Machinelearning

⭐️ Google DeepMind представил Gemini 3.1 Flash TTS - свою самую управляемую модель генерации речи Главная фишка - Audio Tags. Это текстовые команды прямо в промпте, которыми можно управлять стилем голоса, подачей и темпом речи. По сути, вы режиссируете озвучку через текст. Что ещё важно: — Более естественное звучание речи — Поддержка 70+ языков (русский, японский, немецкий и др.) — Все выходные аудио маркируются SynthID (цифровой водяной знак, чтобы отличить синтезированную речь от настоящей) На бенчмарке Artificial Analysis TTS Arena модель заняла 2-е место с Elo-рейтингом 1211 - сразу за Inworld TTS 1.5 Max (1215) и выше ElevenLabs v3 (1179). Где попробовать: → Рreview через Gemini API и Google AI Studio → Бизнесу -а Vertex AI → Всем пользователям - скоро появится в Google Vids https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-flash-tts/ @ai_machinelearning_big_data #google `#tts

⚡️Google показала, что квантовые компьютеры угрожают практически всей экосистеме криптовалют. Команда Google Quantum AI совместно с исследователями Ethereum Foundation и Стэнфорда опубликовали исследование, которое рисует тревожную картину: квантовая угроза касается не отдельных блокчейнов, а криптовалютной индустрии в целом - от базовых транзакций до смарт-контрактов, механизмов консенсуса, стейблкоинов и токенизированных активов. В центре работы - оценки ресурсов для взлома криптографии на эллиптических кривых secp256k1, которая защищает подписи в Bitcoin, Ethereum и множестве других блокчейнов. Авторы разработали квантовые схемы, которые потребуют менее 500 тысяч физических кубитов (в 20 раз меньше, чем считалось ранее). Для контекста: крупнейшие квантовые процессоры сегодня содержат порядка 1000 кубитов, но индустрия масштабируется быстро, и финишная черта теперь значительно ближе. 🟡Скорость На сверхпроводящей архитектуре такая атака займёт около 9 минут при среднем времени блока Bitcoin в 10 минут. Это означает, что квантовый атакующий теоретически способен перехватить транзакцию прямо из мемпула, вычислить приватный ключ и подменить перевод до его записи в блокчейн. Вероятность успеха такой атаки авторы оценивают примерно в 41%. 🟡Перехват транзакций - лишь часть проблемы. Исследование разбирает уязвимости всей криптоэкосистемы. Около 6,9 млн. BTC (порядка 35% всех монет в обращении) уже подвержены атакам по раскрытым или повторно использованным ключам, включая 1,7 млн BTC на ранних адресах эпохи Сатоши. Современный формат Taproot (P2TR), принятый в 2021 году, парадоксальным образом вернул уязвимость, устраненную предшественниками: он снова записывает публичный ключ открыто в блокчейн. 🟡Ethereum еще уязвимей. Авторы выделяют 5 отдельных категорий: 🟠аккаунты с раскрытыми ключами (~20,5 млн. ETH в топ-1000 кошельков); 🟠админ-ключи смарт-контрактов (2,5 млн. ETH плюс ~200 млрд. USD в стейблкоинах и токенизированных активах); 🟠код L2-протоколов и мостов (~15 млн. ETH); 🟠консенсусный слой с 37 млн. ETH в стейкинге и механизм Data Availability Sampling, где однократная квантовая атака создает переиспользуемый бэкдор, работающий уже без квантового компьютера. 🟡Угроза распространяется далеко за пределы двух крупнейших блокчейнов. Litecoin, Dogecoin, Bitcoin Cash, Zcash, Monero, Solana, Cardano, Rootstock - все используют криптографию на эллиптических кривых и находятся в зоне риска. Приватные блокчейны (Zcash и Monero) столкнутся еще и с ретроактивной деанонимизацией: будущий квантовый атакующий сможет расшифровать исторические конфиденциальные транзакции. Стейблкоины и токенизированные активы наследуют все уязвимости хост-блокчейнов, а прогнозируемый рост рынка токенизации до 16 трлн USD к 2030 году многократно увеличивает масштаб потенциального ущерба. При этом Proof-of-Work-майнингу Bitcoin квантовые компьютеры не угрожают: ускорение от алгоритма Гровера полностью поглощается накладными расходами квантовой коррекции ошибок. Для подтверждения своих оценок без раскрытия деталей атаки команда применила криптографическое доказательство с нулевым разглашением - прецедент ответственного раскрытия в квантовом криптоанализе. Авторы призывают все криптосообщества как можно скорее начинать миграцию на постквантовую криптографию, ссылаясь на успешные примеры: блокчейн QRL, первую PQC-транзакцию на Algorand, эксперименты на Solana и XRP Ledger. 🟡Блогпост 🟡Исследование @ai_machinelearning_big_data #QuantumComputing#Crypto#PostQuantum#Google

