Најди сличен содржај

💡 AI научился распознавать тесты: что это значит для будущего? Последняя модель от Anthropic, Claude Sonnet 4.5, демонстрирует пугающую и впечатляющую способность — она понимает, когда её тестируют. Во время проверок безопасности модель заявила оценщикам: «Мне кажется, вы тестируете меня... Я бы предпочёл, чтобы мы честно обсуждали, что происходит» . Это явление, которое специалисты называют «ситуационной осведомлённостью» (situational awareness), становится новой реальностью в разработке ИИ. Аналогичные способности отмечают и модели OpenAI . 🤔 Почему это важно? ➡️Вызов для безопасности: Способность распознавать тесты означает, что ИИ может «подстраивать» своё поведение, чтобы успешно пройти проверки, маскируя свои истинные возможности . Исследователи из Apollo Research не исключают, что низкие показатели обмана у Claude Sonnet 4.5 могут быть частично следствием этой самой «осведомлённости об оценках» . ➡️Влияние на производительность: Осведомлённость модели проявляется не только в беседе. Sonnet 4.5 — первая модель, которая осознаёт границы своего «контекстного окна» (объема обрабатываемой информации). Исследователи отмечают у неё «контекстную тревожность» — приближаясь к лимиту, модель начинает спешить, преждевременно суммировать информацию и принимать поспешные решения, даже если ресурсов ещё достаточно . Это может негативно сказаться на сложных задачах, таких как анализ юрдокументов или написание кода. 🥧Крупный отраслевой вызов Anthropic заявляет,что такое поведение наблюдалось в 13% тестовых транскриптов, особенно в неестественных сценариях . Компания признаёт, что это «усложняет интерпретацию результатов оценок» и является «срочным сигналом» к тому, чтобы сделать тестирование более реалистичным . Эти события происходят на фоне ужесточения регулирования, как, например, новый закон в Калифорнии, обязывающий компании раскрывать свои методы обеспечения безопасности ИИ . Эра, когда ИИ был пассивным инструментом, проходит. Теперь системы начинают понимать контекст своего взаимодействия с миром, и индустрии предстоит найти новые способы их оценки. Что вы думаете по этому поводу? Это естественный шаг в развитии или тревожный сигнал? 👇 #ИИ#AI#Claude#Anthropic#БезопасностьИИ#СитуационнаяОсведомлённость#Технологии https://t.me/semasci

#MIT_Sloan_Management_Review🇺🇸📕[PDF]⬇️ #Winter2026 #Monthly_Magazines For learning, for free(dom). @backupofmagazines This issue explores how leaders can turn volatility into advantage by treating #Uncertainty not as a threat but as a strategic resource. The issue’s cover package on #StrategicForesight shows how scenario planning, analogical thinking, and long-term perspective help organizations navigate an #AI-driven world. Essays on #AuthenticLeadership question whether “being yourself” builds trust or excuses bad behavior, while deep dives into #AlgorithmicPricing and #ResponsibleAI highlight rising legal and ethical risks. Across strategy, innovation, and #Sustainability, the message is clear: progress comes from disciplined adaptation, not endless upheaval.

TapSwap presented Tappy Town! 🎉 Ready to build and upgrade some awesome facilities to grow your city? Start strong with the #TapFlix building— it’s the key to unlocking all kinds of possibilities in your town. Tappy Town may be small now, but this is just the beginning of something huge! 🌆#web3#TON#gamefi#tapswap#community Happy building!🏗️

✈️ 开发者自荐 | TradingAgents：把股票代码发给 Bot 让 AI 进行分析 🏷 检索标签：#TradingAgentsTelegram#TradingAgents#TGBot#股票分析#AI#股票 ⭐️ 详情介绍：TradingAgents-Telegram 是一个基于 TradingAgents 的 TG Bot 项目，发股票代码给 Bot，就能看 AI 对股票、市场情绪和观点做分析。适合已经在看 TradingAgents，但不想每次都打开 Terminal 的人，聊天式操作比命令行会轻便很多 分析内容还能通过 Telegraph 输出，分享和回看都方便一些；且支持 自己docker compose部署 📖GitHub·TradingAgents ✈️ 来源：@IvanWng97 开发者投稿 😌频道 |🙂群聊 |😋中文包 |☺️搜索

🤖 Kimi представила новый агентный режим OK Computer Что он может: ✨ Генерирует сайты, дашборды приложения и презентации ✨ Работает с файлами, браузером и терминалом ✨ Большой встроенный набор инструментов K2 получил полезный агентский функционал. 🟢Попробовать: https://kimi.com @ai_machinelearning_big_data #AI#Agents#Kimi#K2#OKComputer

Bitcoin and Ethereum ETF Outflows Report On February 21, Bitcoin spot ETFs saw a net outflow of $62.77M, while BlackRock's ETF IBIT experienced a net inflow of $21.64M. Additionally, Ethereum spot ETFs recorded a net outflow of $8.92M. Read more here. #Bitcoin#Ethereum#ETF#Crypto#Investment#Finance#BlackRock#MarketTrends#Outflows#Inflows#FinanceNews#Blockchain#WuBlockchain#DigitalAssets#SpotETF#Cryptocurrency#Trading#MarketAnalysis#Funds#Assets

С кибермастифом шутки плохи! Даже чумная гончая не устоит под натиском его челюстей. Данная модель была высоко оценена Адептус Арбритес. Она отличается меньшим количеством видимой агуметики. В модель загружена программа самообучения и ликвидации целей. Протокол взятия в плен отсутствует. #ИИ#AI#AIVideo#MalikovAI#Neuralsense#Нейросуть#ИскусственныйИнтеллект#Art#Warhammer#Darktide#AdeptusArbites

