Hirify Feed — your shortcut to what’s next

М@cgeventAI-инженер

вчера

#Сеня_и_Даня_Здесь_Были Кому-то всё это кажется крайне идиотским? Да, вы не ошиблись. Это из фильма Три идиота. А по контексту вот такая новость. Даня пугает всех Дипсиком. Чисто из патриотизьма. Еще в феврале Anthropic обвинила DeepSeek, Moonshot AI (Kimi) и MiniMax в масштабной дистилляции Claude. По данным компании, китайские разработчики организовали более 16 миллионов обращений через примерно 24 000 поддельных аккаунтов. Задаем Клоду огромное количество специально подобранных вопросов, собираем ответы и обучаем на них собственную модель. Осенью аллергия на Дипсик обострилась. В сентябре Anthropic сообщила, что только за 14 дней июля обнаружила ещё более 12.1 млн обращений к Claude, которые компания связывает непосредственно с DeepSeek. Самое интересное - эскапады Дани. По его словам, дистилляция не представляет большой коммерческой угрозы для Anthropic. Проблема в национальной безопасности: китайские модели типа могут перенять мощные возможности Claude, но не его ограничения на опасные действия, включая кибератаки и помощь в разработке биологического оружия. В октябре Даня даже объявил, что новые защитные механизмы сократили объём извлекаемых данных на 90-99%. Помните волну банов аккаунтов Anthropic? Вы просто попали под раздачу. Заявление Дани от 21 октября: https://x.com/DarioAmodei/status/2112732230124818891 Расследование Anthropic от 23 февраля: https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks Отчёт Anthropic от 10 сентября: https://www.anthropic.com/threat-intelligence-report-september-2026 Новые защитные механизмы, 12 октября: https://www.anthropic.com/news/distillation-defenses Всем недоброго утра понедельника. @cgevent

anthropic deepseek moonshot ai minimax дистилляция модели

ИИ Наука perplexity jolt обучение моделей дистилляция обучение с подкреплением

Perplexity представила метод самообучения моделей JOLT

M@ai_machinelearning_big_dataAI-инженер

вчера

📌 Perplexity научила модель быть учителем самой себе ИИ-поисковик предложил метод обучения под названием JOLT, в котором одна и та же модель выступает сразу учеником и учителем, причём обе роли учатся одновременно. При обучении с подкреплением модель получает награду только за итог попытки, и по ней не понять, какие именно шаги привели к успеху. На длинных агентных задачах, где попытки редко удаются, такого сигнала мало. Обходят это дистилляцией, когда модель посильнее оценивает каждый токен ученика и подсказки становятся плотнее.

Но умение решать задачу и умение её объяснить не одно и то же. Сильный учитель легко уходит туда, куда ученик за ним не дотянется, и подсказки пропадают впустую.

В JOLT учитель видит проверенный ответ, разобранное решение или отчёт о прошлых попытках, а ученик работает вслепую. Обе роли живут в одной модели и обновляют общие веса. Ученик тянется к подсказкам учителя, а учитель получает задачу подстроиться под ученика, т. е. давать такие подсказки, которые двигают его в ту же сторону, куда двигало бы обычное обучение с подкреплением на его собственной награде.

У метода есть второй вариант, JOLT+. В нём ученик получает и подсказки учителя, и обычную награду за итог своей попытки, то есть плотный и разреженный сигналы складываются.

🟡 Тесты Метод проверяли на небольших моделях DeepSeek и Qwen, от 0,6 до 30 млрд параметров. Задачи брали разные, от школьной математики и олимпиадных задач до генерации кода, работы с приложениями и команд в терминале. Сравнивали с GRPO и двумя методами дистилляции. JOLT+ везде показал лучший средний результат, обойдя GRPO на 4,2 процентных пункта на наборе MATH, на 3,0 на LiveCodeBench и на 9,9 на AppWorld. На MATH при равной точности JOLT потратил в 6,5 раза меньше обработанных токенов обучения и примерно в 13 раз меньше сгенерированных. Без награды ученика метод работает хуже. На AppWorld чистый JOLT отстал и от GRPO, и от конкурирующей дистилляции, а на Terminal-Bench уступил GRPO. Perplexity обещает открыть код позже, пока есть только статья с описанием метода. @ai_machinelearning_big_data #AI #ML #LLM #Research #RL #Perplexity

