как выглядят вотермарки в ai gen контенте в 2026м году 🤔 Что картинки и видео включают в себя лейблы давно не новость. На прошлой неделе антропик (разработчик клода) включили невидимые вотермарки в текстах, а в начале августа suno анонсировали то же самое для музыки. Давайте разберемся как это работает и какие комментарии дают крупные игроки на этот счет. Итак, какие бывают вотермарки: 1️⃣ метаданные (они же c2pa) - подписанный паспорт внутри файла: чем сделано, когда, что редактировали. Проверить может кто угодно, ключи не нужны. Довольно ненадежная история, так как нет защиты от скриншота и слетает при сжатии в соцсетях 🧠 2️⃣невидимая метка в самом сигнале (например synthid от гугла) - находится в пикселях, звуке или выборе слов. В пикселях кстати ее довольно быстро нашли умельцы из твиттера. Скриншоты и сжатие переживает, но все что можно узнать - только сгенерировано или нет. Какой моделью, когда - эта информация не хранится. Кстати, в мае 2026го года таких файлов было уже больше 100 миллиардов 😮 Ожидаемый вопрос, а как это работает в текстах? 😂 Если у вас была версия, то скорее всего она правильная, потому что это вроде как единственный разумный вариант. Когда модель выбирает между равноценными словами, например "интересно" или "любопытно", выбор делается не случайно, а по криптографическому ключу. На смысл это не особо влияет, но статистика выборов становится узнаваемой. Ожидаемо это плохо работает на документах и коде, где нет творческой вариативности, но справедливости ради, как по мне так писать руками код в 2026м году это уже какое-то извращение 😠 По словам авторов, небольшие правки метку не убирают, а вот переписанный своими словами текст целиком - вполне зачем это все? 🐵 Увы, не из любви к человечеству и гневным коментаторам в тик токе, которых достал эйай. Антропик в июле подписали европейский кодекс по маркировке ии-контента, это новое требование ai act, которое кстати уже вступило в силу, а suno анонсировали вотермарки на фоне исков от universal и sony. Все упирается в авторские права и правовую плоскость Надя, а ты сама писала этот пост или ...? Щас проверим 😅 Ну почти, антропик анонсировал api проверки эйай/не эйай для сторонних разработчиков, но он еще не запущен, даты нет, в справке так и написано "детали будут в будущей документации". Как по мне это юридическая отмазка и точно не приоритет (пока) Кстати, youtube и X уже автоматически лейблят видео, читая и c2pa и synthid, причем независимо от того раскрыл автор или нет, частично замечала автометку на pinterest. Но в большинстве случаев раскрытие AI пока остается ручным. Текст платформы не проверяют - только картинки, видео и звук. Могут проверять массовость реплаев и искать агентов, которые ведут соц сети за вас (так недавно снесли 40 тыс аккаунтов в твиттере) 🎧 Есть ли официальные комментарии про охваты? Youtube при запуске отдельно сказали, что помеченные видео не режутся в рекомендациях и не теряют монетизацию. Но сам факт, что платформа теперь умеет отличать одно от другого автоматически и без вашего участия - это рычаг, которого раньше просто не было. Да и у части продуктов большие репутационные риски за использование ai контента, тот же гуччи с ai-визуалами к неделе моды в Милане, которых разнесли за "дешево и лениво". А aerie сделали ровно наоборот, выкатили кампанию с памелой андерсон и слоганом "you can't prompt this" и получили +23% к продажам в квартале. Это конечно не значит что эйай контент нельзя использовать, можно и нужно, но стоит изучать отношение вашей аудитории к этой теме, даже если платформы не урежут охваты 🤑 @neural_prosecco

Не меняйте уровень "размышления" модели посреди диалога! 🤷‍♂️ Оказывается, много кто так делает. Типа в начале диалога используют xHigh, чтобы получить лучший результат, а потом меняют на medium, чтобы сэконоить токены. 😬 Но это работает ровно наоборот! Вы тратите х2 токенов OpenAI кэширует контекст диалога, чтобы старые сообщения не нужно было каждый раз заново обрабатывать. Это в целом повсеместная практика, но работает это только в том случае если старые сообщения не менялись. А, как оказалось, уровень "размышления" прописывается в системном промпте (считай нулевое сообщение), а значит его изменение просто сбросит кэш и все сообщения придется обрабатывать заново. 🤷‍♂️ В общем, если начали уже вести диалог, то не меняйте настройки модели. Лучше начать новый диалог с нужными настройками, если это так необходимо 👌 Свята место | 10МДК | YHub

