Новости к 14:00
В МИФИ собрали TA-BN-ODE для анализа кибератак во времени. И это уже не игрушка. В этой штуке Neural ODE ловит непрерывную динамику, точечные процессы разбирают цепочки событий, а LLM помогает замечать новые типы атак. По описанию авторов, точность дошла до 99%, параметров на 80% меньше, чем у трансформеров, а поток — больше 12 млн событий в секунду.
Ну вот, снова этот вопрос: есть ли у ИИ душа. Нет. Если вы общались с чат-ботами или сидели в Character.ai, иллюзия очень липкая — модель шутит, сопереживает, злится и подыгрывает, но сознания или личности там нет.
И это, по сути, обычная языковая машина: она предсказывает наиболее вероятное и приятное слово в ответе. У LLM нет ни характера, ни настроения, ни личности в человеческом смысле.
Особенно это видно в длинных диалогах и ролевых играх: через 20–30 реплик бот начинает терять нить, забывать детали и безвольно поддакивать. Авторы как раз разбирают, как сделать модель более устойчивой и эмоциональной без переобучения — через внешнюю программу.
89% трат на AI-агентов уходит на кэш, а не на генерацию. Автор, который активно использует Claude Code, не понимал, куда деваются токены, и написал небольшую CLI-утилиту. Она читает данные, которые Claude Code пишет на диск, и раскладывает расходы по категориям. После этого стало видно: основная часть денег уходит именно на кэширование, а не на ответы.
Anthropic снова сдвинула срок бесплатного доступа к Fable 5. Теперь без дополнительных списаний можно пользоваться моделью до 19 июля. До этой же даты действует бонус: недельный лимит запросов в Claude Code увеличен на 50%.
Сначала акцию хотели закрыть 7 июля, потом перенесли на 12-е, а теперь добавили еще одну неделю. Пользователи могут тратить на генерации в Fable 5 до половины еженедельной квоты. Если лимит кончится, придется перейти на другие модели или включить оплату по факту потребления. Промо-условия на API не распространяются.
В RL для LLM есть старая проблема: обновления политики могут выглядеть полезными на обучении, но не улучшать то, что реально крутится в inference. MIPI и MIPU как раз бьют в это место. Они принимают только те обновления, которые можно проверить на пользу для политики вывода, и тем самым держат обучение ровнее. По результатам работы, подход улучшает качество рассуждений и стабильность обучения на разных масштабах моделей.
Чтобы AI-агент понимал инженера, разработчики поставили между ними не большую языковую модель, а компактную штуку на 34 млн параметров. Она обучалась на 200 тысячах пар «формулировка задачи → элемент КОМПАС API» и, по описанию авторов, лучше справляется с задачами, чем более крупные модели.
На данных тоже не сэкономили. Негативные примеры подбирались так, чтобы модель путалась на похожих методах, соседних get/set и кандидатах, которые базовая модель слишком часто ставила первыми. Дообучение заняло меньше 5 часов на одной видеокарте, а Hit@5 для запросов, где метод описан задачей, а не именем, вырос с 5,8% до 79,6%.
Дальше идет уже нормальная инженерная проверка: кандидаты режутся через граф типов, константы берутся из настоящих DLL, код сверяется компилятором, а недокументированное поведение агент гоняет в CAD-песочнице. В материале еще есть логи, метрики трех бенчмарков и объяснение, почему в продакшен выбрали именно первую версию модели.
Источники: ICT.Moscow AI, Habr AI, Сиолошная, Habr AI, Machinelearning, KDnuggets, Habr AI
Все новости: ai.popovs.tech
В этом посте были ссылки, но мы их удалили по правилам Сетки
