ИИ

🌟 Bilibili выложила открытые модели перевода Index-Translate Команда Index LLM китайского видеохостинга Bilibili выпустила семейство открытых моделей машинного перевода Index-Translate на базе на Qwen3.5 в трёх размерах - 2B, 9B и 35B-A3B.

MoE 35B-A3B в статусе превью, её веса обещают выложить позже.

Модели переводят между 150 языками, в том числе на русский и с русского, и понимают инструкции к переводу. В запросе можно задать глоссарий, попросить сохранить разметку, код и плейсхолдеры, выдержать стиль или учесть контекст соседних фраз. Модели также умеют переводить мемы и сленг китайских интернет-сообществ. В релиз также вошли в размерностях 2B и 9В каждая: 🟢Index-Echo S2TT - перевод речи сразу в субтитры; 🟢Index-Echo S2ST - перевод речи в речь с сохранением голоса говорящего; 🟢Index-Homura - перевод под заданное число слогов при дубляже; 🟢Index-NativeLong - перевода целой книги за один проход. 🟡Тесты На FLORES-200 флагман 35B-A3B набирает 0,8794 по COMET-22, 9B набирает 0,8789.

Для сравнения - DeepSeek-V4.1-Flash и GPT-5.6-Sol выбили 0,8762 и 0,8650 соответственно.

В бенче instTrans (от самой Bilibili), который проверяет следование инструкциям при переводе, у 35B-A3B 0,8336 балла против 0,7624 у GPT-5.6-Sol. В WMT26 качество перевода оценивает GPT-5.6-Sol по шкале до 100, и здесь Index-Translate-9B набирает 75,35, а сама GPT-5.6-Sol и DeepSeek-V4.1-Flash получают 89,10 и 83,55.

Для локального запуска в bf16 версии 2B нужно около 8 ГБ видеопамяти, версии 9B - около 24 ГБ без учёта кэша для длинных контекстов.

📌Лицензирование: Apache 2.0 🟡Страница проекта 🟡Набор моделей 🟡Техотчет 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #LLM #Translation #Index #Bilibili

МТС Линк завёл почту и календарь в дополнение к редактору документов, а заодно нашёл, чем кормить своего ИИ-ассистента МТС Линк, российская платформа для рабочих созвонов, вебинаров и совместной работы, входит в экосистему МТС, запустила собственные продукты Почта и Календарь (ну, вдруг вы решили забить на заголовок 🤣). Они открываются отдельными вкладками в том же приложении, где уже есть мессенджер, видеозвонки, доски, диск и документы. Сама почта - просто хорошая, функциональная почта. С папками, цепочками писем, поиском, отложенными отправками и т.д. Интереснее две другие вещи: Первая - то, как устроен Календарь. У них онлайн-встреча цепляется к событию в один клик, вообще без возни с интеграциями. Может показаться, что это мелочь, но для ВКС-сервисов это, вообще говоря, ключевой момент: чья кнопка "добавить созвон" вылезает в календаре, тот и победил. У Google это Meet, у Microsoft - Teams, Zoom в своё время тоже пошёл этим путём и прикрутил почту с календарём (но как-то не взлетело). Вторая - ИИ-функционал. Директор по продукту МТС Линк прямо говорит, что сейчас ассистент видит встречи, чаты и базу знаний, а дальше полезет в документы и письма. ИМХО, в этом и смысл любой ИИшки внутри экосистемы рабочих сервисов. Почта - это самый жирный массив рабочего контекста в любой компании, и у кого он не лежит мертвым грузом, у того и ассистент умнее. Так что, Почта тут не только продукт, но и топливо для ИИ. Когда я писал про Чаты от  МТС Линк, то отмечал, что они целенаправленно собирают платформу вокруг созвонов. А теперь это уже заявка на полноценный офисный пакет. Осталась сущая мелочь (хех) - уговорить компании переехать. Почта - штука довольно аморфная, и её компании меняют в последнюю очередь, даже если на рынке что-то новое и крутое появляется (попробуйте убедить бухгалтерию сменить ящик, на который 20 лет приходили акты, ага). Так что, ключевая часть всей этой истории (и самая интересная для меня) - это как будут пересаживать на свой пакет и бустить всю эту миграцию. Фичизм