Ну, за барабанщиков. И аниматоров. Disney Research научили 3Д-пероснажа играть на барабанах слуiая обычную музыку. На вход подаётся аудио, а diffusion-модель генерирует полноценную 3D-анимацию барабанщика - движения корпуса, рук и палочек, причём удары должны попадать в нужный барабан в нужный момент. Это сложнее обычной music-to-motion: палочка движется быстро, промах даже на несколько сантиметров сразу ломает иллюзию. Поэтому авторы разделили обучение на две задачи: естественность скелетной анимации и отдельно точность палочек. В результате заявлена точность попаданий до сантиметрового уровня, при этом тело не превращается в механического робота. Что невыносимо круто - системе не нужен MIDI или заранее размеченный трек с нотами. Авторы собрали собственный датасет, придумали аугментации и добились работы с обычным аудио, которого модель не видела при обучении. Для проверки они даже ввели две отдельные метрики: расстояние между палочкой и целью в момент удара и корреляцию движения с аудио. В пользовательских тестах сгенерированную анимацию часто не могли отличить от настоящего motion capture. Еще раз: это уже не просто "персонаж двигается в ритм", а попытка восстановить из одной звуковой дорожки физически осмысленное исполнение на конкретном инструменте Может быть полезно для игр, виртуальныо-метаверсных музыкантов и ну и автоматической анимации персонажей. https://studios.disneyresearch.com/2026/08/18/generalized-audio-driven-synthesis-of-precise-drummer-motion @cgevent

Hyperion 2.5: Довольно огненная модель от Топазянского. TLDR: это немного больше, чем просто «Topaz научился сохранять в 10-bit». Topaz выпустил Hyperion 2.5 - модель SDR→HDR, специально заточенную в том числе под 8-битное AI-видео. Она принимает обычный SDR/GenAI ролик и не просто перекладывает его в 10-битный контейнер, а пытается реконструировать дополнительный диапазон яркости и цвета, после чего может вывести результат в(!): ProRes 10-bit, H.265 10-bit или 16-bit half-float EXR. Все эти ваши\наши видеогенераторы отдают сильно пережатый 8-bit материал. Если потом начать агрессивно красить его, например, в Resolve, вытягивать свет, делать маски, композ или HDR-master, быстро вылезают бендинг и ступеньки в градиентах и разваливающиеся цвета. Hyperion пытается восстановить недостающую информацию *до* грейда, чтобы материал вел себя ближе к нормальному high-bit-depth-исходнику. Topaz уже показывает production-кейс студии Primordial Soup Даррена Аронофски: они прогоняли GenAI через Hyperion 2.5 в 10-bit ProRes именно перед тяжелым цветокором, а в другом шоте использовали его для подавления заметного бендинга. Но важная оговорка: Hyperion не может физически вернуть цвета, которые генератор никогда не в жизни не видел. Это AI-реконструкция/предсказание дополнительной информации. То есть это скорее «умный HDR remaster», чем магическое превращение 8-bit в настоящий camera RAW. Галлюцинация в более пригодный для поста dynamic range. Из любопытного: с новым 16-bit EXR пока есть вопросы к color management. Юзеры уже обнаружили несоответствие между заявленным ACES2065-1 и метаданными Linear Rec.2020, плюс жалуются на пересвеченный результат во Fusion. Но процесс адаптации убогого генератива для лухари-поста уже пошел, это очень круто. Ждем нативные 4К во всех генераторах и ну композить. Hyperion 2.5 доступен в актуальном Topaz Video, не в старом прекращенном Topaz Video AI. Работать можно локально или через облачный рендер. Сейчас отдельный план Topaz Video указан как $19/месяц по акции вместо $39, в него входит 400 cloud credits, дополнительные кредиты стоят $0.10 за штуку. Есть и Topaz Studio за $34/месяц при оплате $399 за год, куда также входит Video и ежемесячные кредиты. https://developer.topazlabs.com/video-models/video-utilities/hyperion-2.5-sdr-to-hdr-new https://www.topazlabs.com/news/primordial-soup-uses-topaz-hyperion-2-5-to-bring-8-bit-genai-into-10-bit-pro-video-finishing-workflows Видос полезный, кстати, там Сиденский, Астра и прочие инструменты. @cgevent