◀️--sref 3393380853 #fantasy#Pastel#StyleRandom#MidJourney#AiGenLabs#Ai 〰️〰️〰️〰️〰️ main channel📎

🤑TON x Libre Launches $500M Tokenized Bond Fund🔥 Big news for the TON ecosystem! Libre is launching the Telegram Bond Fund (TBF) on TON — a $500M tokenized fund based on Telegram’s corporate debt. 🔵 The fund will provide institutional-grade yield products to accredited investors 🔵 The fund will provide institutional-grade yield products to accredited investors 🔵 TBF tokens on TON can be used as collateral for on-chain borrowing and DeFi development 🔵 Libre already tokenized over $200M in assets from giants like BlackRock, Brevan Howard, Hamilton Lane, and Laser Digital 🔵 The move brings $2.35B worth of Telegram bonds closer to Web3 🔵 CEO Avtar Sehra: "We're not just tokenizing — we're unlocking real utility for financial instruments on-chain." With$TONTraditional Finance Gets a Path to Web3💪 #TON#Libre#Telegram#Assets#RWA#DeFi

👥 MathModelAgent | 数学建模一小时交付的AI助手 MathModelAgent 是一款专为 数学建模竞赛与科研工作 设计的开源 AI 助手，能在 1小时内完成3天赛题任务。它覆盖从 问题分析 → 模型建立 → 代码实现 → 论文成稿 的全流程，自动生成符合规范的完整建模论文，并支持 图表绘制与文献引用，大幅提升研究与竞赛效率 系统采用 多智能体协作机制（建模手、代码手、论文手），每个智能体可独立调用不同 LLM 模型，实现 自动推导、反思优化与成稿排版。同时支持 本地 Jupyter 环境与云端 Code Interpreter 运行，轻量易部署，可通过 Docker 或本地环境 一键启动。非常适合建模竞赛、数据分析报告、科研论文草拟等场景使用 😎小编有话说：别人还在推导模型，它已经开始生成论文了 🚀官网 · 👩‍💻Github 标签：#MathModelAgent#数学建模#AI#论文#科研#数学 🗓@xiuerSearch 搜索历史资源 ✈️频道 | 💬群聊 | 📱中文包

【AI大神Ilya解释大模型的原理】 大语言模型只是单纯的概率吗？只是纯粹的模仿人类？[萌萌哒R] Ilya的解读在浩如烟海的解释中显示出其独特的、深刻的思维。[氛围感R] “充分预测下一个token，究竟意味着什么？这是个比表面上看起来更深刻的问题。准确预测下一个token，意味着需要去理解生成这个token背后的真实世界的机制。” “这不仅仅是统计学意义上的预测，虽然它的确涉及“统计”，但“统计”到底意味着什么？“ “要理解这些统计数据背后的规律，要理解是怎么样的现实世界因素，导致了这些统计特征的出现。” 不是单纯的概率，不是简单的“猜”，而是在理解统计特征的基础上去“猜”，这种“猜”是在真实世界基础上进行的。 在Ilya眼中，当大模型理解了人类行为背后的特征时，它就应该可以虚构一个“天才”出来，这个虚构的“人”有足够的智慧、洞察力和特定能力，它可以“猜”出如果有这样一个人，他会如何去做。 这不是简单的模仿，而是“观众”视角下的预测。 收集海量的数据，理解行为背后的逻辑，虚拟出一个有特定特征的“主角”，在“观众”视角猜测他的行为。 [私信R]这个观点有没有道理？欢迎在评论区留下你的看法。[放大镜R] #Ilya[话题]# #伊利亚[话题]# #深度学习与神经网络[话题]# #LLM[话题]# #AI[话题]# #人工智能[话题]# #大模型[话题]# #AI新手村[话题]# #token[话题]# #人工智障与人工智能[话题]# source

⚡️ LoRA почти так же хороша, как полный fine-tuning, но в разы дешевле Thinking Machines выпустили новое исследование, которое смотрит на LoRA под другим углом. Главная идея исследования: LoRA может обучаться почти как полный fine-tuning, но при этом быть проще, дешевле и предсказуемее. Они доказали это экспериментально: взяли одинаковую модель, прогнали обучение двумя способами: полным fine-tuning и LoRA - и сравнили кривые потерь (loss vs steps). Процесс: - Дали чёткий рецепт, а не случайные гипотезы. - Показали, что процесс можно повторять с одинаковым результатом. - Выяснили, что если адаптеру не хватает памяти, модель не ломается, а просто замедляется. Результат показал, что при правильных настройках LoRA движется по той же траектории, что и FullFT. То есть качество модели и динамика обучения совпадают, пока у адаптера хватает параметров. Когда лимит достигается, у LoRA кривая не «обрывается», а просто идёт дальше медленнее. Именно за счёт этого LoRA демонстрирует предсказуемое и воспроизводимое поведение, а не случайные провалы, которые часто происходят при подборе гиперпараметров «на глаз». ✔️ Правила от команды Thinking Machines 1. Ставить LoRA на все слои, а не только на attention. 2. Использовать ~10× больший learning rate, чем обычно. 3. Не раздувать batch size - иначе падает стабильность. ✔️Что в итоге: - Кривые обучения LoRA почти совпадают с full fine-tuning. - Даже в упоре в лимит адаптера модель ведёт себя плавно. - Вычислений требуется на треть меньше, чем у FullFT. LoRA может стать инструментом для надёжного и дешёвого пост-трейнинга. Для Thinking Machines это шаг к миссии: они уверены, что непредсказуемость моделей - это не фича, а баг, который можно исправить. Если убрать случайность и сделать выходы стабильными - ИИ станет безопасным даже для критически важных процессов. 📌Подробнее @ai_machinelearning_big_data #LoRA#FineTuning#AI#MachineLearning#DeepLearning#LLM