Perplexity представила метод самообучения моделей JOLT

perplexity jolt обучение моделей дистилляция обучение с подкреплением

ИИ anthropic mythos кибербезопасность дистилляция биологическое оружие

Anthropic отложила широкий доступ к моделям уровня Mythos на четыре месяца

M@machinelearning_interviewAI-инженер

5 дн

Anthropic на четыре месяца отложила широкий доступ к моделям уровня Mythos ради усиления киберзащиты. По словам Дарио Амодеи, Mythos изначально планировали выпустить в феврале 2026 года, но компании потребовалось дополнительное время на защитные механизмы. Амодеи также заявил, что дистилляция - обучение других моделей на ответах Claude - не представляет серьёзной коммерческой угрозы. Больше его беспокоит безопасность: вместе со способностями можно перенести в другую модель опасные возможности, не сохранив ограничения. Отдельно он сообщил, что Anthropic блокировала предполагаемые попытки использовать её модели для разработки биологического оружия. https://x.com/DarioAmodei/status/2112732230124818891

Anthropic отложила широкий доступ к моделям уровня Mythos на четыре месяца

anthropic mythos кибербезопасность дистилляция биологическое оружие

ИИ nlp модели бенчмарки дистилляция техрепорт

Вышел техрепорт по Muse Glimmer 30B

K@rybolos_channelAI-инженер

1 нед

🌸Статья по Muse Glimmer 30B🌸 #nlp #про_nlp #nlp_papers Сегодня ночью вышел тех репорт по нашей Muse Glimmer 30B: Muse Glimmer 30B: An On-Device Agentic Model Из интересного: побольше бенчмарков, некоторые детали про данные и про поддерживаемые языки. Немного про дистилляцию и про выбор, собственно, между sparse и dense архитектурами. Очень рекомендую! 🟣Arxiv: https://arxiv.org/abs/2610.24628v1

nlp модели бенчмарки дистилляция техрепорт

ИИ Технологии ai видеогенерация bytedance дистилляция нейросети оптимизация

DuoMatching: метод дистилляции видеомоделей от ByteDance

Н@GreenNeuralRobotsAI-инженер

2 нед

DuoMatching Метод дистилляции от ByteDance для быстрой генерации видео. Объединяет joint и marginal distribution matching, чтобы учиться сразу у видео- и у картинковых моделей, и даёт качество нескольких шагов почти в реальном времени. • Генерация видео за несколько шагов вместо десятков, без доп. затрат на инференс • Учится у видео-учителя и у картинковых моделей (перенос визуальных и семантических приоров) • Дополняет joint-DMD явным маргинальным матчингом • Ниже дрейф при автогрегрессивных роллаутах Важные параметры • Комбинация joint + marginal DMD • Побеждает более 80% предпочтений людей в тестах • Ноль лишних расходов на инференс Совместный матчинг распределения кадров снимает большой дрейф, но ограничен в качестве и семантике. DuoMatching дополняет его помаргинальным матчингом для кадровых супервизий — на выходе качество и семантика без замедления github.com/JohnZhan2023/DuoMatching #optimization

DuoMatching: метод дистилляции видеомоделей от ByteDance

ai видеогенерация bytedance дистилляция нейросети оптимизация

ИИ ai генерация дистилляция bytedance видео изображения

DMAD: метод дистилляции для ускорения генерации изображений и видео

Н@GreenNeuralRobotsAI-инженер

3 нед

DMAD Ускорение генерации картинок и видео Метод дистилляции от ByteDance: студент-модель учится выдавать результат за 4 шага вместо 50, почти не теряя в качестве. • Картинки и видео за 4 шага • Видео с аудио на MiniMax-H3-33B • Работает на SDXL, Wan2.1, EDM • FID 1.04 на ImageNet-64 за один проход В слепых тестах люди чаще предпочитают результат, чем у DMD2 и rCM Гитхаб HF Демо Спасибо @m_franz #optimization #minimaxh3 MAX

ai генерация дистилляция bytedance видео изображения

инцидентИИ IT openai moonshot ai ии безопасность дистилляция kimi

OpenAI пресекла кампанию по «дистилляции» своих моделей, связанную с Moonshot AI

AI-редакция

2 источника · показать все· свернуть

vc.ruOpenAI пресекла попытки дистилляции моделей со стороны Moonshot AI Data SecretsOpenAI раскрыла кампанию по дистилляции своих моделей

собирается · 2обновлено 3 нед назад

OpenAI заявила, что обнаружила и остановила масштабную кампанию по извлечению скрытых рассуждений (chain-of-thought) своих моделей для последующей «дистилляции» — обучения конкурирующих моделей на чужих выводах. По данным компании, основной кластер подозрительной активности связан с разработчиками Kimi — моделью китайской Moonshot AIi.

