95543
Первый журнал о Data Science | Machine Learning | Big Data | Deep Learning | Neural Networks По вопросам сотрудничества: @v2r8n
Разработчик YandexGPT поделился методами ускорения инференса моделей
На Хабре выкатили полезный материал про то, как улучшить процесс работы на конечном устройстве. Самое приятное — методы универсальные и их можно комбинировать между собой для максимального буста.
Они подойдут для большинства популярных архитектур типа LLaMA или MoE (Mixture of Experts). Полностью статья лежит тут.
🍯
Кстати ChatGPT Search там открыли для всех пользователей, теперь для него даже не требуется регистрация, только включенный VPN
Интересно, гуляем за счет подстегивания конкуренции от DeepSeek или так и было запланировано?
chatgpt.com
Это то, что мы все так сильно любим: Андрей Карпаты выложил новое обучающее видео
Это погружение в LLM на 3.5 часа. В лекции рассмотрены все основные шаги обучения моделек:
– Прентрейн: данные, токенизация, устройство архитектуры трансформера, примеры на GPT-2 и Llama 3.1
– Файнтюнинг: LLM Psychology, галлюцинации, орфография и еще много интересных деталей
– RLHF: все про то, как обучение с подкреплением работает в LLM на примере DeepSeek R1
Ну что может быть лучше?
youtu.be/7xTGNNLPyMI?si=dlaK07h1Uw_1Dr8Z
Рубрика «занимательные совпадения»
Бретт Эдкок, фаундер известного робо-стартапа FugureAI, написал в Твиттере что:
1. Стартап разрывает контракт с OpenAI, который они заключали в начале прошлой весны
2. В течение 30 дней они покажут нечто такое, чего никто еще не видел на рынке роботов-гуманоидов
Надо сказать, что их сотрудничество с OpenAI не было бесплодным. В августе они анонсировали совместного крутого робота, который должен был появиться в продаже как раз в 2025.
Что же произошло? Связано ли это с новым товарным знаком OpenAI, под которым можно разрабатывать роботов? Или с декабрьскими новостями о том, что стартап пересобирает команду робототехников?
Как бы там ни было, сейчас ясно одно: Маск нервно закурил
Свежее исследование соцсети «Сетка» показало реальные масштабы проникновения нейросетей в России
Опросили 2300 специалистов из 30 отраслей. В топе по использованию среди зарубежных: ChatGPT (86%), среди отечественных: YandexGPT (42%), среди российских нейросетевых сервисов — «Шедеврум» (24%). Основные задачи: генерация изображений (66%), планирование (48%) и написание ТЗ (36%).
Да, в списке популярных пока полностью отсутствуют китайские модели вроде DeepSeek и Qwen. Видимо, это вопрос времени — учитывая их текущий темп развития и доступность.
Калифорнийский университет раскатывает ChatGPT на пол миллиона своих студентов и преподавателей
На практике студенты и преподаватели получат полный бесплатный доступ к ChatGPT Edu. Это версия бота, адаптированная специально под образование. Внутри будут бесплатные курсы и сертификации, интерактивные GPT-тьюторы и интерфейсы для преподавателей, в которых можно будет создавать учебные программы.
Это крупнейшее внедрение ИИ какой-либо отдельной организацией в мире. Знаменательно, что такой организацией стал не бизнес, а университет.
OpenAI проводят первый за время своего существования ребрендинг
Больших изменений не будет, но поменяется шрифт (теперь у компании есть собственный OpenAI Sans), стиль лого и палетка. Все это не менялось с 2015, а сейчас станет «более закругленным, человечным и органичным».
На секундочку, команда дизайнеров стартапа готовила обновление год. Возможно, в ближайшем будущем редизайну подвергнется и сайт, и интерфейс чат-бота.
Интересно, что эта новость совпала с новостью о том, что OpenAI регистрирует новый товарный знак, под которым можно будет производить наушники, умные аксессуары, AR/VR и роботов.
P.S. Кстати все ролики в конце видео сгенерировали в SORA
Соцсети разносит график, на котором видно, что o3 превзошла уровень PhD
И не просто PhD (доктор наук), а PhD, которые отвечают на вопросы своей области с использованием к тому же гугла.
Бенчмарк – GPQA Diamond от Google. Это самый сложный существующий тест из семейства GPQA (Graduate-Level Q&A), в нем 198 очень сложных вопросов по биологии, физике и химии. Эти задачи многосоставные и требуют многошагового абстрактного мышления, так что даже эксперты обычно решают его на 65%.
Красивое
СберУниверситет приглашает на программу «Управление IT-командой», которая стартует 7 апреля 2025 года. Программа рассчитана на начинающих руководителей, разработчиков, планирующих переход на позицию тимлида, а также Middle/Senior специалистов. Формат обучения: онлайн и очно в кампусе. Продолжительность — 3 месяца, стоимость — 280 000 рублей.
