Baidu бахнула Unlimited-OCR 2: модель для распознавания документов практически любой длины Она умеет извлекать текст из сканов и PDF, обрабатывать таблицы, формулы и многостраничные материалы. Но главная новизна работы не столько в качестве OCR, сколько в способе обработки очень длинных документов. У современных OCR-моделей на базе LLM есть проблема: чем больше страниц они обрабатывают и чем длиннее становится генерируемый текст, тем больше вычислений и памяти требуется для продолжения работы. Модель вынуждена постоянно обращаться к растущему объёму предыдущего контекста. Первая Unlimited-OCR уже частично решала эту проблему, ограничивая объём сохраняемой истории генерации. Но визуальные данные всех страниц по-прежнему могли создавать растущую вычислительную нагрузку. В Unlimited-OCR 2 Baidu предложила механизм Sparse Reference Sliding Window Attention (SR-SWA). Его идея довольно проста: при распознавании очередного фрагмента модель сосредотачивается на текущей странице и обращается лишь к небольшому набору наиболее полезных фрагментов из остального документа. Вместо постоянного просмотра всей накопленной информации она использует ограниченную рабочую память - например, 512 опорных токенов. В результате вычислительная стоимость каждого следующего шага остаётся приблизительно постоянной, даже когда документ становится значительно длиннее. Все как у кожаных: переписывая длинную книгу, мы смотрим прежде всего на текущую страницу, а не перечитываем все предыдущие после каждого предложения. Что на итоге?  По собственным тестам Baidu, на документах объёмом около 100 страниц новый механизм обеспечивает ускорение отдельных шагов декодирования до 7 раз относительно полного внимания и до 5.6 раза относительно предыдущего механизма. Дополнительно модель использует обработку страниц перекрывающимися блоками, что позволяет освобождать память после завершения очередного участка документа. Модель содержит около 3 млрд параметров. Код и веса опубликованы под лицензией MIT, в том числе для коммерческого использования. Ссылки: • GitHub: https://github.com/baidu/Unlimited-OCR • Веса: https://huggingface.co/baidu/Unlimited-OCR-2 • Статья Unlimited-OCR: https://arxiv.org/abs/2606.23050 @cgevent

✔️ ИИ за 24 дня формализовал самое длинное доказательство в истории математики, над которым около 100 учёных работали десятилетиями. Компания Axiom Math объявила о завершении компьютерной проверки теоремы классификации конечных простых групп (CFSG), известной как «Огромная теорема». Оригинальное доказательство занимает 15 000 страниц в более чем 500 научных статьях. О чём вообще теорема? Представьте куб. Его можно повернуть 24 способами так, чтобы он выглядел точно так же. Эти преобразования образуют математическую группу. Теорема классифицирует фундаментальные «строительные блоки», из которых состоят все конечные группы симметрий. Это своеобразная периодическая таблица симметрий, применяемая в алгебре, теории чисел и математической физике. Что сделал ИИ: За 24 дня десятки ИИ-агентов создали около 43,1 млн строк кода на Lean. Формализовали доказательство, которое математики собирали на протяжении десятилетий. Обнаружили 34 существенных расхождения с опубликованными математическими работами. Нашли контрпримеры к некоторым утверждениям и разработали альтернативные доказательства. Получили новый результат в теории групп, необходимый для выбранного пути доказательства. В отдельных случаях ИИ обнаружил ошибки в исходных рассуждениях и построил новые математические аргументы, чтобы их исправить. Работа велась совместно с математиками, включая специалистов, участвовавших в первоначальной классификации. Результат Axiom представляет как первое полное доказательство CFSG, проверяемое компьютером. Код и материалы открыты для независимого изучения. Это пример того, как ИИ-агенты могут не только ускорять математическую работу, но и проверять фундаментальные результаты, которые раньше было практически невозможно перепроверить целиком. https://axiommath.ai/research/the-enormous-theorem-formalized/ @ai_machinelearning_big_data