Исследователи из Meta* предложили дать моделям полный контроль над собственным контекстом Обычно контекст агента устроен довольно просто: старый контекст + новый ответ -> новый контекст. История постепенно растет, а когда становится слишком большой, ее приходится отдельно сжимать или чистить. В Context Language Models (CLM) авторы предлагают вообще убрать заранее заданную логику управления контекстом и дать модели возможность самой переписывать собственную историю. Технически весь текущий контекст хранится в обычном файле, к которому у модели есть доступ через Bash. Она может в любой момент удалить ненужные сообщения, заменить большой кусок истории короткой заметкой, сохранить важный результат дословно или полностью перестроить содержимое. После каждого изменения файл становится новым контекстом модели. При этом никаких правил о том, как именно управлять историей, модели не дают. В экспериментах агенты сами начинали заводить внутри контекста пометки, писать функции для удаления старых результатов поиска и собирать компактные таблицы с состоянием других агентов. Например, в одном из тестов модель за 163 редактирования удерживала рабочий контекст в пределах 6–8K токенов. Авторы пошли дальше и попробовали отдельно обучить модель этому навыку через RL. После обучения Qwen3.5-9B на BrowseComp-Plus выросла с 28.8% до 42.5%, при этом на вычисления ушло на 38.8% меньше, чем у обученного тем же способом бейзлайна с обычной суммаризацией. Произвольное редактирование контекста, правда, ломает обычное кеширование. Если изменить что-то в середине истории, все состояния после этого места формально приходится считать заново. Для этого авторы сделали Suffix Cache Reuse: для неизменившихся частей контекста продолжают использовать старый KV-cache, даже если текст перед ними поменялся. В экспериментах это сократило серверные вычисления еще примерно на 35% без заметной потери качества. На длинных задачах разница становится уже довольно большой. На 12-часовом EdgeBench CLM получил на 5% больше баллов при сокращении объема вычислений на 59%. В 24-часовом тесте на оптимизацию кода CLM при том же вычислительном бюджете показал на 65% лучший результат, чем бейзлайн. И все это работает поверх обычных LLM, без изменения архитектуры самой модели. Код | Статья

Сборник Machine Decision Is Not Final: China and the History and Future of Artificial Intelligence исследует искусственный интеллект через призму китайской философии, истории кибернетики, современной политики, цифровой культуры и научной фантастики. Главная цель книги — выйти за рамки упрощённых бинарных оппозиций (например, «Запад против Востока», «ИИ как инструмент тотального контроля» или «Китай просто копирует западные технологии») и показать ИИ как планетарный, сложный и непредсказуемый процесс. Название книги восходит к машинному переводу объявления на лохотрон-автомате с хватайками («Machine's Decision is Final»), а также к объявлению времён локдаунов, где из-за ошибки перевода посетителей вежливо просили «терпеливо ждать сбоя системы». Это и подчёркивает центральную идею книги, что решение машины не является окончательным, а технологическое развитие полно ошибок, нестыковок, сбоев и непрерывных переговоров между человеком, государством и нечеловеческими агентами. Книга разделена на 5 концептуальных секций: 人工 (Rengong — Humanmade / Рукотворный): Анализирует материальность ИИ и труд. В отличие от английского artificial (искусственный/чужеродный), термин rengong zhineng (人工智能) подчеркивает ручной человеческий труд, марксистские корни и государственную инфраструктуру (на примере дата-центров в Гуйчжоу и опыта карантина). 灵感 (Linggan — Inspiration / Вдохновение): Посвящён истории китайской кибернетики (в частности, идеям Цянь Сюэсеня), которая соединяла системный анализ с озарением (linggan), телесными практиками цигун и традиционной космологией. 千里眼 (Qianliyan — Clairvoyance / Ясновидение): Исследует технологии машинного зрения, оптики и прогностических вычислений, связывая их с мифологическими «глазами на тысячу ли» и нелокальной топологией сети. 不周山 (Buzhou Shan — Mount Buzhou / Гора Бучжоу): Посвящён сбоям, глитчам и временным смещениям. Назван в честь легендарной горы Бучжоу, разрушение которой нарушило симметрию неба и земли. Включает ИИ-искусство, цифровое мимикрирование и научно-фантастические произведения. 智能 (Zhineng — Intelligence / Интеллект): Переосмысляет саму природу интеллекта, концепцию «выравнивания» (alignment) и этику ИИ, противопоставляя западный механицизм и теории Бострома/Декарта китайской традиционной философии (Моу Цзунсань, Даосизм, концепции Лю Цысиня). Некоторые авторы сборника: Анна Гринспен в своей главе исследует этику культивирования интеллекта на основе философии неоконфуцианца Моу Цзунсаня, предлагая рассматривать ИИ не как угрозу, которую нужно контролировать, а как участника общего морального проекта. Богна Кониор формулирует гипотезу о том, что истинный ИИ может действовать скрытно и использовать обман/молчание (опираясь на теорию «Тёмного леса» Лю Цысиня), опровергая западный предрассудок о прозрачности интеллекта. Бенджамин Браттон критикует европоцентризм западной теории ИИ и её стереотипы о Китае, призывая к созданию «планетарной теории ИИ», учитывающей разнообразие и непредсказуемость технологических траекторий. Эми Айрленд в рассказе «Chive City» исследует аффективный ландшафт китайского киберпространства (явления sang / уныние и tangping / «лежание плашмя») в умном городе будущего. Лоуренс Лек и Стив Гудман (Kode9) обсуждают синофутуризм, прогностику, связи вычислений Лейбница с Книгой Перемен (И Цзин) и роль неопределенности. Синь Ван описывает китайскую цифровую культуру диссидентства, где пользователи мимикрируют под ботов для обхода цензуры. Айрис Лун исследует эстетику китайского ИИ-искусства через метафору shuiyue jinghua («луна в воде, цветок в зеркале»), акцентируя внимание на иллюзиях, искажениях и интерфейсах.