📌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

⚡️ Gemini 3 Deep Think - ИИ, который решает задачи уровня олимпиад и топ-программистов Новые модели всё меньше похожи на “чат-ботов” и всё больше - на инструменты для серьёзного анализа. Deep Think - пример такого перехода от теории к реальным сложным задачам. Что показывает модель: - State-of-the-art на ARC-AGI-2 - одном из самых сложных тестов на абстрактное мышление - Новый результат на Humanity’s Last Exam - задачи высшей сложности по математике, науке и инженерии - 3455 Elo на Codeforces - уровень сильных спортивных программистов - Результаты золотого уровня на письменных этапах Олимпиад-2025 по физике и химии Модель может: - разбирать сложные технические задачи - помогать в исследованиях - анализировать инженерные решения - работать как партнёр для глубокого анализа https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-deep-think/ @ai_machinelearning_big_data #Gemini#google

⚡Gemini 3 Flash - быстрый ИИ нового поколения от Google Gemini 3 Flash: - это очень быстрая модель с минимальной задержкой - при этом она сохраняет сильные способности к рассуждению - Frontier-уровень на GPQA Diamond - рассуждения уровня PhD - Хорошие результаты на Humanity’s Last Exam - State-of-the-art на MMMU Pro - хорошо работает с видео и мультимодальными данными - В целом, качество сопоставимо с Gemini 3 Pro Стоит в четыре раза дешевле, чем Gemini 3.0 Pro, при этом показывает сопоставимые результаты почти во всех бенчмарках, включая HLE и ARC-AGI 2. На некоторых бенчмарках модель обходит GPT-5.2. Более того, в ряде тестов модель даже превосходит более мощную версию Pro, оставаясь при этом значительно дешевле. По сути, Flash - это попытка Google сбалансировать три вещи одновременно: скорость + интеллект + стоимость. Цены: - Text input: $0.30 per 1M tokens - Text output: $2.50 per 1M tokens - Cache read: $0.075 per 1M tokens - Input audio: $0.999 per 1M tokens - Input audio (cached): $0.249 per 1M tokens - Web search: $0.035 per request - Cache storage: $1 per hour per 1M tokens https://blog.google/products/gemini/gemini-3-flash/ @ai_machinelearning_big_data #AI#Gemini#Google#LLM#Multimodal#AIModels#MachineLearning

🧠 Сергей Брин рассказывает о своей новой привычке Он разговаривает с Gemini Live прямо за рулём - обсуждает энергопотребление дата-центров, стоимость инфраструктуры и другие рабочие темы. Это классический Google-style: тестировать собственный продукт в реальной жизни. Напоминает историю про Билла Гейтса, который снял радио из машины, чтобы постоянно думать о Microsoft. Такой уровень одержимости - редкость. И, честно, именно он отличает по-настоящему больших фаундеров. Интересная деталь: Сергей говорит, что версия Gemini, которой он пользуется в машине, заметно лучше того, что доступно публично сейчас. @ai_machinelearning_big_data #Gemini#google#ai#ml

🎥 Two Minute Papers выпустили 22-минутное интервью с Джоном Джампером, нобелевским лауреатом и лидом команды DeepMind, создавшей AlphaFold В беседе Джон Джампер рассказывает, как появилось AlphaFold. Он объясняет, что проект начинался как почти недостижимый идеал: попытка научиться предсказывать структуру белков с точностью, которая раньше казалась невозможной. Ключевые моменты видео: Что такое AlphaFold: Система глубокого обучения, которая предсказывает точную трехмерную структуру белка (его рабочую форму) на основе его аминокислотной последовательности. Революция Скорости: AlphaFold выполняет задачу, которая ранее занимала год и стоила $100 000, всего за 5–10 минут с точностью, близкой к экспериментальной. Масштаб Влияния: Предсказаны структуры 200 миллионов белков (все известные науке), что сделало AlphaFold фундаментальным инструментом для миллионов ученых в области разработки лекарств и биологии. Удивительные Открытия: Джампер делится воспоминаниями о том, как команда сомневалась в успехе из-за "слишком легкого" роста производительности, и как модель научилась неявно предсказывать белковые комплексы и даже области, не имеющие фиксированной структуры ("беспорядок"). Будущее: AlphaFold является первым ИИ, который достиг "сверхчеловеческого" уровня в науке, и, по прогнозам, повлияет на почти каждое достижение в современной медицине в ближайшие 20 лет. ✔️ Смотреть интервью: https://www.youtube.com/watch?v=Vhcwjzeukts @ai_machinelearning_big_data #DeepMind#google#AlphaFold