Second brain продакта – как может выглядеть, и как он мог бы функционировать, чтобы нас уже наконец-то можно было заменить AI агентами. Напомню постановку проблемы: одна из основных причин, почему продакты не могут становиться кратно эффективнее за счет работы c AI ассистентами – это то, что для выполнения большей части задач нам нужен полный и актуальный контекст по проектам, над которыми мы работаем. А этого контекста сейчас не сущетсвует в цифровом мире. Давайте представим себе как могла бы выглядеть система, которая эту проблему решает. Хранение информации (second brain) - Для начала нам нужно место хранения информации по проектам, с которым агенту будет удобно работать, и куда он сможет бережно складывать все, что он узнал к текущему моменту, а также ссылки на внешние источники, на случай если ему понадобится более полный контекст. Большинство людей используют для этого Obsidian, потому что markdown файлы – это наиболее нативный для агентов формат текста. - Нам нужны инструкции про то, как работать с основными внешними системами хранения информации, которые мы используем: Jira, Confluence, Google docs, аналитика. Скорее всего это будут skills для нашего Claude, которые могут ссылаться на те же .md файлы при необходимости Система обработки входящей информации Агент должен систематически и автономно читать все важные источники входящей информации, заносить их в наш Second Brain и обновлять текущий статус. (1) Встречи - Допустим у вас прошла встреча и у этой встречи даже есть транскрипт - Агент должен взять этот транскрипт, положить в нашу систему, и разметить все сущности к которым это встреча имеет отношение: людей, проекты, компоненты системы - Затем агент должен понять в какие из этих сущностей нужно внести изменения, чтобы актуализировать статус. Например, отразить новые выводы и договоренности по проектам, которые обсуждались, поставив ссылку на транскрипт встречи, где нужно (2) Мессенджеры и почта - Получается, что аналогичным образом агент должен читать все входящие сообщения из мессенджеров и почты - Про каждое сообщение (или диалог) он должен ответить себе на вопрос, нужно ли внести какие-то дополнения в файл проекта, потому что в сообщении есть новая инфомация - Или добавить новый пункт в план одной из следующих встреч - Или поставить задачу, которую должен сделать подопечный белковый продакт - А чаще всего несколько из вышеперечисленных пунктов одновременно Если представить себе, что написали агентов и процедуры для встреч и мессендеров, то нетрудно будет добавить еще одну точку входа в систему обработки входящих, куда мы будем руками вносить то, что в нее не попало, потому что случилось в устной коммуникации или где-то еще вне систем, которые мы мониторим автоматически. И тогда можно будет рассчитывать на то, что у нас будет существовать тот самый полный и актуальный контекст, который позволит агенту решать действительно широкий спектр задач из нашей рутины, и брать на себя какую-то осмысленную часть работы. Что вы считаете? Утопия? Или через два года уже у всех будет так? Или вы по-другому видите дизайн системы AI-продакт? Делитесь в комментариях.

https://artificialanalysis.ai/agents/search-api Нас (Keenable) сравнили в бенчмарке Artificial Analysis. Во-первых, я очень рад, что мы туда вообще попали. За это ребятам огромное спасибо. Во-вторых, с методологией бенча есть некоторые проблемы: 1. Fetch инструмент использовался один на все движки, и это был просто HTTP GET. То есть часть силы нашего индекса была помножена на ноль, потому что часть документов, которые мы возращаем обычным HTTP GET тупо не качается. 2. Две трети оценки складывается из старых публичных бенчмарков (BrowseComp и DeepSearchQA). Все наши конкуренты уже успели их забенчмаксить. Это очень хорошо видно на Parallel Turbo на приватном AA-Omniscience. Это мы поправим, добенчмаксим тоже.

https://artificialanalysis.ai/agents/search-api Нас (Keenable) сравнили в бенчмарке Artificial Analysis. Во-первых, я очень рад, что мы туда вообще попали. За это ребятам огромное спасибо. Во-вторых, с методологией бенча есть некоторые проблемы: 1. Fetch инструмент использовался один на все движки, и это был просто HTTP GET. То есть часть силы нашего индекса была помножена на ноль, потому что часть документов, которые мы возращаем обычным HTTP GET тупо не качается. 2. Две трети оценки складывается из старых публичных бенчмарков (BrowseComp и DeepSearchQA). Все наши конкуренты уже успели их забенчмаксить. Это очень хорошо видно на Parallel Turbo на приватном AA-Omniscience. Это мы поправим, добенчмаксим тоже.