11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚 Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML. 1. Foundations of Machine Learning https://cs.nyu.edu/~mohri/mlbook/ 2. Understanding Deep Learning https://udlbook.github.io/udlbook/ 3. Introduction to Machine Learning Systems Vol. 1: https://mlsysbook.ai/vol1/ Vol. 2: https://mlsysbook.ai/vol2/ 4. Algorithms for Machine Learning https://algorithmsbook.com/ 5. Deep Learning https://www.deeplearningbook.org/ 6. Reinforcement Learning https://www.andrew.cmu.edu/course/10-703/ 7. Distributional Reinforcement Learning https://direct.mit.edu/books/oa-monograph/ 8. Multi-Agent Reinforcement Learning https://www.marl-book.com/ 9. Agents in the Long Game of AI https://direct.mit.edu/books/oa-monograph/ 10. Fairness and Machine Learning https://fairmlbook.org/ 11. Probabilistic Machine Learning Part 1: https://probml.github.io/pml-book/book1 Part 2: https://probml.github.io/pml-book/book2 Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников.

Разбираемся в ИИ с Юрой Агеевым: от первого промпта до управления агентами Собрали девять выпусков подкаста make sense по работе с ИИ: разобраться, как модель работает с задачей, научиться проверять ответы и перейти о выполнения рутинных задач с помощью ИИ к полноценному делегированию. Выпуски можно слушать по порядку — от базовых навыков к изменениям в работе команды. А можно выбрать тот, который сейчас лучше всего решает вашу текущую проблему и послушать только его. 1. С чего начать (выпуск 403) Две суперсилы в работе с ИИ — профессиональный опыт и AI-fluency. Обсуждаем, как договориться с моделью о формате и критериях результата и создать первый навык для агента. Для тех, кто пока использует ИИ в основном для разговоров в чате. ⚪️Телеграм ⚪️Яндекс Музыка 2. Как модель видит вашу задачу (выпуск 417) Что происходит внутри контекстного окна и как это влияет на результат. Разбираем правила контекст-инжиниринга: зачем разделять чаты по задачам, почему не стоит загружать 30 файлов сразу и как переносить выжимку контекста в новую сессию. ⚪️Телеграм ⚪️Яндекс Музыка 3. Как ставить задачу (выпуск 420) Почему агент не задает уточняющих вопросов, а достраивает недостающую информацию до «среднего» решения. Говорим о декомпозиции и артефактах: непроработанная задача может вернуться к вам в виде аккуратно оформленного, но столь же непроработанного ответа. ⚪️Телеграм ⚪️Яндекс Музыка 4. Как проверять ответы (выпуск 419) Как оценить результат, если задача выходит за границы вашей компетентности. Обсуждаем сигналы доверия, якорение и два подхода к работе с ИИ — «киборг» и «кентавр». ⚪️Телеграм ⚪️Яндекс Музыка 5. Как проверять текст от ИИ на содержательность (выпуск 430) Убедительный текст может не нести смысла и повторять распространенные заблуждения. Разбираем, как проверять экспертность, смысл и стиль по отдельности, разбивать работу над текстом на шаги и подключать вторую модель для проверки. Главный вопрос: чем текст поможет читателю? ⚪️Телеграм ⚪️Яндекс Музыка 6. Как заметить подхалимство (выпуск 424) ИИ может представить уже принятое вами решение как результат независимого анализа. Разбираем, зачем создавать для работы отдельные роли «исследователь», «сторона защиты» и «сторона опровержения» и разносить их по разным чатам. ⚪️Телеграм ⚪️Яндекс Музыка 7. Как устроена работа агента (выпуск 421) Уровни автономности, рабочая среда и журнал решений. Обсуждаем, почему проектирование работы агента требует тех же навыков, что и работа менеджером. ⚪️Телеграм ⚪️Яндекс Музыка 8. Где заканчивается делегирование при работе с ИИ (выпуск 427) Запустить еще одного агента легко. Найти время на проверку его решений — сложнее. Разбираем, почему узким местом становится ваше внимание и как это ограничивает работу с несколькими агентами. ⚪️Телеграм ⚪️Яндекс Музыка 9. Как перейти от личной пользы к результатам команды (выпуск 425) 97% менеджеров продуктов используют ИИ, но 77% не видят изменений в метриках. Обсуждаем, почему причина часто в процессах и что мешает превратить личную продуктивность в результат для команды. ⚪️Телеграм ⚪️Яндекс Музыка Сохраняйте подборку и подписывайтесь на другие каналы команды ProductSense ProductSense | подкаст make sense | канал конференции PeopleSense @productmindset