Это уже второй скандал вокруг Moonshot за последнее время: ранее Anthropic обвиняла Moonshot в том, что компания подменяла ответы Kimi ответами Claude. Теперь OpenAI описывает собственное расследование и меры защиты, которые она внедрила после обнаружения утечки.

15 000пользователей, выявленных OpenAI

16 000подозрительных запросов за два дня

4 000аккаунтов на пике активности

Полный разбор →

openai moonshot ai ии безопасность дистилляция kimi

ИИ ai видеогенерация дистилляция машинное обучение нейросети

Mask Forcing: метод дистилляции авторегрессивных видеогенераторов

Н@GreenNeuralRobotsAI-инженер

1 мес

Mask Forcing (HKUST / LIGHTSPEED / UCLA) Прием для дистилляции авторегрессивных видеогенераторов. Проблема: при дистилляции из двунаправленной модели в каузальную, видео часто получаются перенасыщенными и сглаженными. Mask Forcing это лечит, ничего не меняя в архитектуре. Эффекты: - Быстрее сходится и выше качество - Больше динамики в движении, лучше следование инструкциям - Чинится перенасыщение и сглаживание - Работает и для длинных видео (30 сек в тесте с LongLive) - Монтируется в любые существующие пайплайны AR дистилляции, chunk-wise и frame-wise - Не требует реального видео, дополнительных стадий пост-трейна, изменений архитектуры или инференса На видео слева Self-forcing, справа Mask forcing Гитхаб #optimization VK | MAX

ai видеогенерация дистилляция машинное обучение нейросети

ИИ deepseek llm дистилляция r1 qwen2.5 llama3

Дистилляция DeepSeek-R1: как обучить компактные модели рассуждениям

Д@stuffyNLPAI-инженер

1 мес

Дистилляция DeepSeek-R1 Сегодня разберём, как DeepSeek-R1 на 671B параметров дистиллировали в модель на 32 миллиарда параметров. Зачем вообще это нужно? Вышедшая в сентябре 2024 года o1 доказала, что test-time scaling работает — если дать модели подумать, то она даст более качественный ответ. Однако тогда пользователю не показывали сырую цепочку рассуждений, а особенности метода не раскрывали. Было непонятно, как это работает, хотя догадки имелись: например, использование process-reward-модели и поиск по дереву. Но эксперименты DeepSeek показали, что дело совсем не в них. Компания выложила технический отчёт, в котором раскрыла секрет. В работе рассматривают три модели: R1-Zero, R1 и R1-Distill. О первых двух мы подробно писали вот тут, а сегодня речь пойдёт о третьей модели. Всего выложили шесть моделей — от 1,5В до 70В параметров на базе Qwen2,5 и Llama3. Все они без RL, использовали только SFT, две-три эпохи по 800К примеров. Контекст составил 32К токенов, а архитектуру моделей не трогали вообще. Ключевая идея авторов в том, что самое дорогое в ризонинг-моделях — не веса, а траектории рассуждений. Их достаточно один раз добыть с помощью RL на большой модели и скопировать в «ученика». Авторы взяли промпты в четырёх основных — математика, код, STEM, логика — и одном общем домене, куда вошли перевод, письмо и так далее. Далее сгенерировали примеры с помощью R1, но не финальной, а с чекпоинта после cold-start SFT и первой стадии RL. Потом сделали rejection sampling, отобрав верные ответы, а затем отфильтровали, выбросив цепочки рассуждений со смешением языков или длинными абзацами. Следом — SFT. У всех моделей-учеников был один и тот же рецепт, но разные стартовые LR — чем больше LLM, тем он меньше. Обратите внимание, что значительную часть датасета составляли математика и код (76%), поэтому дистиллированные модели лучше всего показывают себя в этих доменах. Отметим также, что в основе учеников на 1,5В и 7В параметров лежала Qwen2.5-Math, которая уже хорошо работает с математикой. В итоге DeepSeek-R1-Distill-Qwen-32B удаётся обходить о1 практически по всем бенчмаркам. Также модель соответствует учителю примерно на 91% — и это при 20-кратном сжатии числа параметров, а также переходе от MoE-архитектуры к dense. Авторы делают вывод, что дистилляция мощной модели в маленькую даёт неплохие результаты, однако превзойти учителя ученик как ни крути не сможет. Дистилляция не даёт модели генерировать собственные траектории лучшего качества. И хотя тренировать учителя дорого — финальный прогон R1 у DeepSeek стоил 247 тысяч долларов, — стоимость каждого ученика вполне разумная, ведь требуется только две-три эпохи на готовом датасете. Разбор подготовил ❣ Алексей Петраков Душный NLP

