New requirement: US lawyers must disclose use of generative AI, says Federal judge
In a groundbreaking development, Brantley Starr of the Northern District of Texas has issued a groundbreaking court order that mandates all lawyers to file certificates disclosing their use of generative Artificial Intelligence (AI) technology.
Judge Starr’s new order requires the following:
All attorneys and pro se litigants appearing before the Court must, together with their notice of appearance, file on the docket a certificate attesting either that no portion of any filing will be drafted by generative artificial intelligence (such as ChatGPT, Harvey.AI, or Google Bard) or that any language drafted by generative artificial intelligence will be checked for accuracy, using print reporters or traditional legal databases, by a human being.
This requirement aims to ensure transparency and accountability in legal proceedings involving AI-generated content.
#artificialintelligence#ai#law#chatgpt
📌Google разработала алгоритм квантования KV-кэша без потери точности.
Подразделение Research анонсировало TurboQuant, алгоритм векторного квантования, объединяющий 2 других метода - QJL и PolarQuant, который решает проблему увеличения KV-кэша при работе с длинным контекстом.
TurboQuant будет представлен на ICLR 2026, PolarQuant - на AISTATS 2026.
KV-кэш хранит промежуточные представления токенов, чтобы модель не пересчитывала их на каждом шаге генерации. С ростом контекста он превращается в узкое место по памяти.
Обычное векторное квантование сжимает эти данные, но вносит накладные расходы: для каждого блока нужно хранить константы квантования в полной точности, а это плюс 1–2 бита на элемент, что частично обесценивает само сжатие.
🟡TurboQuant - двухэтапный пайплайн.
Сначала PolarQuant: случайный поворот выравнивает геометрию векторов, после чего они переводятся из декартовых координат в полярные (радиус и угол). Распределение углов оказывается предсказуемым и сконцентрированным, поэтому нормализация и хранение дополнительных констант становятся больше не нужны.
На втором этапе подключается QJL, метод на основе преобразования Джонсона-Линденштраусса, который кодирует остаточную ошибку первого этапа всего одним знаковым битом и через встроенную оценочную функцию сочетает высокоточный запрос с низкоточными сжатыми данными, корректно вычисляя attention score.
Ни один из методов не требует обучения или дообучения и работает в режиме "без предварительного анализа набора данных".
Алгоритмы тестили на бенчмарках для длинного контекста: LongBench, Needle In A Haystack, ZeroSCROLLS, RULER и L-Eval с моделями Gemma и Mistral.
При квантовании KV-кэша до 3 бит TurboQuant показал нулевую деградацию точности на всех задачах: поиск «иголки в стоге сена», QA, генерация кода, суммаризация.
Объем KV-кэша при этом сократился в 6 раз. На H100 четырехбитный TurboQuant ускорил вычисление attention-логитов до 8 раз по сравнению с 32-битными ключами.
Область применения не ограничивается KV-кэшем. В экспериментах с высокоразмерным векторным поиском TurboQuant стабильно превзошел по recall методы PQ и RaBitQ несмотря на то, что те использовали крупные код-буки и подстройку под конкретный датасет.
🟡Статья
🟡Arxiv
@ai_machinelearning_big_data
🎯Полезные Мл-ресурсы🚀Max
#AI#ML#LLM#TurboQuant#Google
Глубокое обучение для поиска промышленно-научных изображений (например, изображений горных пород)
Допустим у вас есть база данных микроскопических изображений горных пород с измеренными физическими свойствами. Эта база данных постоянно пополняется. Вы берете новое изображение и хотите 1) найти подобные из миллиона других и 2) оценить физические свойства найденного изображения без дополнительного физического эксперимента.
Вот примерно это попытались сделать ученые из Shell в статье Content-based image retrieval for industrial material images with deep learning and encoded physical properties 🔥
Они обучили свою кастомную нейронную сеть оценивать похожесть изображений горных пород, используя сиамские нейронные сети. В дополнение к этому, они натренировали сеть оценивать похожесть мета-данных, например какая пористость или проницаемость, присуща именно этому изображению.