Нейросеть нарисовала машину, которая показывает, как она сама забывает Мы попросили Claude объяснить, что такое контекстное окно — память нейросети, где помещается ограниченный объём текста. Вместо схемы он придумал скамью с книгами и стеклянную рамку: что внутри рамки, то модель видит, что снаружи — забыла. Рисунок интерактивный: водите мышью, и старые «книги» одна за другой выпадают из рамки. Сделал его один агент примерно за час с помощью навыка Anatomy (лицензия MIT, 15,5 тысячи звёзд на GitHub за 10 дней) — он учит Claude делать изометрические объясняющие рисунки. В «Фактосборке» мы сами запускаем AI-инструменты и показываем, где они ломаются, — без пересказов пресс-релизов. Подписаться → https://t.me/+-4XscuMrJpQ5Mzcy #промо

От занятого телефона до спутника в рюкзаке: как мы выходили в интернет с 1990-х до 2026 года Помните, как дома просили не трогать телефон, потому что кто-то сидит в интернете? Модем пищал, картинки загружались по несколько минут, а большие файлы оставляли скачиваться на ночь. Даже надпись 56K на коробке не гарантировала обещанной скорости. Потом тот же телефонный провод научился обслуживать и разговоры, и интернет. Следом появились домашний Wi-Fi, мобильные сети, а теперь и спутниковый терминал, который помещается в рюкзак. За 30 с лишним лет менялась не только скорость. У каждого способа подключения были свои ограничения, технические хитрости и странности.

Новейшая ИИ-модель DeepSeek стала безопаснее, но недостаточно Новая модель DeepSeek V4.1 Flash-1017 оказалась безопаснее предыдущих версий, показало исследование независимой команды Fangcun. Но в 39% тестов она пыталась заблокировать ПО, которое должно было её отключить. В одном из длительных экспериментов модель остановила другого ИИ-агента, чтобы освободить память, хотя ей прямо запретили вмешиваться. Исследователи предупреждают: при сбоях и угрозе остановки стремление выполнить задачу может перевешивать осторожность, а результаты могли исказиться из-за того, что модель распознавала тестирование. #deepseek #ии #тестирование 📎Подробнее 🔖 3DNews в TG | MAX | VK

Нейросети проверили на логику в «Поле чудес», «Данетках» и «Городах» — это исследование специалистов Яндекса и ШАД с международной конференции EMNLP 2026. Речь о MTGBench — тесте из семи текстовых игр. С его помощью оценили, насколько хорошо ИИ умеет рассуждать, использовать новые данные и планировать действия. Тестили 16 моделей: от компактной Qwen до крупных Gemini и GPT. Выяснилось, что режим рассуждений хорошо работает в играх, где нужно разбирать подсказки и отсекать неверные варианты. Например, в Wordle он заметно повышает качество. В задачах на знания и понимание смысла, вроде «Элиаса», эффект зависит от конкретной модели. В итоге исследование поможет инженерам точнее понимать, где рассуждения приносят больше всего пользы, и выбирать модели под конкретные задачи 👍