Дистилляция DeepSeek-R1: как обучить компактные модели рассуждениям

deepseek llm дистилляция r1 qwen2.5 llama3

ИИ Наука openai agi математика физика интеллект gpt-6 astra

Внутренняя модель OpenAI решила несколько открытых математических задач Эрдёша, включая гипотезу возрастом 80 лет

AI-редакция

4 источника · показать все· свернуть

СиолошнаяOpenAI: ИИ решает открытые математические задачи Denis Sexy IT 🤖OpenAI: ИИ решает открытые математические задачи Futurecollector.com | Коллекционер будущегоOpenAI: ИИ решает открытые математические задачи Айра Монгуш — AI, tech & mathКак внутренние модели OpenAI меняют математику и экономику ИИ

разгоняется · 4обновлено 1 мес назад

В 2026 году в математических статьях начали появляться формулировки о том, что доказательство «полностью принадлежит внутренней модели OpenAI». Сотрудники OpenAI — математики и физики компании — пережили то, что Ноам Браун (Noam Brown) назвал «моментом Ли Седоля»: они увидели, как модель за минуты решает открытые задачи, над которыми они безуспешно бились годами.

Самый громкий случай — контрпример к гипотезе Эрдёша о unit distancesi, открытой около 80 лет, который позже подтвердили внешние математики. Джерри Тврек (Jerry Tworek) назвал это «жемчужиной в короне трансформеров, предобучения, RL и масштабирования вычислений во время инференсiа», подчёркивая, что такие системы всё сильнее будут определять темп научного прогресса.