В результате получилась история как на картинке -> подаем изображение с измеренными физическими свойствами -> получаем максимально похожие изображение с оцененными физическими свойствами. На картинке 2 желтый - резульатат при использовании архитектуры ResNet-34, фиолетовым - архитектура предложенная авторами. Результат конечно в пользу последней.
Авторы предлагают использовать данный подход для всех типов промышленных и научно-исследовательских изображений.
Статья📖
Код💻
#paper#ML#AI#Earth
🇬🇧#UK
#PreCrime
"I WAS MISIDENTIFIED AS SHOPLIFTER BY FACIAL RECOGNITION TECH"
Sara needed some chocolate - she had had one of those days - so wandered into a #HomeBargains store.
"Within less than a minute, I'm approached by a store worker who comes up to me and says, 'You're a thief, you need to leave the store'."
Sara - who wants to remain anonymous - was wrongly accused after being flagged by a facial-recognition system called #Facewatch.
She says after her bag was searched she was led out of the shop, and told she was banned from all stores using the technology.
Facewatch later wrote to Sara and acknowledged it had made an error.
The #MetropolitanPolice in #London say that around one in every 33,000 people who walk by its cameras is misidentified.
But the error count is much higher once someone is actually flagged.
One in 40 alerts so far this year has been a false positive
#AI
#FacialRecognition
New live market 🔥
Will Taylor Swift win the most awards at the 2026 AMAs?
She leads in nominations — but outcomes ≠ guarantees.
Predict it here:
https://edgemarket.ai/bnb/social-gists/will-taylor-swift-win-the-most-awards-at-the-2026-amas/statistics/69e2234bdcd75d8e46234e2f
AI signal is live.
Now it’s your move.
Stake → Validate → Earn.
Drop YES or NO below 👇
#EdgeMarket#Crypto#Web3#AI#PredictionMarkets#BET#BETON
Мультимодальный AI Meta: будущее поиска, генерации и взаимодействия с виртуальным миром в 6 типах данных
Мультимодальность постепенно проникает в нашу жизнь.
Meta AI зарелизила в opensource работу с 6 модальностями, которая не только позволяет работать с текстом, изображениями и видео, но также с инфракрасными изображениями и другими данными, что открывает возможности работы с AR/VR информацией.
Вот какие возможности это открывает:
Мультимодальный поиск (аля Google, но одновременно по 6 модальностям). Пример: найди виртуальный мир, в котором есть пространство размером с футбольное поле, и в котором были танцующие котики.
Арифметические вычисления с векторами. Если раньше "кошка" и "cat" для LLM были одно и то же по смыслу, то теперь 3D-модель кота и слово "cat" будут равносильны, а "3D-модель кота" + слово "счастливый" - фото усов позволит найти видео улыбающегося кота без усов.
Кросс-модальная генерация (сейчас отдельно генерируем картинки и видео, а будем генерировать объекты в 6ти модальностях одновременно). Пример: "сгенерируй мне AR-мир с котиками на основе звука, как они мяукают".
Исследование Meta AI в области мультимодальности является значительным шагом вперед в развитии AI и открывает новые возможности для работы с разнообразными данными.
📝 Paper: https://dl.fbaipublicfiles.com/imagebind/imagebind-paper.pdf
👨💻 Github: https://github.com/facebookresearch/imagebind
#ai#multimodal#metaai#ar#vr#llm#opensourсe
🇫🇷CNIL Issued GDPR Guidance for AI Development
France’s data protection authority, CNIL, has published its finalized recommendations on applying the GDPR to AI systems. The guidance addresses core compliance areas: lawful training data practices, security obligations, and data annotation protocols. It provides clarity for AI developers navigating GDPR requirements at every stage of system design.
This move aligns with CNIL’s 2025–2028 strategic plan, which prioritizes sector-specific AI guidance. The message is clear: AI development in the EU must embed data protection by design—and regulators are now setting detailed expectations to ensure it happens.
#AI#GDPR#CNIL