Постоянство Хаббла: странные признаки изменчивости тёмной энергии Команда из Фессалоникийского университета предположила, что вакуум непрерывно рождает микроскопические червоточины — по десять миллиардов штук каждую секунду на каждый кубический сантиметр пространства. Если это так, процесс объясняет, почему Вселенная расширяется всё быстрее, и сходится с измеренным значением космологической постоянной. До такой экзотики физиков довело сомнение в величине, которую считали постоянной с самого рождения Вселенной. Ту, что Эйнштейн когда-то назвал своей величайшей ошибкой и вычеркнул, спустя десятилетия вернули в уравнения как тёмную энергию. А к началу 2020-х данные телескопа Уэбба и обсерватории DESI, измерившей расстояние до 14 миллионов галактик, начали намекать, что и сама тёмная энергия, похоже, не постоянна, а слабеет со временем. Скорость расширения по разным методам упрямо не сходится.

А может на завод? "Я сделал(а) тысячи откликов, а результат нулевой" На самом деле пофиг сколько, хоть миллионы. Нажимать кнопку "откликнуться" тысячи раз просто, это даже автоматизировать сможет почти каждый. Мозгу комфортно совершать простые действия, ему нравится конвейерность процесса. Причём эта хитрая тварь всегда соберёт весомые аргументы, почему нет результата и его туловище на самом деле молодец. Ну прям как нейронка работает — галлюцинирует и всегда хвалит хозяина. А тут ещё ландшафт подвезли удобный: "найм сломан, люди ищут работу месяцами и годами, дело не в тебе, а в рынке". Мозгу можно даже не напрягаться — оправдательный метавёрс уже собран и протестирован. Сегодня поиск работы стал отдельной менеджерской задачей: кто умеет менять стратегию, тестировать заходы и искать обходные пути обычно выбирается быстрее, а конвейер формата "ещё 500 откликов" просто масштабирует то, что уже точно не работает. И вот эти истории, когда человек год искал работу условного тестировщика, а потом пошёл паковать посылки, на кассу или водить такси — они на самом деле не грустные и не плохие, даже наоборот: в отличие от поиска работы за повторяющиеся несложные действия теперь платят. Можно подумать, что я бездушная неэмпатичная тварь, но дело в другом: я сам наступал на эти грабли ещё до того, как оно стало мейнстримом. Базово я конвейерный чел, которому нравятся простые повторяющиеся действия. Много раз я получал за это пиздюлей на работе, увольняли даже. Пришлось прям жёстко перепрошиваться, а потом годами заниматься поддерживающей самотерапией. Так что мой бизнесовый майндсет — штука приобретённая. Мне кажется, что пусть найм и дурной какой-то, он довольно явно высвечивает, что человек действительно хочет, без обвязки из социального одобрения и ожиданий внутренних зрителей.

В мире с ИИ остро необходимы новые правила этикета для общения между людьми. Предлагаю следующие: 👀 Не делитесь тем, что не прочитали или не посмотрели полностью сами. Сгенерированный контент бывает норм. Но ответственность за него несёте вы. Не надо кидать стены текста или картинки, которые вы сами не смотрели 📝 Не надо вообще делиться кусками чата с БЯМ/агентами и тем более вставлять их на слайды. Выделите суть и перескажите своими словами. А читать горы текста со слайдов никто не будет ❗️ Честно помечайте произведённый ИИ контент. В этом нет ничего предосудительного: все так или иначе пользуются ИИ. Просто явно укажите, где именно он был использован. Как вариант – наоборот помечайте органический контент 🍃 А что бы добавили вы?

C++29 — начало. Встреча ISO C++ в Брно Число 120000.0 форматировалось как «120000», а 100000.0 внезапно как «1e+05». Два похожих числа выводились по-разному, потому что под механизмом std::to_chars старался выдать максимально короткую строку. В C++29 это чинят, заодно поведение приблизили к Python и выгадали 15% производительности. Рядом другая знакомая боль, когда «верни значение по ключу или дефолт» разворачивается в несколько строк с итераторами. Теперь у ассоциативных контейнеров есть метод lookup, и всё схлопывается в cache.lookup(key).value_or(42). Заодно всё неопределённое поведение наконец собрали в отдельные секции стандарта, написанные для нормальных людей, а не для экспертов по языку описания стандарта. А постфиксным операторам ++ и — разрешили писать = default, чтобы не копировать один и тот же boilerplate в каждом итераторе. И это лишь часть того, что привезли с одной встречи комитета. Узнаем, что ещё меняется в C++ на пути к C++29.

🛠️ Метод По существу предлагается не так уж много: - 📐 Берем квадратичное разложение. Вместо полного Гессиана (матрицы Фишера) берем диагональ, а ее оцениваем через статистики Адама (которые у нас и так есть). - ⚖️ Диагональ Фишера используем для подбора оптимальных скейлов при заданных квантованных значениях (кодах). Перебирая общий скейл-фактор, находим оптимальные коды. - 🔢 В основном фокусируются на INT2/3/4, но еще рассматривают и NVFP4, где скейлы перебираются по FP8-сетке. Дальше много всякой теоретической лабуды, которой я не читал. 🧪 Эксперименты Для валидации метода рассматривают QAD (дистилляцию на логитах исходной модели) предобученных Qwen3-4B-Thinking-2507 и Llama-3.1-8B-Instruct, а также SFT Qwen3-4B-Base. По бенчам в 2 битах оно заметно лучше QAT/PTQ-бейзлайнов, в 3 и 4 битах разница не столь существенна. Лосс на обучении ниже и стабильнее. Ablation показывает, что все компоненты дают пользу: - 🧠 Hessian-aware взвешивание - 🔍 Поиск скейлов Итоговый оверхед якобы небольшой — замедление шага обучения всего на 1,5% против стандартного QAT со STE. 🧾 Выводы Вроде бы несложная модификация STE, потенциально улучшающая качество. Но эффект провалидирован только на небольших моделях (обучение без FSDP, по всей видимости). Для больших моделей аншардирование статистик Адама может приводить к нетривиальному замедлению. Кроме того, нынче модно учить с Мюоном, а там аналога такой кривизны просто нет. При этом Мюон со STE может быть и не хуже Адама с прибамбасами, кто знает. Но для лечения GGUFов тема вполне рабочая.

QUASAR: Lowering the Loss Floor of Quantization-Aware Training with Loss-Aware Reconstruction 📄 Статья 💻 Кода нет Когда PTQ (Post-Training Quantization) не выдает желаемого качества при целевой степени сжатия или модель нужно адаптировать по ходу дела, неизбежно приходится переходить к QAT (Quantization-Aware Training). Наивный STE (проброс градиента) может работать сносно, но расходится на низких битностях и вообще не очень стабилен. По факту градиент считается не из той точки, где в данный момент находится вес. Кроме того, существующие техники не учитывают кривизну при оптимизации в STE. И данная работа предлагает сравнительно недорогой способ сделать STE точнее и более адаптивным под геометрию.