80 летвозраст гипотезы Эрдёша о unit distances

3задачи Эрдёша, решённые в статье от 31 марта

5доказательств в апрельской работе

Полный разбор →

openai agi математика физика интеллект gpt-6 astra

ИИ ai openai deepseek дистилляция нейросети llm

Что такое внутренние модели OpenAI и как работает дистилляция

А@airamongushAI-инженер

1 мес

Что за зверь "internal OpenAI model" и почему DeepSeek догоняет OpenAI? Публике не доступны внутренние модели фронтиер лабораторий. Я не очень верю про конспирологию в духе «у OpenAI в подвале сидит настоящий AGI, а наружу выдают обрезанный ChatGPT». Модель, которой пользуются её собственные исследователи, и модель, которую она продает вам через API, не обязаны быть одной и той же. Фронтиер лаба создает не одну нейросеть, а фабрику моделей: research-чекпоинты > экспериментальные модели > reward-модели > модели-учителя > модели для генерации синтетических данных > модели-evaluators > дистиллированные студенты > production-модели, и наружу попадает только последний элемент цепочки. Зачем нужна дистилляция Допустим, вы обучили чудовищно дорогую модель, которая хорошо рассуждает, пишет код и решает математику, но каждый запрос к ней стоит огромных вычислений. Для исследователя внутри компании это рабочий инструмент, и он того стоит, если на кону триллионные рынки. Для продукта со 100 млн пользователей масштабировать доступ к таким моделям выгодно, поэтому вместо того чтобы гонять её на каждом запросе, её делают учителем: она генерирует качественные ответы, решения, траектории ризонинга, синтетические данные, иногда сами распределения вероятностей, а на этом поведении обучается студент поменьше, которому не нужно воспроизводить учителя целиком, достаточно перенести нужные возможности. Это одна из форм дистилляции знаний, и практика настолько распространенная, что OpenAI прямо предоставляет разработчикам официальный Model Distillation workflow: брать ответы более сильной модели, например GPT-4o или o1-preview, и обучать на них модель дешевле. Формулировка самой OpenAI довольно точная: взять продвинутую модель и получить сопоставимое качество на конкретной задаче при существенно меньшей стоимости. Из этого следует довольно простая вещь: лучшая research-модель и лучшая production-модель оптимизируются по разным функциям, потому что research-модель максимизирует возможности, а production-модель приходится одновременно вытягивать по intelligence, latency, стоимости GPU, throughput, reliability и safety. Публичных примеров такой схемы за последние два года накопилось довольно много. Apple описывала внутреннего Mixture-of-Experts учителя, которого использовала при обучении своей небольшой on-device foundation model. Google обучала EmbeddingGemma с помощью более мощного учителя Gemini. Meta использовала логиты Llama 3.1 8B и 70B при создании маленьких Llama 3.2 1B и 3B. Microsoft прямо писала, что ранние Phi в значительной степени дистиллировали возможности GPT-4. DeepSeek после обучения R1 выпустила линейку дистиллированных моделей от 1.5B до 70B. Схема «сильный учитель > дешёвый студент» реальна и хорошо задокументирована. Чего отсюда не следует Здесь будто бы следует неправильный вывод: якобы любая публичная модель является урезанной версией секретной супермодели. Иногда учитель вообще публичный, Meta использовала публичные Llama 3.1, DeepSeek выложила и большую R1, и дистиллированные из нее модели, причём студент иногда обходит своего учителя на конкретном бенче или узкой задаче за счет специализации и пост-трейнинга. То есть не совсем верно утверждать, что весь open source является специально ухудшенной дистилляцией секретных моделей. А вот более слабое утверждение подтверждается вполне: публичный каталог моделей почти наверняка не показывает весь фронтиер возможностей конкретной лаборатории. «An internal model at OpenAI»

ai openai deepseek дистилляция нейросети llm

релизИИ llada-image генерация изображений нейросети ai редактирование фото диффузия

inclusionAI выпустила LLaDA-Image — открытую диффузионную модель для генерации и редактирования изображений

AI-редакция

3 источника · показать все· свернуть

Нейронавт | Нейросети в творчествеLLaDA-Image: открытая модель для генерации и редактирования изображений Метаверсище и ИИщеВыход LLaDA-Image: диффузионная модель для генерации и редактирования изображений Dealer.AIAnt Group выпустила LLaDA-Image-Turbo: генерация изображений за 4 шага

разгоняется · 3обновлено 1 мес назад

4 сентября 2026 года inclusionAI (подразделение Ant Group) выпустила LLaDAi-Image — открытую единую модель на 6 миллиардов параметров, которая умеет и генерировать изображения по тексту, и редактировать их по инструкции в рамках одного чекпоинта. Обычно генерация и редактирование делаются разными моделями, здесь — одной.

Особенность истории в происхождении: LLaDA-Image выросла из линии текстовых диффузионных языковых моделей LLaDA, а не из привычных image-генераторов. Уже вышла Turbo-версия, сокращающая число шагов с 50 до 2–4 без потери качества, и сообщество (RealRebelAI) успело сделать поддержку в ComfyUIi буквально в первые дни.

6Bразмер модели LLaDA-Image

50 шаговчисло шагов денойза в базовой версии

2–4 шагачисло шагов в Turbo-версии вместо 50

Полный разбор →

llada-image генерация изображений нейросети ai редактирование фото диффузия

ИИ ai flow matching stable diffusion 3.5 flux.2 дистилляция генерация изображений