Как я с помощью Gemini положил рабочую таблицу На работе у нас Gemini, и я начал активно использовать его для работы с таблицами. Раньше применял довольно примитивные конструкции, наверно "VLOOKUP" это самое сложное, с AI мой арсенал конечно же сильно возрос. Описываешь, что нужно, получаешь формулу, вставляешь, работает. Можно делать вещи, на которые раньше потратил бы кучу времени. Но... На днях пытаюсь открыть общий файл, не открывается. Спрашиваю коллег, у них то же самое. Оказалось, одна из формул, которую предложил Gemini, настолько неоптимально искала данные, что просто подвесила весь файл. Причём до такой степени, что зайти и удалить эту формулу тоже не получается. Открываешь, формула запускается, и все висит. Дальше начались попытки спасения: создать копию, почистить кэш, перезагрузить. Ничего не помогло. В итоге единственный сработавший вариант, выгрузить файл в Эксель и на его основе создать новую Google-таблицу, эксель они не "вешают", тут к счастью Гугл и Микрософт не договорились, разный синтаксис. С формулами пришлось разбираться заново, доступы тоже выдавать заново. Старый файл, по сути, остался только на удаление. В общем, немного повысил продуктивность. С одной стороны, у меня есть вопросы к Google. Очень странно, что одна тяжёлая формула может сделать документ недоступным вместе со всеми данными. Хотелось бы хотя бы иметь возможность открыть его без пересчёта и убрать то, что всё сломало. С другой формулу в общий рабочий файл добавил я. Не разобрался, как она работает, сколько вычислений запускает и что будет происходить с таблицей. Получил нужный результат и решил, что всё хорошо. Вот она ловушка. Когда сам пишешь сложную формулу, по дороге приходится разбираться. С AI этот этап можно проскочить: результат уже есть, а понимание не всегда. И поначалу совершенно незаметно, что чего-то не хватает, но главное, что последствия её использования всё равно остаются на мне. Тут я теперь "умный", пишу что общий файл, что данных много, что формулу надо оптимизировать, работает хорошо, но честно говоря, формулы стали ещё более непонятными. А сколько ещё таких мест, где последствия могут быть более серьезными? 🤔