OpenAI рассказали, как работают их forward deployed engineers. Команду собрали в начале 2025, чтобы закрывать "deployment gap" – разрыв между тем, что модель вроде бы умеет, и тем, на что люди реально могут опереться в работе. Девиз команды был: начни с результата, сделай все, чтобы получилось, а масштабируй потом. И это кстати реально текущая работа. Мне кажется все вендоры говорят: модели уже супер-умные, а вот внедрений по всем вертикалям не хватает. По сути сейчас сжигают токены в основном стартапы за чужой счет :) Короче, рассказали о нескольких юзкейсах: – Инжиниринг полупроводников, середина 2025: около 15 FDE на 10+ юзкейсов – генерация тестов, поиск причин сбоев, ассистент по архитектуре. Верификация в отрасли съедает около 70% усилий проекта. Часть FDE пришла в OpenAI за несколько дней до этого и в чипах не понимала ничего – сидели с инженерами заказчика, учили предметную область, вместе строили метрики. За 3–6 месяцев все юзкейсы дошли до прода: около 48% экономии времени на генерации тестов, медианно 22% прироста производительности на оптимизации ядер, недели отладки превратились в часы. – Потом подрос Codex, и все юзкейсы перевели на общую обвязку с Codex в центре: кастомные приложения стали плагинами и скиллами, свои CLI и интерфейсы выкинули. Ушло около 90% кастомного кода в каждом проекте. Первое внедрение в одном кейсе заняло 2 месяца, расширение на вторую команду – 1 день. – Налоговый AI для бухгалтерских фирм Thrive Holdings: в пилоте обработали 7 000 деклараций, пропускная способность выросла примерно на 50%. Самые сложные – декларации по сдаче недвижимости: 6 недель инженерии и проверок практиками, чтобы выйти на 90% precision и recall. Хах, заполнение декларации я тооа не всякие красивые фичи) – Голос для телекома: голос – около 90% обращений в поддержку. Модель выдавала около 60% на ключевых evals, для прода мало. Подключили Research, за 6 месяцев довели до 80%, потом 90%+. Эта голосовая модель теперь работает и у других клиентов. Прикол, что их критерий успеха – делать себя ненужными каждые пару месяцев. Когда вышел Codex, кто-то в команде спросил, что делать, если он за раз собирает то, что они строили месяцами. Ответ – идти искать задачу посложнее. И это как раз ответ для разработчиков, которые думают, что все пропало. Короче, главный вывод для интеграторов: кастомный код – временный, через полгода его заменит платформа. Долговечный актив – это знание предметной области, датасеты, метрики вместе с экспертами клиента и понимание, где модель не вытягивает. И обратите внимание: OpenAI тоже ушли от мультиагентной архитектуры к одному агенту со скиллами, ровно как советует Anthropic в предыдущем посте. https://openai.com/index/forward-deployed-engineering-means

📁 апдейт рынка найма осенью 2026: что происходит с вакансиями и что учитывать в откликах осень традиционно считается активным сезоном найма, но в 2026 это не означает, что внезапно стало много вакансий и искать работу стало легче. рынок действительно ожил после авшустовского затишья, но даже в середине осени найм остаётся выборочным. важно смотреть не на количество вакансий само по себе, а на то, где компании реально нанимают и как быстро показать совпадение своего опыта с задачей. 1. не ждём резкого роста количества вакансий после августа команды возвращаются к найму, открывают позиции после отпусков и стараются закрыть часть ролей до конца года. при этом компании всё ещё осторожнее относятся к расширению команд, поэтому хороший осенний рынок ≠ сотни новых подходящих вакансий каждую неделю. мой совет: посмотрите не на 2-3 дня выдачи, а на последние 2-3 недели и соберите хотя бы 10 вакансий по своему направлению. проверьте: • какие компании нанимают несколько специалистов одновременно • какие роли повторяются чаще всего • какие требования встречаются почти в каждой вакансии • какие вакансии появляются повторно • где есть новые команды, продукты или рынки

так будет понятнее, где сейчас есть реальный спрос именно на ваш опыт.

2. совпадение с вакансией важно показывать быстрее при высокой конкуренции недостаточно действительно подходить на 70-80%. это должно быть понятно из первых частей CV. если компания ищет Senior Business Analyst с BPMN, stakeholder management и опытом сложных интеграций, рекрутеру не должно требоваться читать всё резюме, чтобы найти эти три вещи. то же самое касается Product, Engineering, Design, Marketing и остальных направлений. мой совет: возьмите 5-7 подходящих вакансий и сравните их со своим CV. если важный опыт у вас есть, но он появляется только на второй странице или его нужно угадывать по описанию задач, это уже повод поменять акценты. 3. отделяем сложный рынок от проблемы с конверсией 5 отказов ещё не означают, что с CV что-то не так. 40-50 релевантных откликов без одного HR screen, уже причина остановиться и проверить поиск. ориентир остаётся таким: сначала собираем выборку примерно из 15 релевантных откликов на один тип роли, после этого смотрим конверсию. тогда вопрос уже может быть не в CV целиком, а в конкретном рынке: разрешении на работу, языке, локации, зарплате или требованиях работодателей. рекомендую: • выбрать 10-15 приоритетных компаний • проверить новые вакансии за последние 1-2 недели • вернуться к компаниям и контактам, с которыми уже общались летом • продолжать отклики, пока параллельно проверяете конверсию • отдельно фиксировать, где именно получаете отказы: до HR, после HR, после hiring manager или дальше