Better MoE model inference with Warp Decode 🔗 Блогпост Ребята из Cursor не остановились на Mixture-of-Kittens и реализовали ещё одну примечательную оптимизацию MoE для low-batch-инференса под названием Warp Decode. Традиционные пайплайны инференса MoE expert-centric: они собирают токены для каждого эксперта, прогоняют вычисления и переставляют их обратно в исходном порядке. Операции перестановок занимают нетривиальное время и существенно замедляют инференс. Курсоровцы же предлагают параллелизовать не по экспертам, а по выходам. Каждый варп отвечает за одно выходное значение. Инференс реализован через два fused-кернела — gate+up и down. Варп достаёт в потоковом режиме нужную строчку из матрицы весов и проводит операции. ⚡ Так как варпы работают независимо, то всё выходит embarrassingly parallel: вообще не нужно париться по поводу банковских конфликтов, барьеров и синхронизаций. Все редукции выполняются через warp-level-инструкции вида __shfl_xor_sync. 🛠️ Ещё из полезных плюшек стоит отметить следующее: - 📐 Не нужно паддить до какой-то степени двойки (типа 128). - 🗂️ Можно избавиться от scatter и combine: токены последовательности раздаются экспертам, а потом всё собирается. Также исчезает необходимость в промежуточных буферах. 🚀 В итоге оно даёт ускорение порядка 1,8× на B200. 💡 А ещё они избавляются от MXFP8-квантизации, ибо и так всё работает достаточно быстро) 📈 На батче из 32 удаётся достичь до 58% максимально достижимой пропускной способности. Однако авторы утверждают, что их подход не полностью вытесняет expert-centric-исполнение, особенно в сценарии низкой загрузки. На больших батчах оверхеды от перестановок/перегруппировок токенов не так сильно болят.

📌Qwen 3.8 решает юридические задачи лучше и дешевле Opus 4.8 Стартап Engram, который занимается памятью для ИИ-агентов, вместе с легалтех-компанией Harvey проверил, что будет, если агент заранее изучит рабочее пространство фирмы, а не будет каждый раз перечитывать документы. Для эксперимента собрали синтетическую юрфирму Calderwood & Harkness: 100 млн токенов, 9 286 файлов, 266 клиентских дел - от судебных споров до сделок M&A и раундов финансирования. Модель Qwen3.8-27B не просто получила этот массив на вход - она изучала его тысячами прогонов, сама генерировала себе обучающие данные и записывала заметки. Часть знаний осела в весах через LoRA, часть - в структурированных заметках, куда агент потом ходит поиском. Исходные 100 млн токенов ужались в 1 млн токенов заметок. 🟡Результаты Выше оказалась не абсолютная точность, а интеллект на токен. По этой метрике кастомная Qwen дает 190,8 балла на 100 тысяч токенов против 129,3 у Opus 4.8 и 104,2 при высоком уровне рассуждений. По доле полностью верных ответов модель тоже обошла Opus 4.8 - 30% против 25%, - и обошлась в 0,13 доллара за запрос против 1,32.

Это примерно десятикратная разница по ценам OpenRouter на август 2026.

Отдельно измерили, сколько модель усвоила в веса. Отвечая на вопросы о фирме вообще без инструментов и заметок, до изучения она была права в 4,7% случаев, после - в 72,6%. Поменялось и поведение. Обученная модель в 99,2% случаев начинает с точечного поиска, тогда как базовая в 94% случаев первым делом лезет открывать заметки. До нужного дела обученная доходит за 3,7 хода против 5,9.

Рабочее пространство в эксперименте статично, а в реальной компании документы меняются каждый день, и меняются сами вопросы. Как дешево и непрерывно обновлять память без переобучения - открытая задача, и Engram называет ее своим основным направлением.