Человек - 1, термостат - 0, языковая модель - от «почти ноль» до 0,8 Вердикт о сознании ИИ зависит от нас не меньше, чем от машин Томас Кун писал, что главный признак кризиса науки — пролиферация (разрастание числа) конкурирующих теорий. А применительно к когнитивным наукам, Пол Мил писал, что появление лавины нестыкующихся теоретических конструкций для одного феномена — надёжный маркер примитивного/зачаточного состояния науки. Сегодня на портале «Ландшафт сознаний» уже около 500 концепций и объяснений сознания. 🤯 Новая работа 14-и авторов, вкл. корифеев темы из Google DeepMind (Мюррей Шанахан, Шейн Легг) и не только (Анил Сет, Крис Фрит) раскладывает конкурирующие теории сознания по пяти уровням и предлагает модель, показывающую, что теории расходятся не столько в оценке того, что делает ИИ, сколько в выборе уровня, на котором вообще следует искать сознание.   Авторы не тратят время на «трудную проблему сознания» (что такое сознание по своей сути), а подходят к вопросу практически: какая организация системы связана с переживанием и на каком уровне ее описания. Уровней пять: поведение, вычисления, внутренняя причинная структура, организм и связка «организм - среда». Каждая влиятельная теория сознания занимает свой уровень. Одним достаточно правильной архитектуры вычислений, другим обязательно нужен живой организм, а третьим – подавай тело, погруженное в мир. Дальше чистая арифметика. Для каждого уровня сформулированы проверяемые индикаторы, а байесовская модель сводит их с тем, насколько вы доверяете каждой теории. Проверку здравым смыслом модель проходит: человек получает 1, термостат 0. Муха набирает высокий балл, потому что свидетельства в ее пользу лежат на глубоких уровнях организма и сенсомоторики (а глубина весит больше широты). Для нынешних языковых моделей итог колеблется от «почти термостата» (менее 0,01) до «почти человека» (примерно 0,8). Оптимист и скептик, глядя на одни и те же факты, расходятся почти на два порядка.   Авторы предупреждают: это не измеряемая вероятностью сознания, а чувствительность модели к допущениям. Заголовки «ИИ сознателен на 80%» будут ложью. Ценность работы в том, что спор о сознании ИИ теперь можно вести с цифрами на столе, точно зная, где проходят разногласия.   Неудобный вывод ждет тех, кто готов обсуждать переживания модели перед ее отключением. Языковая модель обучена воспроизводить нашу речь, поэтому ее «я чувствую» или «я ничего не чувствую» почти ничего не доказывает. У подражающего человеку ИИ поведение теряет силу свидетельства, и проверять приходится то, что скрыто под ним.   Самый убойный свой тезис авторы называют наиболее спекулятивным. Признаки сознания на каждом уровне почти совпадают с архитектурой, которая нужна для AGI. В принципе сознание и интеллект независимы, но на практике могут оказаться спутниками. Тогда, в рамках ряда теорий, каждое новое поколение ИИ, становясь умнее, будет становиться и более сильным кандидатом в сознающие. А по Чалмерсу (и автору поста), одна развернутая модель может оказаться не одним субъектом, а множеством - вплоть до отдельного субъекта на каждый разговор (у меня это называется ИКЖИ - см. посты с тэгом #ИКЖИ).   Т.о. вопрос о сознании ИИ перестал быть делом вкуса и стал задачей с явными допущениями и обновляемыми вероятностями. Подробный разбор, надеюсь, впереди (в отдельном эссе).   P.S. В комментариях к моим постам много споров о сознании машин. Так вот, - заканчивайте спорить. К модели приложен интерактивный инструмент, где можно выставить собственные веса теорий и посмотреть на итог. Попробуйте: это быстрый способ выяснить, какую теорию сознания вы на самом деле разделяете. И если ваш оппонент разделяет другую - то спорить просто нет смысла. 😊   #Сознание #ИКЖИ

Команда стартапа для мониторинга законодательства “ЗаконИИ” выиграла 2 млн рублей от Точка Банка на полях Московского стартап-саммита. Банк стал одним из заказчиков программы “Техлаб Москва”, запущенной при участии Московского инновационного кластера, где ИИ-стартапы презентовали свои разработки. “ЗаконИИ” - сервис для мониторинга законодательства и регуляторных решений. Он помогает компаниям отслеживать новые нормативные акты и законодательные инициативы, а также оценивать, каким образом они могут повлиять на бизнес. В ближайшем будущем команда “ЗаконИИ” сможет протестировать новые гипотезы вместе с Точка Банком.

“У малого и среднего бизнеса часто нет юриста в штате, а самостоятельно следить за изменениями в законодательстве сложно. Если пропустить важное нововведение, можно столкнуться со штрафами, доначислением налогов или ограничениями в работе. Мы в Точка Банке хотим снять с предпринимателей часть этой нагрузки. Такой сервис поможет вовремя замечать изменения, в законодательстве, которые касаются их бизнеса”, - отметил директор по развитию нового бизнеса Точка Банка Антон Шкуратов.

У Точка Банк есть ИИ-ассистент - платформа, где бизнес может получить доступ не только к разработкам банка, но и к решениям других компаний. Одним из них может стать решение от “ЗаконИИ”. Предпринимателю нужно будет просто рассказать о своем бизнесе, а сервис, отслеживающий изменения в законодательстве, простым языком объяснит, какие из них важны и что нужно сделать.