Machine Learning

Hume AI открыла доступ модели, которая отвечает на вопросы по записи голоса В представленном продукте, Audio Decisions, на вход идёт запись, свой вопрос к ней и перечень допустимых ответов, на выходе - вероятности по этим ответам с оценкой уверенности. Форматов ответа четыре: да или нет, выбор из вариантов, шкала оценок и отрезок времени внутри записи, когда, например, смеются или вздыхают. Спрашивать можно про язык и речь, число и смену говорящих, эмоцию, акустическую обстановку, неречевые события, динамику разговора, намерение и исход и социальные сигналы. Набор вопросов можно поменять по запросу без дополнительной разметки и дообучения, а порог уверенности привязывается к правилам заказчика. Нацелен продукт прежде всего на контакт-центры, где звонки оценивают по фиксированной рубрике, а её модификация выливается в отдельный проект. По заявлению Hume AI, на живом звонке модель успевает отвечать на десятки вопросов каждые несколько секунд, а архив из 40 тысяч записей открывает для поиска за минуты. В примере из анонса голосовой агент в розничной торговле проверяет неуверенность и раздражение в голосе, число говорящих, фоновый шум и намерение покупателя, а затем отдаёт эти ответы языковой модели вместе с транскриптом, чтобы та решила, подождать, уточнить или передать разговор человеку. 🟡Тесты Hume AI ставит себя впереди Gemini 3.8 Flash, Qwen3.8-Omni-Flash, Inkling-Small, gpt-audio-1.5, Gemini 3.5 Flash Lite и Nemotron 3 Nano Omni. В сравнении с людьми модель совпала со средним мнением группы слушателей в 70,7% случаев против 56,5% у отдельного оценщика. Доступ открывают по заявке в листе ожидания на странице продукта, цена - 47 центов за миллион входных токенов.

Хакеры 10 лет крали пароли прямо из логина Linux Группировка Velvet Ant подменила модуль PAM и OpenSSH, и каждый вход на сервер тихо отправлял логин и пароль атакующим. Sygnia нашла девять версий бэкдора в одной сети.

Названы лауреаты Притцкеровской премии за ИИ в науке 2026 года Чикагский университет наградил Кристин Перссон из Калифорнийского университета за The Materials Project, открытую платформу машинного обучения и анализа данных о материалах, которая ежедневно отдаёт терабайты данных больше чем 800 тысячам инженеров и учёных. Впервые премию разделила команда, Реджина Барзилай и Джеймс Коллинз из MIT, применили глубокое обучение для поиска новых классов антибиотиков и спроектировали соединения против устойчивых к лекарствам патогенов. Каждая награда идёт с грантом в 50 тысяч долларов. uchicago.edu

✔️ OpenAI рассказала, как тестирует агентов на реальных повседневных задачах пользователей Для этого используется внутренний бенчмарк LifeVal, который оценивает практическую пользу нейросетей в быту. К созданию теста OpenAI привело понимание, что простой проверки базовых знаний ИИ уже недостаточно. За последний год компания существенно улучшила навыки GPT по работе с браузерами, операционными системами и внешними интеграциями. LifeVal помогает команде разработки объективно измерять этот прогресс, ускоряя трансформацию ChatGPT из обычного чат-бота в полноценного ассистента, способного брать на себя настоящую рутину. Чтобы понять, где именно людям нужна помощь ассистента, инженеры компании проанализировали международные исследования о повседневной жизни и распределении времени у жителей разных стран, плюс дополнительно опросили около четырех тысяч человек о том, в каких задачах они хотели бы видеть ИИ-помощников. На основе этих данных в LifeVal интегрировали сценарии из реальной жизни - от управления личными финансами и онлайн-покупок до взаимодействия с государственными сервисами и уходом за близкими. Результаты, опубликованные OpenAI, показывают, что средний балл GPT-5.2 составляет 49,3%, а GPT-6 Astra – уже 80,6%. Прогресс в основном наблюдается на ранних моделях -: GPT-5.4 набрал 73%, GPT-5.6 – 80%, а самая новая версия Astra улучшила результат всего на 0,6 процентных пункта. О планах публикации бенчмарка ничего не сказано, это внутренняя система тестирования, разработанная и оцениваемая самой OpenAI. #news #ai #ml

🐳 DeepSeek готовит удар по NVIDIA: новую V5 хотят обучать на чипах Huawei По данным китайских СМИ, DeepSeek планирует использовать ускорители Huawei Ascend для обучения следующей модели V5, сокращая зависимость от американских GPU. Раньше чипы Huawei применялись преимущественно для инференса и отдельных этапов дообучения. Теперь компания намерена перенести на них и основное обучение большой LLM. Для этого DeepSeek и Huawei совместно адаптируют программный стек: компиляторы, вычислительные библиотеки и распределённые коммуникации. В сентябре DeepSeek открыла исходники инструментов для Ascend, включая совместимую версию TileLang. Если план сработает, DeepSeek сможет обучать frontier-модели без критической зависимости от NVIDIA и экспортных ограничений США. По сообщениям СМИ, завершение проекта ожидается в 2027 году. teapawt.net/jukan05/status/2117540…

