Etsi samankaltaista sisältöä

谷歌联合创始人 Sergey Brin 揭秘：AI 爱吃“罚酒”，受威胁后反而提升性能 谷歌联合创始人谢尔盖·布林在迈阿密 All-In-Live 活动中表示，恐吓人工智能（AI）模型或能刺激其性能提升。布林称，这一现象不仅存在于谷歌的 AI 模型中，市面上大部分 AI 模型亦是如此。基于测试，几乎所有模型在受到威胁后表现更佳。布林的观点挑战了用户在与 AI 互动时使用礼貌用语的传统做法。此前，OpenAI 首席执行官山姆·奥尔特曼曾调侃，处理礼貌用语需要消耗巨额电力成本。IT之家 🏷#AI#模型#恐吓#性能 📢频道👥群组📝投稿

AI 模型出现崩溃迹象 一位长期使用AI进行搜索的用户观察到，主流AI搜索机器人的查询结果在过去数月内质量下降。该用户认为，这可能是由“垃圾进/垃圾出”（GIGO）现象引发的AI模型崩溃。 基于自身输出进行训练的AI系统，其准确性、多样性和可靠性会随着模型迭代逐渐降低。错误在模型中累积，导致数据分布失真，最终造成性能的“不可逆缺陷”。模型可能因此被自身对现实的投射所“毒害”。Solidot | The Register 🏷#AI#崩溃#GIGO#模型 📢频道👥群组📝投稿

EU: GEMA Files Lawsuit Against OpenAI Over Song Lyrics Usage GEMA, Germany's leading performing rights organization, has filed suit against OpenAI for copyright infringement, marking the first instance of a PRO taking legal action over AI’s use of song lyrics. Filed in Munich, the lawsuit accuses OpenAI of using copyrighted lyrics, licensed by GEMA, without permission. Unlike similar U.S. cases focusing on audio recordings, this lawsuit is unique in addressing only the lyrics and seeks to clarify the extent of copyright protection for text-based content within AI training and output. This legal action underscores the demand for licensing structures in generative AI, especially in Europe where copyright law operates under the 2019 Copyright Directive’s “opt-out” provision for text and data mining. GEMA has opted out of allowing AI models to use lyrics from its repertoire, reinforcing its commitment to fair compensation for artists. This case has garnered support from prominent German songwriters and publishers, and could reshape copyright protection standards for creative works in AI training data across Europe. #AI#Copyright#GEMA#GenerativeAI#LegalTech

◀️--sref 3345213636🟥 #Vibrant#Photography#Detailed#Vintage#StyleRandom#MidJourney#AiGenLabs#Ai 〰️〰️〰️〰️〰️ main channel📎

🇺🇸“Stop AI Theft”: US Publishers Launch Coordinated Call for Legislative Action This week, a coalition of major US publishers — including The New York Times, The Washington Post, and The Guardian — launched a national campaign urging lawmakers to step in and regulate how generative AI systems use copyrighted content. Through full-page ads in print and digital, the “Support Responsible AI” initiative demands compensation and attribution for the use of journalistic work in AI training and output. The campaign follows recent lobbying by OpenAI and Google, who requested permission to continue training their models on copyrighted materials. In response, publishers are pushing for legislative requirements that would mandate payment and transparency when AI platforms use creative content. “This is not anti-AI,” says News/Media Alliance CEO Danielle Coffey, “but a call for a fair and responsible system.” #AI#Copyright#ResponsibleAI#FairUse#BigTech

🔥 Сенсей Карпаты выложил новый репозиторий - полный пайплайн обучения LLM с нуля В проекте есть всё, чтобы собрать свой ChatGPT-клон за $100 и 4 часа: > • токенизатор (написан на Rust) > • pretraining > • SFT (supervised fine-tuning) > • RL (reinforcement learning) > • оценка модели (eval) Всего 8 000 строк кода, без лишних зависимостей - идеальный учебный пример, чтобы понять, как реально устроено обучение больших языковых моделей. 💡 Это проект из его нового грядущего курса LLM101n, и отличная возможность прокачать свои ML-навыки на практике. Можно арендовать GPU в облаке и запустить всё самому - код уже готов к запуску. Если запустить обучение модели nanochat на облачном GPU-сервере (например, 8×H100), то примерно через 12 часов обучения (стоимость ~300–400 $) модель достигает уровня GPT-2 по качеству на тестовых наборах (CORE-score). А если тренировать около 40 часов (затраты ~1000 $), решает простые задачи по математике и коду, набирая: - 40+ на MMLU - 70+ на ARC-Easy - 20+ на GSM8K 🧠 Это бесплатная практика топ уровня от мастера, которую не стоит упускать. 🟠GitHub:https://github.com/karpathy/nanochat 🟠Технические детали:https://github.com/karpathy/nanochat/discussions/1 @ai_machinelearning_big_data #LLM#nanochat#MachineLearning#DeepLearning#AI#GPT