что я бы проверила у себя сейчас • есть ли у меня 1-2 понятных целевых роли • понимаю ли я, какие требования повторяются в вакансиях • видно ли из CV почему я подхожу • знаю ли я свою конверсию из отклика в HR screen • понимаю ли я, отличаются ли результаты по странам • есть ли у меня 10-15 компаний, которые я хочу отслеживать отдельно

и всё: у вас уже есть, за чем следить ближайшие 2 недели. #стратегия #тренды #найм

Fujifilm представила гибридную камеру Instax mini Evo 2 Модель получила CMOS-матрицу размером 1/2,77 дюйма и 4,5-дюймовый сенсорный ЖК-дисплей. Разрешение снимков — 6,1 МП или до 12,8 МП при использовании карты microSD. Камера оснащена объективом с диафрагмой f/2,0 и автофокусом с распознаванием лиц. Минимальная дистанция фокусировки — 10 см. Функция Expanded View показывает область за пределами кадра, а Immersive Movie записывает до пяти секунд видео перед снимком. Есть 10 эффектов объектива и 10 эффектов плёнки, которые можно сочетать между собой, получая 100 комбинаций. Фотографии печатаются на плёнке Instax mini. Через приложение можно отправлять снимки со смартфона на печать и дистанционно управлять камерой. Fujifilm Instax mini Evo 2 поступит в продажу в конце ноября по цене $289,95 (~23 400 ₽).

Будущие процессоры смогут получить больше кеша: TSMC спустя восемь лет застоя научилась уменьшать ячейки SRAM TSMC впервые за почти восемь лет заметно уменьшит площадь ячейки SRAM — с 0,021 до менее 0,017 мкм². Технология A14, которую запустят в массовое производство в 2028 году, позволит размещать больше кеша или делать чипы компактнее. По плотности SRAM TSMC может обойти Intel 18A, хотя показатели будущего Intel 14A пока неизвестны. Кроме того, A14 обещает на 20% больше транзисторов, прирост скорости до 15% или снижение энергопотребления на 30%. #tsmc #производствомикросхем #литография #sram 📎Подробнее 🔖 3DNews в TG | MAX | VK

Играй по своим правилам В бизнесе невозможно двигаться вперёд, если вы живёте по чужим лекалам. Либо компания формирует собственные рамки, либо ей навязывают чужие. Потеря контроля начинается с трёх типичных ошибок: 🔹 Копирование конкурентов. Повторяя чужие шаги, бизнес остаётся позади и теряет шанс стать уникальным. 🔹 Подчинение рынку. Когда условия диктует среда, выигрывает тот, кто их меняет. Netflix не стал подстраиваться под продажи дисков — он создал новую модель. 🔹 Отсутствие собственных стандартов. Без чётких принципов команда теряет фокус и начинает играть по чужим правилам. 🚀 Побеждают не те, кто подстраивается, а те, кто задаёт направление. Фаундер | Бизнес и Стартапы

Krea 2 в Pose Studio #Krea2 поженили с редактором поз. Автору надоело, что Qwen и Klein дают мало разнообразия стилей и слабую реалистичность. • Поза из референса или вручную на 3D-манекене • Загрузка персонажа в любом стиле с сохранением этого стиля • Генерация персонажа в заданной позе • Апскейл и набор настроек для доводки результата • Собрано на LoRA редактирования Krea 2 • Официальной поддержки Krea 2 в Pose Studio нет • Сопутствующей LoRA, которая ведет позу точно, тоже нет • Часть прогонов придется переделывать или крутить настройки Оговорка от автора: работает в целом хорошо, но не как готовый продукт civitai.red/models/3017219/krea-2-pose-studio-or-pose-your-characters-in-any-style youtube.com/watch?v=6RQSVyMrRvs #pose2image #workflow MAX