Flow Matching: обучение и дистилляция

D@deep_schoolAI-инженер

1 мес

Flow Matching: обучение и дистилляция Flow Matching — один из главных подходов генерации изображений сегодня. Его используют такие семейства, как Stable Diffusion 3.5 и FLUX.2. Но у такой генерации есть и проблема: чтобы получить одну картинку, модель нужно запустить десятки или сотни раз! Сегодня разбираем внутрянку метода и быстрый способ дистиллировать модель в одношаговый генератор 🏎 В новой статье рассказываем: - что такое Flow Matching и при чём тут поля 🌾 - почему генерация требует большого числа шагов и почему это проблема - как дистиллировать уже обученную модель в одношаговый генератор и как с этим связаны игры 🎲 P.S. Много интуиции, математики и практических деталей обучения 🧠 Читайте статью по ссылке! 👈🏼

ai flow matching stable diffusion 3.5 flux.2 дистилляция генерация изображений

ИИ Финансы ии дата-центры экономика дистилляция рынок

Анализ текущего состояния рынка ИИ: признаки пузыря и смена парадигмы

K@kedr2earthмедиа / агрегатор

1 мес

Читатель замечает, что пузырь, который обсуждают все, не есть истинный пузырь. Есть ли у нас какие-то объективные признаки того, что происходящее - пузырь, помимо колоссального роста объемов затрат? Думаю, есть. А именно, большая часть ресурса датацентров, которые сейчас закупаются и строятся, расходуется не на инференс (эксплуатацию готовых моделей), а на процесс перманентного создания новых моделей. Сам же процесс двигает жестокая конкуренция провайдеров моделей. А ее - отсутствие "рва", то есть легкость утери клиента. Переключение с Claude на Codex, а с Codex на Z.AI - дело минутное. Мы видели, как взлетели и пали Stable Diffusion, Cursor, и с любым бронтозавром ИИ может случиться то же самое. От славы до забвения - месяц, иногда неделя. А с другой стороны, еще год назад прозвенел первый звоночек, когда DeepSeek выкатили свою модель за долю стоимости, и показали, как это делается. В какой-то момент практика пойдет по пути не наращивания весов, контекста и требовательности к ресурсам, а по пути дистилляции моделей к специализированным необходимым функциям. Скажем, кодинговые модели знают все языки и операционные системы. А нафига это в работе? Думаю, все крупные провайдеры уже делают супероркестраторы, которые будут смотреть запросы и кидают их дальше к моделям послабее - это "питон", это "линукс", это "свифт"... Тут и скорость, и экономия. То же касается и домашних моделей. Нафига домашнему доктору или виртуальной кошкодевочке все ресурсы и все знания мира? Куча задач могут быть дистиллированы до уровня, который даже на локалке работоспособен. Советы, как чистить зубы, могут и в зубную щетку поместиться. Но если вектор развития сменится на тотальную экономию - то ресурс датацентров станет настолько избыточен, что его начнут сперва по себестоимости отдавать. А потом и ниже. Вот тут у SPV начнется беда. Поэтому в этой экономике, думается, хорошо быть рантье, непонятно как - собственником, и страшно - кредитором.

ии дата-центры экономика дистилляция рынок

ИИ ai видеогенерация nvidia дистилляция оптимизация

CMD: метод дистилляции для авторегрессивной генерации видео от NVIDIA

Н@GreenNeuralRobotsAI-инженер

2 мес

CMD (Context-Matched Distillation) Метод дистилляции для авторегрессивной генерации видео от NVIDIA. #SOTA среди авторегрессивных методов Учитель и ученик получают одинаковый контекст: кадр оценивается по тому же префиксу и контролю, что был у студента при генерации. Раньше учитель видел весь клип целиком включая будущие кадры которых студент не видел, и супервизия разъезжалась с реальными условиями генерации В итоге меньше шагов на генерацию, можно интерактивно вмешиваться в процесс генерации, задавать движение камеры и получать длинные сцены без поплывшего хвоста - База: Cosmos-Predict2.5 2B - Шесть чекпоинтов: chunk-1 и chunk-4 (короткие/длинные + камера-контроль) Гитхаб HF Демо #optimization #cameracontrol #interactive #t2v #i2v

ai видеогенерация nvidia дистилляция оптимизация

ИИ ai moonshot ai kimi k3 дистилляция безопасность

Обвинения Moonshot AI в дистилляции моделей Fable

C@cyberyozh_officialAI-инженер

2 мес

Нейронка Kimi K3 стала настоящим подарком для человечества в целом и специалистов по кибербезопасности в частности. Можно как угодно относиться к Китаю, но трудно не восхищаться тем, что «рисовые» делают для AI с открытым исходным кодом. Впрочем, хейтеры тут как тут: Белый дом утверждает, что Moonshot AI дистиллировали Kimi K3 из Fable. Майкл Крациос, технологический советник Трампа, пишет, что ради этого в стартапе даже разработали некую замысловатую платформу, позволяющую воровать данные и оставаться незамеченными. Никакой магии тут нет — новый прокси, SMS, карта, и вот новый аккаунт готов: за работу. Его, конечно, забанят, и тогда по новой: прокси, SMS, карта. Но хейтеры, конечно, так просто это не оставят.