👑Gemini 3 Pro теперь лидирует в IQ-тестах, набрав внушительные 130 баллов, опережая все прочие LLM! По шкале IQ такой результат помещает её в число примерно 2% людей с наивысшим интеллектом среди всех, кто когда-либо проходил подобные тесты. А в тесте норвежского отделения Mensa модель показала эквивалент 142 баллов IQ, что соответствует уровню лишь 0,3% самых интеллектуальных людей на планете. @ai_machinelearning_big_data #Gemini#google

✔️ OpenAI входит в сложный период, а Google стремительно усиливается The Information опубликовала внутреннее письмо Сэма Альтмана, и его тон сильно отличается от привычного оптимизма OpenAI. CEO прямо предупреждает команду: впереди могут быть серьёзные вызовы. 1. Google сделал резкий рывок Альтман признаёт, что Google заметно ускорился в области ИИ. Теперь OpenAI - не компания с комфортным отрывом от конкурентов, а участник гонки, которому снова нужно догонять. 2. Рост OpenAI может существенно замедлиться По данным источников, к 2026 году рост выручки может уменьшится в разы. Для компании, которая только что росла взрывными темпами, это серьёзный сигнал. 3. Внутри OPENAI ощущается напряжение Атмосферу описывают как *«rough vibes»*: меньше уверенности в своих силах, больше осторожности. Команда впервые за долгое время чувствует давление и неопределённость. Фаза бурного роста заканчивается, начинается период конкуренции и стратегической выносливости. OpenAI остаётся сильнейшим игроком, но теперь марафон важнее спринта. https://www.theinformation.com/articles/openai-ceo-braces-possible-economic-headwinds-catching-resurgent-google @ai_machinelearning_big_data #AI#OpenAI#Google#TechNews

Nano Banana очень хороша для генерации схем и слайдов, а как насчёт сделать из них видео. 🎬 Google Vids вместе с Gemini позволяет автоматически превратить презентацию Google Slides в полноценный видеоролик: со сценарием, озвучкой и музыкой. Вы просто загружаете презентацию, выбираете стиль - и система сама собирает видео из ваших слайдов. https://workspace.google.com/blog/product-announcements/october-workspace-drop-ai-storytelling-research-and-data-protections @ai_machinelearning_big_data #Gemini#google#llm

⚡️Команда Google Research представила технологию живого перевода речи в речь, которая позволяет говорить на одном языке и почти мгновенно слышать перевод на другом. Раньше процесс проходил через три этапа: распознавание речи, перевод текста и синтез новой речи, из-за чего задержка могла достигать десятков секунд. Исследователи оптимизировали весь конвейер, сделали обработку более устойчивой и сократили время реакции. Перевод звучит естественнее, меньше «подправляется» в реальном времени, а паузы стали значительно короче. Технология приближает момент, когда люди смогут свободно общаться, даже если не знают языка собеседника. https://research.google/blog/real-time-speech-to-speech-translation @ai_machinelearning_big_data #Google#AI#Translation#SpeechToSpeech#GoogleResearch

📢 Google уверенно выводит свои TPU на новый уровень — и делает это сразу по трём направлениям. Компания развивает три семейства собственных ускорителей: Ironwood, Sunfish и Zebrafish. Так Google закрывает потребности в высокопроизводительном инференсе, обучении моделей и создании огромных суперподов на 2026–2027 годов. TPU уже используют Safe Superintelligence, Salesforce и Midjourney - то есть экосистема растёт. **🚀 Ironwood (TPUv7):* Это самое впечатляющее поколение TPU на сегодня: • примерно 10× быстрее TPU v5 • примерно 4× производительнее TPU v6 • до 4,600 FP8 TFLOPS на чип • 192 GB HBM3e • масштабирование до 9,216 чипов в одном поде • около 1.77 PB общей памяти Такой уровень идеально подходит для LLM, где важны скорость и масштаб. 🔥 Sunfish (предположительно TPUv8) Следующее поколение создаётся совместно с Broadcom. Запуск ожидается ближе к концу 2020-х, и Sunfish должен стать главным ускорителем Google Cloud. 💡 Zebrafish: гибкая и массовая линейка MediaTek выступает ключевым партнером по ASIC. Zebrafish будет: • более доступным по цене • с гибкими характеристиками • подходящим для локальных и более компактных кластеров То есть не только для гигантских суперкомпьютеров, но и для широкого использования. 🌐 Зачем Google три разных TPU? Это даёт компании возможность: • разделять нагрузки между поколениями • удерживать клиентов уровня Anthropic • обеспечивать более 1 ГВт выделенной мощности • конкурировать с Nvidia на уровне не только чипов, но целых систем Google строит собственную вертикаль ИИ-инфраструктуры - масштабную, гибкую и рассчитанную на годы вперёд. Все это нужно, чтобы доминировать на рынке ИИ. @ai_machinelearning_big_data #google#tpu