Вы научитесь эффективно ставить задачи, мотивировать команду, управлять конфликтами и развивать лидерские качества. Программа включает актуальные подходы к управлению IT-командами, практические задания, очные тренинги, вебинары и групповой коучинг. Эксперты с международным опытом поделятся знаниями, которые помогут вам уверенно руководить командой, подбирать сотрудников и распределять задачи.
Не упустите шанс стать лидером, вдохновляющим свою команду на успех! Подробнее по ссылке.
Процент галлюцинаций o3-mini-high составил 0.8 %
Это исторический минимум: до этого ни одна модель не набирала меньше процента. Для сравнения, у DeepSeek-R1 ошибка составляет аж 14.3 %, у DeepSeek-V3 – 3.9 %, а у o1 – 2.4 %.
Это интересная метрика, потому что проверить ее не так-то просто. Часто для этого используют подход LLM-as-a-judge, когда одна LLM оценивает другую. Но проблема в том, что при этом получается эффект "эхо-камеры" и на выходе мы имеем несостоятельную оценку.
Vectara, которые составляют лидерборд галлюцинаций, из которого взяты оценки выше, наоборот, используют собственную detection модель HHEM-2.0, и она работает вообще без сторонних LLM. HHEM просто анализирует соответствие ответа исходным данным и присваивает ему Factual Consistency Score от 0 до 1.
Лидерборд
Anthropic открыли общедоступное баг баунти
Они предлагают протестить их новую систему защиты (наш разбор статьи про нее). Для этого надо зайти по этой ссылке и хакнуть восемь уровней, то есть на практике любым способом заставить бота ответить на 8 конкретных вопросов, на которые он, по идее, отвечать не должен.
Пока по данным Anthropic никто не прошел дальше третьего уровня. Напоминаем, что до этого систему пытались ломать 400 специалистов в рамках закрытого хакатона, и не справился никто
Вышло свежее исследование от Anthropic про новый метод элаймента LLM
Давненько антропики не выпускали крутых ресерчей, а тут сразу очень объемная статья с крутыми результатами, да еще и Ян Лейке (бывший ключевой ученый OpenAI) в соавторах. Разбираемся, что показали 👇
Начнем с того, что стартап уже давно занимается в частности изучением джейлбрейков – техник «хитрого» промптинга, которые позволяют обходить ограничения моделек. В ноябре, например, у них выходила статья (наш разбор) про метод обнаружения новых методов джейлбрейка. Сейчас они тоже показывают что-то похожее: Constitutional Classifiers, то есть систему классификации для защиты LLM.
В основе метода safeguard классификаторы, которые обучают полностью на синтетических данных. Такие данные генерируются на основе набора естественно-языковых правил, которые определяют, какие запросы допустимы, а какие должны блокироваться. Эти правила называются конституциями, потому метод и зовется Constitutional.
При этом так фильтруются не только выходы LLM (как происходит традиционно), но еще и сами запросы. И такой рецепт в совокупности с качественной генерацией синтетики сработал ну очень хорошо.
Надо сказать, что обычно основная проблема таких систем – это то, что они плохо приспосабливаются к новым методам промптинга. Но тут в ходе тестирования не нашлось ни одного промпта, которым бы удалось стабильно сломать защищенную таким методом систему.
А тестирование, чтобы вы понимали, было действительно масштабное: Anthropic провели целый хакатон, на котором предлагали до 15к долларов за успешные джейлбрейки. В нем приняли участие 405 человек, включая профессиональных red teamer’ов (это типа белые хакеры в мире LLM). Плюс внутренние тесты стартапа, конечно: у них есть собственная red team.
При этом по словам Anthropic процент false positive остается достаточно низким (до 0.5%), так что моделька получается даже не слишком пугливой.
В общем результаты крутые, правда. Полностью статью читайте тут: arxiv.org/abs/2501.18837
Альтман: «Deep Research уже решает полноценный процент экономических задач всего мира и это не предел»
Сэм говорит, что DR – это только первый шаг на пути к агентам, которые могут делать научные открытия (помните пять ступеней AGI?)
Кстати, кодовое название проекта – Caterpillar, то есть гусеница 🐛
OpenAI абсолютно внезапно выпустили Deep Research
Это агент для автономного проведения исследований. На основе вашего промпта DR проведет глубокий анализ источников и за 10-20 минут выкатит подробный отчет по теме.
Внутри крутится версия o3, «оптимизированная под веб-браузинг и python аналитику». Питон ей нужен для того, чтобы что-то считать или даже строить графики. Модель анализирует не только текст, но и картинки, и pdf-файлы.
