистилляции в малые открытые модели.
Исследователи Apple обнаружили, что при решении сложных задач языковые модели попадают в «ловушку безвозвратности» — ошибки накапливаются и их невозможно исправить. Новый метод LEAD добавляет проверку будущих шагов и агрегирование сценариев, что позволило модели o4-mini решать более сложные задачи (шашечные головоломки до 13 элементов вместо 11).
Пользователь заметил, что ChatGPT пропускает базовую проверку реальности перед анализом. На вопрос «наклонена ли стена?» модель вместо прямого ответа запускается в лекцию о строительных нормах и материалах, так и не проверив сам факт наклона. Проблема может быть глубже обычной «боязни определённости» — модель утратила шаг здравого смысла в цепочке рассуждений.
Разработчик создал форк llama.cpp, который решает проблему зацикливания и деградации рассуждений у небольших локальных моделей (типа Qwen3.6-27B). Система автоматически инжектирует промпты вроде «у меня бюджет в X токенов» в процесс генерации, напоминая модели о лимитах и направляя к выводам. В тестах подход показал заметное улучшение качества reasoning.
Автор разбирает две категории различий между рассуждениями LLM и человека: первые связаны с конкретной архитектурой (отсутствие памяти между сессиями, невозможность пересмотреть уже сказанное) и потенциально устранимы новым дизайном, вторые — это фундаментальные математические ограничения любого алгоритма, доказанные задолго до появления языковых моделей.
Инженер поручил GPT-5.6 Thinking High проверить 70-страничный пакет сварочной документации с десятками спецификаций, таблиц и кросс-ссылок. Модель 5 минут думала, а затем выдала детальный разбор каждой спецификации, нашла опечатки в символах переменных, параметры TIG, скопированные в строки SMAW, несуществующие номера документов и расхождения между таблицами — именно те мелкие ошибки, которые проскакивают через человеческие проверки.
Исследователь прогнал небольшие открытые LLM через шведские медицинские лицензионные экзамены. Gemma4-E4B и Qwen3.5-4B без дообучения показали 77% точности, а с reasoning — 87%, почти сравнявшись с o3 (88%). Qwen рассуждает на английском, даже если вопросы на шведском, но это не мешает точности.
Amazon представила метод Self-Distilled Reasoning (SDR) для дообучения моделей Nova 2, который позволяет сохранить способность к рассуждениям даже при обучении на данных без промежуточных цепочек мыслей. SDR использует собственные reasoning-токены базовой модели, предотвращая «катастрофическое забывание» и улучшая точность на целевых задачах без необходимости дорогой ручной разметки.
OpenAI опубликовала 249-страничный документ с математическими доказательствами, созданными внутренней моделью. Главное не в том, что AI решила сложные задачи, а в том, что результат представлен в формате, который математическое сообщество может проверить построчно — это сдвиг от «правдоподобных ответов» к верифицируемым исследованиям.
Модель Darwin-398B от южнокорейского стартапа VIDRAFT заняла третье место в мире и первое в Корее на бенчмарке GPQA Diamond — выпускном тесте по научному мышлению, устойчивом к поиску в интернете. При этом стартап использует всего около 24 GPU, а государственные модели с гораздо большими ресурсами отстают на 4–5 пунктов.