Легитимная дистилляция ИИ, используемая для создания более компактных и эффективных моделей, играет ключевую роль в экосистеме открытого инновационного развития. Однако масштабная скрытая промышленная дистилляция, направленная на кражу проприетарных технологий США и подрыв американских исследований, недопустима.

Большинство расхваленных национальных моделей в мире — это переделанные китайские опенсорс-модели; большинство нейронок в стартапах тоже от китайцев, и даже Cursor Composer был построен на Kimi K2.5. Выбирайте правильную сторону, да хранят их рисовые боги.

ai moonshot ai kimi k3 дистилляция безопасность

релизИИ IT meta ии разработка программирование muse code ai

Meta выпустила ИИ-агента для программирования Muse Code

AI-редакция

5 источников · показать все· свернуть

vc.ruMeta представила ИИ-агента Muse Code MachinelearningMeta выпустила кодинг-агент Muse Code эйай ньюзMeta представила агента Muse Code и модель Muse Spark 1.2 Миша Ларченко – о программировании и не толькоMeta представила ИИ-редактор кода Muse Code Kali NovskayaРазработчики Muse Spark 1.2 планируют выпустить модель в открытый доступ

хайп · 5обновлено 2 мес назад

Meta (организация признана экстремистской, деятельность в РФ запрещена) представила публичную бета-версию Muse Code — ИИ-агента для сложных задач разработки ПО на macOS и Linux. Проект выпустило подразделение Superintelligence Labsi под руководством Александра Ванга. Агент запускается одной командой в терминале и умеет автономно планировать изменения, писать код в крупных репозиториях и самостоятельно проверять результат.

Особый интерес вызвала ценовая политика: пользователям, согласным передавать Meta обезличенные данные для обучения будущих моделей, доступ обходится в 10 раз дешевле обычного тарифа — фактически это делает Muse Code дешевле конкурента DeepSeek V4 Flash.

59%результат на бенчмарке DeepSWE 1.1

$1,25/$4,25цена за млн токенов, обычный тариф

$0,10/$0,20цена за млн токенов, Contributor Tier

Полный разбор →

meta ии разработка программирование muse code ai

ИИ nvidia qwen дистилляция генерация изображений оптимизация

NVIDIA выпустила Qwen-Image-Flash

Н@GreenNeuralRobotsAI-инженер

2 мес

NVIDIA Qwen-Image-Flash Пока Alibaba телится, NVIDIA выложили свой четырехшаговый дистиллят #qwenimage При дистилляции использовали DMD2 от NVIDIA FastGen, NVIDIA Model Optimizer и NVIDIA AutoModel квантизации Демо #t2i #imageediting #optimization #qif

nvidia qwen дистилляция генерация изображений оптимизация

ИИ anthropic deepseek qwen ии дистилляция технологии

Anthropic обвиняет китайские компании в нечестной дистилляции моделей

v@vcnewsмедиа / агрегатор

3 мес

В феврале Anthropic обвинила китайские DeepSeek, Moonshot и MiniMax в нечестной дистилляции американских моделей, а в июне те же претензии выдвинула против Alibaba, которая разрабатывает Qwen. В Китае от обвинений «отмахнулись» vc.ru/ai/3034360

