На профильных конференциях обсудили главную проблему Physical AIi — обучения роботов: в отличие от обычного ИИ, где можно просто масштабировать датасеты и вычисления, сенсомоторные данныеi для роботов собирать дорого и долго. Решение — обучать роботов в симуляторах и world modelsi, где можно воссоздавать редкие и опасные ситуации, менять условия и проверять поведение машины до её выхода в реальный мир.
Но успех в симуляции не гарантирует такой же результат на реальном железе: перенос требует понимания физики, механики и работы сенсоров. Из-за этого меняются и требования к инженерам — вузы начинают готовить специалистов на стыке классической робототехники и ML.
Hugging Face выложили гайд по multi-harness RLi — обучению с подкреплением, при котором модель тренируется сразу внутри нескольких реальных coding-агентов (харнессов), а не одного. Проблема, которую решают: одна и та же модель может набирать 62% в одном агентном харнессе и всего 33% в другом — качество сильно зависит от обвязки, а не только от самой модели.
Чтобы это исправить, модель подключают к прокси, который понимает все основные API-форматы coding-агентов, и обучают сразу через несколько харнессов одновременно, без изменения самих харнессов. В результате модель LFM2.5-2.6B от Liquid AI выросла в точности и стала стабильно хороша во всех протестированных обвязках, а не только в той, где её тренировали.
ВыводПо данным источника 1, прокси понимает четыре API-формата coding-агентов: OpenAI Chat Completions, OpenAI Responses, Anthropic Messages и Gemini; он записывает точные token ids и logprobs, которые семплировал vLLM, и обучение идёт на этих данных
Anthropic объявила об образовательной инициативе Claude Frontier Academyi: компания вложит $100 млн в подготовку 10 000 инженеров, которые должны получить навыки уровня собственных сотрудников Anthropic по внедрению Claude в бизнес-процессы. Первая когорта завершит обучение к концу 2027 года.
Инициатива нацелена на устранение главного препятствия для корпоративной ИИ-трансформации — нехватки кадров, способных не просто использовать модели, а встраивать их в реальные бизнес-системы. Характерно, что университеты и традиционные образовательные институции в программе не упоминаются вовсе.
Андрей Карпаты, впервые за два месяца написавший публичный пост, рассказал, как теперь правильно просить LLM объяснять сложные вещи. По его мысли, по мере роста автономности моделей человек будет все меньше делать работу сам и все больше — проверять и понимать результат, поэтому формат ответа становится почти так же важен, как его качество.
Он предлагает иерархию из четырёх уровней: обычный текст (но на стандарте ASD-STE100i), диаграмма или картинка, интерактивная HTML-страница с визуализацией, и — лучший вариант по его оценке — одноразовое объясняющее видео в стиле 3Blue1Browni с озвучкой через ElevenLabsi.
Исследование, проведённое в Гарварде и оформленное в виде научной публикации (по данным источника — для журнала «Природа»), показало: ИИ-репетитор на базе GPT-4i обучает студентов эффективнее живого преподавателя. В эксперименте участвовали 194 студента вводного курса физики — каждый прошёл и очное занятие в аудитории с профессором (работа в группах, разбор задач), и домашнюю сессию с ИИ-репетитором.
Результат переворачивает привычную иерархию: технология впервые обходит не рутинный труд, а именно преподавание — профессию, которую долго считали защищённой от автоматизации. Авторы связывают успех не с «умом» модели, а с тем, что ИИ терпелив, никогда не устаёт и может подстраиваться под темп каждого студента — то, что раньше было возможно только с персональным репетитором.
ВыводСредний балл студентов (по 5-балльной шкале): на старте — 2,75; после занятия с профессором — 3,5; после сессии с ИИ-репетитором — 4,5; разница статистически значима.