@ai_machinelearning_big_data #news #ai #ml

Интересно, когда Стругацкие писали "Понедельник начинается в субботу", какой временной горизонт они себе представляли. И что бы они сказали сейчас: "Всего 60 лет прошло 😱" или "Целых 60 лет прошло 😒" Тогда идея создать своего "дубля", которому можно поручить работу вместо себя, наверняка казалась чем-то совершенно нереальным где-то совсем рядом с волшебством. Собственно, в книге этим и занимаются волшебники. А для нас прошло каких-то 60 лет и фраза "пусть дубль агент сам это сделает" постепенно становится обыденностью.

Дубль — это очень интересная штука. Как правило, это довольно точная копия своего творца. Не хватает, скажем, человеку рук — он создает себе дубля безмозглого, безответного, только и умеющего, что паять контакты, или таскать тяжести, или писать под диктовку, но зато уж умеющего это делать хорошо. Или нужна человеку модель-антропоид для какого-нибудь эксперимента — он создает себе дубля, безмозглого, безответного, только и умеющего ходить по потолку или принимать телепатемы, но зато уж умеющего хорошо. Или самый простой случай. Собирается, скажем, человек получить зарплату, а времени терять ему не хочется, и он посылает вместо себя своего дубля, только и умеющего что никого без очереди не пропускать, расписываться в ведомости и сосчитать деньги, не отходя от кассы. Конечно, творить дубли умеют не все. Я, например, еще не умел. То, что у меня пока получалось, ничего не умело — даже ходить. И вот стоишь, бывало, в очереди, вроде бы тут и Витька, и Роман, и Володя Почкин, а поговорить не с кем. Стоят как каменные, не мигают, не дышат, с ноги на ногу не переминаются, и сигарету спросить не у кого. Настоящие мастера могут создавать очень сложных, многопрограммных, самообучающихся дублей. Такого вот супера Роман отправил летом вместо меня на машине. И никто из моих ребят не догадался, что это был не я. Дубль великолепно вел мой "Москвич", ругался, когда его кусали комары, и с удовольствием пел хором. Вернувшись в Ленинград, он развез всех по домам, самостоятельно сдал прокатный автомобиль, расплатился и тут же исчез прямо на глазах ошеломленного директора проката.

Dflash2 тпшнулся и теперь продаёт курсы на скиллбокс?! Да да боже опять дифлеш… лорд Айм уан, лорд айм ту, начинали год как бодрый новичок с плюс минус новым подходом в спекдеке, даже обещали выложить пайплайн обучения, и вот конец года - тяжёлый люкс, эйай блог в тёмных тонах, пишите в Директ скинем модельки 💅 Из изменений: докинули конволюцию (стак мор лейерс) и газанули на дспарк из-за рекуррентности, хотя сами не лучше со своим path finder’ом. Замерились опять на каких то доходягах типа meta muse glimmer это че блеск для глаз, и опять под раздачу попала КраснаяШляпаЭйАй, до отстаньте вы от них да делают средние драфт модели, да за один день, да бесплатно, но издеваться то зачем? это какая то груша для битья на все случаи жизни? если Канье Веста заменят домиником джокером в саже - пойду красной шляпе дизов насую на хф, ну чтобы знали Крч, китайцы срубили бабла, даже им нужен один залетевший рилз, гад блес зем https://inco.ai/blog/dflash2/

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.

ИИ решил математическую проблему, которая не поддавалась учёным 22 года, всего за 16 часов Нейрохирург из Китая Цзинь Шаньму при помощи модели GPT-5.6-Sol доказал гипотезу Круазе, выдвинутую ещё в 2004 году. Примечательно, что у самого врача нет профильного математического образования — знания он получал преимущественно самостоятельно, пишет издание SCMP. Нейросети потребовалось примерно 16 часов автономной работы, чтобы построить доказательство. Результат уже проверили сам автор гипотезы Мишель Круазе и другие специалисты-математики, они подтвердили его корректность. Тем не менее полноценное научное рецензирование работы пока не завершено. Интересно, что интерес Цзиня к этому разделу математики возник случайно — он занимался задачей, связанной с транскраниальным ультразвуком, и именно это привело его к формулировке и решению математической проблемы. #интересное