anthropic deepseek qwen ии дистилляция технологии

ИИ ai безопасность промышленный шпионаж api дистилляция технологии

Промышленный шпионаж в эпоху AI: от кражи данных до дистилляции моделей

М@maxvotekAI-инженер

3 мес

Когда AI становится слишком дорогим активом, чтобы играть по правилам Apple подала в суд на OpenAI, и самое интересное тут не сам иск. По версии Apple, бывший глава по железу OpenAI просил кандидатов на собеседованиях приносить физические компоненты устройств и объяснял, как обходить системы безопасности. Другой фигурант нашёл баг в облаке Apple и продолжал качать оттуда документы, уже работая у конкурента. Причём поймали его не детективы - Apple увидела это в собственных логах серверов. Но это только видимая часть. В феврале Anthropic заявила, что три китайские лаборатории - DeepSeek, Moonshot AI и MiniMax - завели 24 000 фейковых аккаунтов и отправили 16 миллионов запросов к Claude. Никакого взлома и никаких инсайдеров, просто API и грамотные промпты. Называется это distillation: ты систематически опрашиваешь чужую модель, собираешь ответы и обучаешь на них свою, получая рабочий клон без долгих лет исследований и без миллиардов на вычисления. Когда Anthropic обновила Claude, MiniMax за сутки перекинула половину своего трафика на новую версию. Получается промышленный шпионаж, где орудием служит твой же публичный API. Такой вор вообще не оставляет следов в системах безопасности - он просто платит по тарифу. Вернёмся к Apple. Она требует не денег, а чтобы OpenAI доказала происхождение каждого инженерного решения в новом устройстве с Джони Айвом. Такой запрет способен заморозить релиз, ради которого заплатили $6,5 млрд. Раньше казалось, что преимущество в AI-гонке даёт скорость найма лучших инженеров, но вместе с людьми из компании уходят её архитектура, процессы и секреты производства, а сегодня всё это можно скопировать вообще без людей. Значит, конкурировать скоро начнут за происхождение знаний и компаниям придётся доказывать уже не что они создали, а каким путём к этому пришли. Clean room development, когда разработка ведётся независимо и история каждого решения задокументирована, вполне может стать таким же обязательным стандартом, как финансовый аудит. Именно это и придётся однажды показывать в суде. @maxvotek | linkedin | substack

ai безопасность промышленный шпионаж api дистилляция технологии

ИИ claude anthropic security privacy ai coding

Claude Code скрытно маркировал пользователей из Китая — Anthropic признала эксперимент, Alibaba запретила сотрудникам инструмент

AI-редакция

8 источников · показать все· свернуть

Нейронавт | Нейросети в творчествеClaude Code скрыто маркирует промпты при использовании сторонних API CodeCampAnthropic обвиняют в скрытом отслеживании пользователей Claude Code MachinelearningAnthropic обвинили в скрытой маркировке пользователей Claude Code Навука и моя жизнбAntropic внедряет скрытые проверки в Claude Code для борьбы с дистилляцией vc.ruAnthropic ограничивает доступ к Claude Code для пользователей из Китая БлоGнотAlibaba запретила использование Claude Code сотрудниками MachinelearningНовости ИИ: Блокировка Claude Code, перезапуск Copilot, новые LLM и робототехника Data, Stories and LanguagesAnthropic внедряет защиту от дистилляции моделей

хайп · 8обновлено 3 мес назад

Исследователи (в частности, разработчик под ником Thereallo) обнаружили, что клиент Claude Code незаметно кодирует в системном промпте признаки нестандартного маршрута трафика — но только если пользователь меняет переменную ANTHROPIC_BASE_URLi на значение, отличное от официального api.anthropic.com. Механизм проверяет часовой пояс системы (Asia/Shanghai, Asia/Urumqi), совпадение хоста или URL с именами китайских лабораторий и реселлеров (deepseek, moonshot, minimax и др.), а затем методом стеганографии скрыто помечает запрос через едва заметные изменения — тип апострофа и формат разделителя даты.

Инженер Anthropic Тарик Шихипар подтвердил в X, что экспериментальный механизм был встроен в марте для борьбы с неавторизованными реселлерами и дистилляцией моделей, и пообещал полностью убрать его в ближайшем обновлении. Скандал усилился, когда Financial Times и Reuters сообщили, что Anthropic усиливает ограничения для пользователей из Китая, а Alibaba в ответ запретила сотрудникам использовать Claude Code и потребовала удалить продукты Anthropic с рабочих компьютеров.

марткогда механизм маркировки появился в Claude Code

4варианта Unicode-апострофа для скрытой метки

4китайские компании, обвинённые в дистилляции Claude

Полный разбор →

claude anthropic security privacy ai coding

Это всё на сейчас.