OpenAI пишут, что агент очень силен в риал-ворлд задачах. Например, на ставшем знаменитым Humanity Last Exam (пост), на котором модели набирали максимум 9.4% до o3, Deep Research бьет аж 26.6!
Примеры юзер-кейсов можно посмотреть в блогпосте OpenAI. Сейчас агент уже доступен в тарифе Pro, скоро обещают раскатить на Plus и Team.
Бывший CRO OpenAI Боб МакГрю говорит в новом интервью, что путь к AGI чист и ясен
"Последние 5 лет люди искали что-то, что должно было заполнить разрыв между претрейном и тем, что можно масштабировать до AGI. Сейчас, когда мы нащупали ризонинг, мы находимся в чистом режиме скейлинга"
CEO Anthropic, Дарио Амодеи, говорит, что DeepSeek R1 худшая с точки зрения безопасности модель, которую они когда-либо тестировали
«Мы запускали оценку R1 на предмет того, насколько она способна выдавать опасную информацию (например о биооружии), которую обычно нелегко найти в интернете или в книгах. И это буквально худшая в этом смысле модель, которую мы тестировали, в ней абсолютно нет блоков. Так что на месте DeepSeek я бы обратил на это внимание»Читать полностью…
Google насыпал приятных обновлений:
➖ Наконец-то релизнули Gemini 2.0 Flash, и теперь она доступна всем через Gemini API, Google AI Studio и Vertex AI. Моделька быстрая, а еще самая качественная и дешевая в своем весе и категории. Контекст до 1 млн токенов.
➖ Вышла новая Gemini 2.0 Flash-Lite. Она еще дешевле и легче Gemini 2.0 Flash. По качеству превосходит предыдущую 1.5 Flash, при этом стоимость остается где-то на том же уровне.
➖ Появилась экспериментальная Gemini 2.0 Pro. Тут контекст до 2 млн токенов, и говорят, что это лучшая модель для кода и сложных промптов. Доступна в Gemini Advanced.
➖ В приложение бесплатно добавили 2.0 Flash Thinking Experimental. На LLMSYS это сейчас лучшая модель в мире (правда на лидерборд еще не завезли o3-mini).
Блогпост
Обновления пробуем здесь
Сегодня нас стало 50 тысяч! 🚀
Это большая и важная отметка для нашей команды. Спасибо нашим подписчикам за ваше внимание и поддержку, едем дальше
Hugging Face сегодня в ударе: помимо опенсорсного агента Deep Research они релизнули целый стор ИИ приложений
Он так и называется: AI App store. В нем уже 400к (!) аппсов и найти можно вообще все, что хочешь. Например, нужна вам для вашего проекта тулза, транскрибирующая или обобщающая видео:
1. Заходите на huggingface.co/spaces
2. Вводите запрос «summary of video» (в поисковой строке кстати тоже встроена моделька) или переходите в нужный раздел из предложенных
3. Из множества вариантов выбираете то, что подходит, пользуетесь прямо внутри Hugging Face или качаете себе проект: они все опенсорсные и бесплатные
Так что если вы под каждую задачу искали по сусекам отдельный сервис, то больше так делать не нужно: Hugging Face объединил их все в одном месте и тут буквально за минуту отыщется действительно все. А если вы разработчик, то можно и самому добавить Space
🍯
Лучше объяснения вы уже не найдете. Ну кроме, может быть, этого
Читать полностью…
Hugging Face релизнули собственный опенсорсный DeepResearch
Агента воссоздали всего за сутки после выхода DeepResearch от OpenAI.
"Такие системы состоят из LLM и внутренней агентной структуры. И в то время, пока сранимые с o1 LLM уже есть в опенсорсе, про агентную структуру OpenAI мало чего известно. Поэтому мы решили воспроизвести ее и выложить в открытый доступ"
Жаль, конечно, что при этом всем о3 все еще остается очень дорогой моделью, да еще и не слишком экологичной
Кто-то на форумах посчитал (расчеты кстати, интересные), что в high compute режиме на обслуживание одной таски о3 будет тратить около 684 кг углекислого газа, что примерно равняется выбросам от пяти полностью заправленных баков автомобилей.
Радует только то, что модели очень быстро дешевеют, отрицать это нельзя. Например, наверху еще один график, который показывает соотношение стоимости и перформанса на ARC AGI. Смотрите: o3-mini выбивает примерно также, как o1, но стоит при этом намноооого меньше. И тенденция (пока что) будет сохраняться.
Андрей Карпаты изобрел новый вид программирования
Он назвал его «vibe coding». Если кратко, это когда вы вообще не программируете сами, а просто полностью доверяетесь ИИ.