Gemini AI 图像去水印: 基于浏览器本地计算的无损去水印工具 • 采用反向 Alpha 混合算法，针对常见水印场景实现高质量还原，尽量保留原图细节 • 全流程在浏览器前端本地处理，图片不上传服务器，兼顾隐私安全与合规需求 • 支持 JPG、PNG、WebP 等主流格式，拖拽即用，毫秒级响应，适合快速批量处理 网站: https://banana.ovo.re UserScript: https://banana.ovo.re/userscript/gemini-watermark-remover.user.js #图像去水印#图像处理#浏览器本地处理#隐私安全#Gemini#AI

微软打造 AI 新工具：每月辅助审查 60 万条 PR，占比超 90% 微软公司宣布其内部使用的 AI 智能代码审查助手已扩展应用，每月审查超过 60 万条 Pull Requests (PR) 请求，占比超过 90%。该助手旨在提升开发者生产力和代码质量。现有 PR 审查过程中，审查者常花费时间在低价值反馈上，该助手可解决此问题。其改进包括自动检查和评论、提出改进建议、生成 PR 摘要以及互动问答。该助手融入现有工作流程，在 PR 创建时自动激活。微软表示，该助手缩短了审查周期，提高了代码质量，并具有可定制性和可扩展性。IT之家 🏷#微软#AI#代码审查#PR 📢频道👥群组📝投稿

🌟InfoSeek: синтез данных для deep‑research с формализацией HCSP. BAAI представила InfoSeek — открытую методику синтеза данных и учебный контур для глубоких исследований. Задачи такого класса выходят за рамки обычного извлечения фактов: модель должна раскладывать вопрос на подзадачи, координировать многошаговое рассуждение и проверять ответы по источникам. Эти задачи формализуются как HCSP — иерархические задачи удовлетворения ограничений, решение которых возникает только при последовательном сужении кандидатов на нескольких уровнях, где каждый внутренний узел сам является подзадачей, а зависимость между узлами образует дерево исследования. Базовая идея проста: данные строятся вокруг древа исследования. Вершины - сущности или атомарные факты, ребра - проверяемые отношения из Википедии и открытых страниц. Алгоритм синтеза явно управляет структурой, чтобы исключить недоопределенность или ранние "короткие замыкания". В HCSP ответ формально равен пересечению множеств, заданных текущими ограничениями и рекурсивными подвопросами; в терминах дерева корень — финальный ответ. Такой подход не только задаёт глубину и ширину рассуждения, но и делает каждый промежуточный шаг проверяемым по конкретным утверждениям. 🟡Синтез выполняет связка из 2 агентов. Планировщик контролирует глобальную сложность, выбирая цель и тип расширения, а Браузер добывает факты и ссылки из страницы сущности. 4 операции покрывают весь жизненный цикл: 🟢Инициализация из "якоря"; 🟢"Размытие родителя" - добавление нескольких независимых условий, которые в совокупности определяют уникальный ответ без включений между кандидатами; 🟢Вертикальное углубление по гиперссылке для увеличения высоты дерева; 🟢Генерация текста вопроса лишь после того, как каждый узел имеет достаточный набор проверяемых ограничений и достигнуты заданные метрики сложности. Качество контролируется по 2 осям: сложность и проверяемость. Сначала вопросы прогоняются "в лоб": если мощная базовая модель отвечает правильно без поиска, образец исключается, так было отсеяно около 2%. Затем проверяется решаемость на фиксированном наборе страниц с примесями-дистракторами и все двусмысленное удаляется. Итог: датасет с 50 тыс. пар вопрос–ответ и 16,5 тыс. траекторий размышлений с метками извлечения. 🟡Эксперименты. Тесты показали, что InfoSeek переносится за пределы домашнего домена. На классических наборах для извлечения фактов и мульти‑hop вопросов компактная модель InfoSeeker‑3B опережает типовые RAG и агентные пайплайны. На BrowseComp‑Plus с фиксированным корпусом 100K страниц и BM25 точность достигает 16,5% при среднем 8,24 обращения к поиску, что выше, чем у Gemini 2.5 Flash, Sonnet 4 и GPT‑4.1 и значительно выше Qwen3‑32B и Search‑R1‑32B. Замена обучающего набора NQ+HQA на InfoSeek поднимает точность с 3,0% до 16,5% и делает запросы осмысленно более частыми. ▶️ Из готового у проекта есть датасет, техотчет, конструктор древа данных и код для SFT- трейна. В планах - код RL и публикация весов InfoSeeker‑3B. 📌Лицензирование: Apache 2.0 License. 🟡Датасет 🟡Arxiv 🖥GitHub @ai_machinelearning_big_data #AI#ML#DeepResearch#Dataset#InfoSeek