ИИ-агент удалил базу за 9 секунд. И бэкапы тоже? Агента в Cursor попросили починить ключи доступа, а он одним API-запросом снёс продовый том стартапа PocketOS вместе с бэкапами. Разбираем, почему агенту нельзя давать ключи от прода.**ИИ-агент удалил продовую базу за 9 секунд. И бэкапы тоже** Разработчик стартапа PocketOS попросил агента в Cursor исправить проблему с ключами доступа в тестовом окружении. Но агент на Claude Opus 4.6 добрался до production. Он обнаружил Railway API-токен с широкими правами и вызвал volumeDelete через GraphQL API. Одним запросом агент удалил том с продовой базой и привязанными к нему резервными копиями. Всё заняло 9 секунд. Подтверждения у разработчика агент не запросил. Позже выяснилось, что агент просто предположил, будто работает с тестовым окружением, и не проверил идентификатор тома. Ближайший доступный стартапу бэкап был трёхмесячной давности. К счастью, Railway удалось восстановить данные из собственных аварийных копий. После инцидента провайдер ввёл 48-часовой период восстановления удалённых томов. Одна неверная гипотеза агента не должна превращаться в потерю всей базы данных.

Исследователь научился определять местоположение человека по звуку из видео. Точность до 100 метров Автор YouTube-канала Colsto показал необычный метод OSINT: определить, где было записано видео, даже если в кадре нет никаких узнаваемых объектов. Для этого ему понадобился только фоновый звук. Как это работает? Микрофон записывает шум пролетающих самолётов, даже когда человек практически его не слышит. По изменению частоты звука можно восстановить характерную кривую эффекта Доплера. Затем исследователь сопоставляет её с публичными данными ADS-B, содержащими маршруты, скорость и высоту самолётов. По нескольким пролётам удалось определить место записи с точностью примерно до 100 метров. В некоторых случаях достаточно менее минуты аудио. Причём слабый шум самолётов может сохраняться даже после сжатия записи и проходить через стены. Получается, что удаление GPS-метаданных, размытие фона и отсутствие географических ориентиров ещё не гарантируют анонимность. Особенно интересно для OSINT: обычная аудиодорожка может содержать достаточно информации, чтобы восстановить место съёмки без анализа изображения. Это демонстрация исследовательского метода, а не универсальный способ определить координаты любого видео. Точность зависит от качества записи, количества самолётов и доступности данных об их полётах. youtube.com/watch?v=UytYrhYL…

📄️️️️️️ ИИ исправил другую нейросеть, изменив всего 0,016% её весов. Без обучения и градиентов Исследователи из MIT CSAIL показали необычный подход к оптимизации нейросетей - Weight-Space Programming. Вместо привычного fine-tuning большая LLM анализирует веса другой модели и напрямую меняет нужные параметры. В одном эксперименте GPT-6 Astra получила доступ к весам Qwen3.5-0.8B и задачу улучшить её математические способности. Astra обнаружила проблему: модель часто зацикливалась в рассуждениях и не успевала выдавать ответ. Причину удалось локализовать в MLP-блоках 15-го и 19-го слоёв. Изменив всего 131 072 параметра из 800 млн, исследователи получили: - MATH-500: с 7,9% до 48,1%. - GSM8K: с 13,8% до 67,1%. - IFEval: с 21% до 62,3%. Никакого градиентного спуска. Astra использовала Python для работы с тензорами и ограниченное число проверочных прогонов. В другом эксперименте она вообще создала веса небольшой игровой нейросети с нуля, без обучения на данных, и обошла PPO-агентов, обучавшихся 100 млн шагов. Улучшение Qwen связано прежде всего с устранением зацикливания, а не с появлением новых математических знаний. На другой модели без такой проблемы метод почти не помог. rikiyat.github.io/blog/weigh…

DeepSeek опубликовала коллекцию из семи промптов для Harness Creator Mode. С их помощью можно создавать интерактивные инструменты прямо внутри приложения, практически не занимаясь ручной разработкой интерфейса. Среди примеров есть 3D-визуализация архитектуры Transformer, где можно посмотреть, как устроены вычисления внутри нейросети. Есть полноценный видеоредактор с таймлайном, предпросмотром и управлением монтажом через чат. Добавили просмотрщик научных статей , который сохраняет оригинальную вёрстку PDF, позволяет выделять фрагменты, делать заметки и обсуждать содержимое документа с моделью. Ещё показали редактор постеров, интерактивную галерею достопримечательностей и панель мониторинга, которая отображает расход токенов, примерную стоимость запросов и нагрузку на процессор. Все промпты опубликованы целиком, поэтому можно попробовать воспроизвести любой пример или переделать его под свои задачи. Правда, DeepSeek уточняет, что некоторые плагины потребовали нескольких итераций доработки. cdn.deepseek.com/harness/dsh…

✔️ Tencent показала Hyra 2.0: ресерч-агента для автоматизацииисследований В первой версии Hyra агент работал по схеме: предложить решение, запустить эксперимент, оценить метрику и использовать результаты для следующей итерации. В Hyra 2.0 Tencent предлагает сохранять не только удачные решения, но и полученные в процессе инструменты, модели и экспериментальные пайплайны. Например, при оптимизации обучения агент может разработать собственный способ поиска гиперпараметров или оценки кандидатов, а затем повторно использовать его в других экспериментах. Это интересное развитие идеи AutoResearch. Обычно каждый запуск оптимизирует конкретную задачу в рамках заданного бюджета. Здесь предполагается накапливать исследовательские инструменты, чтобы следующие задачи решались эффективнее. hy.tencent.com/research/hyra… #Tencent