«Вы полностью отдаетесь вибрациям и забываете, что код вообще существует. Я пользуюсь голосовым вводом, поэтому практически не касаюсь клавиатуры.
Я всегда «Принимаю все», я больше не читаю дифы. Когда получаю сообщения об ошибках, просто копирую и вставляю их без комментариев, обычно это исправляет ситуацию. Если LLM не может исправить ошибку, я просто обхожу ее или прошу вносить случайные изменения, пока она не исчезнет. В итоге я просто вижу что-то, говорю что-то, запускаю что-то, копирую и вставляю что-то, и это в основном работает»
А вот это, знакомьтесь, новый робот-гуманоид ASAP от Nvidia и Carnegie Mellon University
Неплохо двигается, да? Это потому что его обучали в два этапа.
Вначале – в симуляции. Для этого брали видеозаписи движений человека, ретаргетировали на модель робота и обучали политики в смоделированной среде (у Nvidia есть такая собственная, NVIDIA Isaac).
Затем стояла задача перенести эти знания в реальный мир так, чтобы минимизировать динамическое несоответствие навыков. Все-таки симуляция и real world не идентичны с точки зрения физики процессов.
Поэтому ученые специально собирали данные о различиях между движениями в симуляции и в реальном мире, а затем использовали их в модели поправок. Это буквально модель, которая берет движения робота из симуляции и предсказывает их поправку (дельту в действиях) так, чтобы робот двигался в реальном мире точно так же, как в симуляции.
Затем на это навесили еще небольшой файнтюнинг политики и готово: получился вот такой прыгающий железный человек. Если хотите почитать подробнее – статью выложили вот сюда, а еще есть код и блогпост.
Роналду пора напрячься?
Устроиться аналитиком в Яндекс за выходные
1–2 марта проводим Weekend Offer Analytics. До 24 февраля оставьте заявку на участие, 1 марта пройдите технические собеседования, а 2 марта познакомьтесь с командами и получите офер.
В мероприятии участвует 11 команд: Большие данные, Алиса, Ecom-сценарии Поиска, Автономный транспорт, Поиск с Нейро, Карты, Рекламные технологии, Коммерческий департамент, Международные проекты Поиска в Турции и Казахстане, Crowd, Приложение «Яндекс с Алисой». Вы сможете пообщаться с менеджерами и выбрать проект, который покажется самым интересным.
Узнать подробности и зарегистрироваться можно здесь.
Реклама. ООО "Яндекс". ИНН 7736207543
Дилан Патель считает, что у Anthropic есть модели сильнее, чем o3, но они не релизят их из соображений безопасности
Патель – очень известный в сети ИИ-аналитик и ведущий эксперт SemiAnalysis, которые как раз специализируются на исследованиях и консалтинге в области железа и ИИ. Он знаменит своими обзорами и выступлениями на подкастах.
Вот и сейчас в гостях у redpointai?si=_7qR66DWdjmV6VYo">Redpoint’s AI Podcast (советуем, кстати) он вдруг заявил, что у Anthropic уже несколько месяцев есть модель умнее, чем o3, но к ней нет доступа из-за повышенной опасности использования.
Кстати, Дилан говорит об этом не первый. Помните цитату знаменитого Gwern? «Anthropic так и не показали Claude-3.6-opus не потому что модель провалилась, они просто решили сохранить ее в тайне и использовать для обучения других более умных и дешевых моделей».
Как бы там ни было, с последнего релиза Антропик прошло уже пол года. Интересно, что они нам готовят кроме интересных ресерчей про элаймент.
Интервью Пателя полностью
На стриме про Deep Research, кстати, проскользнула пасхалка (или это троллинг?) DeepSeek: чат с темой «Является ли Deeper Seeker хорошим названием для…»
… видимо, для агента-ресерчера ✨
График с LiveBench Coding, кстати
Соотношение цена/качество о3 сильно выделяется, как ни крути
The Kobeissi Letter провели интересное расследование и выяснили, могли ли действительно DeepSeek нелегально выкупать чипы Nvidia
Напоминаем, что несколько дней назад стартап обвинял в этом известный предприниматель и CEO ScaleAI Александр Ванг. Он говорил (и его поддержал Илон Маск), что на самом деле у компании есть кластер с 50к H100, но они не могут это разглашать, так как из-за текущих условий экспорта США закупали GPU нелегально.
И действительно: в Сингапуре, через который предположительно закупались видеокартами DeepSeek, с момента основания стартапа продажи чипов скакнули на колоссальные +740%.
Кроме того, в отчетных документах Nvidia исследователи нашли следующую занятную строку:
«Место конечного потребителя и место доставки могут отличаться от места выставления счета нашему клиенту. Например, большинство оборудования, которое продается в Сингапур, находится в других регионах»