📖Inside the AI Mind: Anthropic Maps the Neural Roots of Personality Drift Anthropic researchers have uncovered "persona vectors" — distinct neural activations linked to AI models' behavioral shifts. By comparing activation patterns in responses (e.g., sycophantic vs. neutral, evil vs. non-evil), they’ve begun to isolate and suppress undesirable traits like hallucination, sycophancy, and even racism at the network level. This study marks a rare convergence of interpretability and safety. As AI systems increasingly interact with the public and shape decisions, understanding why they deviate from intended behaviors is no longer academic—it's operationally essential. Anthropic’s work may become a blueprint for preemptively mitigating behavioral drift across general-purpose models. #AI#AISafety#Anthropic#TrustworthyAI

⚡️ Релиз Flux 2 Модель получила значительный апгрейд . Теперь она учитывает до десяти референсов сразу, лучше понимает свет, материалы и оптику, аккуратнее рендерит текст и выдаёт качество до 4k. Генерации выглядят ровнее и реалистичнее, без пластикового блеска. Можно генерировать, редактировать и совмещать изображения. Веса открытые, так что при желании можно запускать локально (65 ГБ). 🟠Demo: https://playground.bfl.ai/image/generate 🟠Weights: https://huggingface.co/black-forest-labs 🟠HF: https://huggingface.co/black-forest-labs/FLUX.2-dev @ai_machinelearning_big_data #AI#Flux2#ImageGeneration#AIGraphics

🔦Генерация изображений на свете, а не на GPU Исследователи из UCLA представили оптическую генеративную модель (Optical Generative Model). Она использует свет и линзы вместо вычислительных блоков - то есть картинки рождаются не на чипах, а в физике. 🔬 Как это работает: 1. Лёгкий цифровой энкодер превращает случайный шум в фазовый узор. 2. Этот узор загружается на оптический модулятор света. 3. Свет проходит через дифракционный декодер и прямо на сенсоре формируется изображение. ✔️ Авторами проведены реальные эксперименты: с помощью видимого света и SLM показаны результаты генерации: - Созданы цифры, лица, бабочки и даже картины в стиле Ван Гога. - Качество сравнимо с современными диффузионными моделями. - Есть две версии: мгновенная (один проход) и итеративная (несколько шагов, как у диффузии). ⚡ Чем интересен такой подход - Подход не требует никакой вычислительной нагрузки. - Супербыстрая генерация: физика света выполняет то, что GPU делает миллиардами операций. - Это открывает путь к энергоэффективному ИИ для edge-устройств: AR/VR, мобильные камеры, компактные сенсоры. ⚠️ Ограничения: - Сложно выравнивать оптические системы. - Ограничения по точности фазовых масок. - Зависимость от качества оборудования (шум, битовая глубина). Но даже с этими проблемами, это первый шаг к новому классу ИИ, где вычисления заменяются чистой оптикой. Nature: https://www.nature.com/articles/s41586-025-09446-5 @ai_machinelearning_big_data #AI#OpticalComputing#Photonics#GenerativeA