ИИ

MWS Cloud первой в России развернула GLM 5.2 в собственном облаке MWS Cloud расширила каталог сервиса MWS GPT Model Hub до 17 больших языковых моделей. Главным обновлением стала GLM 5.2 — опенсорс-модель от Z.AI, которую компания первой в России развернула на собственной облачной инфраструктуре. Модель ориентирована на сценарии, где важны качество рассуждений, глубокий анализ текстов и обработка многошаговых запросов. Теперь все запросы к GLM 5.2 обрабатываются на серверах MWS Cloud внутри страны. Это означает, что данные и вычисления не покидают юрисдикцию РФ и не зависят от зарубежных провайдеров. Помимо GLM 5.2, в каталоге появились Kimi K2.6 от Moonshot AI. Модель подходит для обработки сложных пользовательских запросов, анализа документов, генерации развёрнутых ответов и построения AI-ассистентов. Кроме того, в MWS GPT Model Hub появились Qwen3.6, Gemma 4, GPT OSS и другие модели. Сервис получил поддержку распознавания и синтеза речи, а также реранкеров, которые улучшают качество поиска и RAG-сценариев. Все 17 моделей доступны через единый OpenAI-совместимый API, что позволяет разработчикам быстрее тестировать и внедрять AI-функции в свои продукты без развёртывания собственной инфраструктуры. @ai_machinelearning_big_data #news

Тренды из мира бенчмарков на ICML 2026 [1/2] Работ о бенчмарках на ICML традиционно много. По сравнению с прошлым годом, в 2026 стало заметно больше бенчей для агентов. А ещё начали чаще встречаться работы из академии. Объяснение простое. Корпорации вкладывают много сил во внутренние бенчи: делают сами, покупают их у data-labeling-компаний (например, Surge, Mercor, Handshake AI, Toloka) — и, как следствие, такие бенчи редко опенсорсят. Остальные бенчмарки часто делаются ощутимо меньшими ресурсами. И, как следствие, страдают от типичных проблем: • мало человеческой верификации данных, • качество judge'ей-верификаторов редко полноценно исследуется, • плохо оценивается качество пар запрос + ground-truth-ответ, сгенерированных LLM, • редко проверяется контаминация, хотя бенчи собираются из открытых источников. Авторы постеров, вошедших в подборку, отметили, что подготовка одного бенча занимает в среднем 3–4 месяца фултайм-работы. τ²-Bench: Evaluating Conversational Agents in a Dual-Control Environment Команда τ-бенча продолжает свою работу. В этот раз получили spotlight. Предыдущие версии были single-control: то есть, тулы были доступны только агенту, а пользователь пассивно выдавал текстовый фидбек. В реальном мире пользователь, конечно, взаимодействует со средой. Новый бенчмарк сделали на примере телекома: у агента и у симулированного юзера свои БД и инструменты в общем мире. Валидация — не LLM-судьями, а ассертами на состояние мира. Получившийся бенч заметно сложнее предыдущих версий: Сlaude-3.7 выбивает только 49%. Авторы используют абляцию, когда всё управление переходит агенту или если агенту дают подробный план, как надо поступать. Один из тейков: для агента важен скилл координации с пользователем, который обычные специализированные бенчи не измеряют вообще. QEDBench: Quantifying the Alignment Gap in Automated Evaluation of University-Level Math Proofs Этот бенч фокусируется в первую очередь на оценке надёжности самих судей: насколько LLM judge вообще способен оценивать математические доказательства примерно институтской сложности. Авторы попросили экспертов переписать экзаменационные задачи из 10 математических дисциплин так, чтобы избежать контаминации. Также дополнили бенчмарк примерами из экзаменационных задач своего университета. Ответы фронтир-моделей оценивали: • кандидаты математических наук по заданной шкале, • LLM-судьи по рубрикам, заранее описанным людьми. Всего авторы собрали 1300+ доказательств и 1000 часов разметки. Ожидаемо, судьи пропускают заметно больше неправильных решений: 38% показал самый лучший judge на GPT-5.2 Pro. The Decrypto Benchmark for Multi-Agent Reasoning and Theory of Mind Бенчмарк на Theory of Mind, собранный на основе настолки Decrypto. Alice даёт словесные подсказки к четырём секретным словам так, чтобы код угадал её партнёр Bob, но не угадал перехватчик Eve. Сложность в том, чтобы подсказка была достаточно прозрачной для своего и непонятной для чужого — то есть, требует явно моделировать так, чтобы понял один и не распознал другой. Pass — исход игры. Преимущество по сравнению со старыми статическими ТоМ-бенчами в том, что можно менять ключевые слова и собирать их в миллиарды комбинаций, избегая переобучения. Авторы проделали довольно подробную работу: предлагают промпты-правила и методики валидации, а также провели валидационные игры между людьми и моделями. С игрой плохо справляются даже фронтир-модели: дают примитивные ассоциации (fire → flame, hat → cap), которые легко перехватить. С помощью отдельных тестов из области детской психологии, замерили representational change — понимает ли агент, что его собственное представление изменилось, когда пришла новая информация и изучили false belief — умение приписать ложное убеждение участнику дискуссии. Оба показателя составили менее 10%. Ризонинг не помогает: Llama 3.1-70B обходит и Claude 3.7, и o1. Исследовала для вас бенчмарки ❣ Ирина Барская #YaICML2026 Душный NLP

Китайские открытые ИИ-модели обогнали американские по загрузкам на Hugging Face Разработчики всё чаще выбирают открытые модели искусственного интеллекта вместо закрытых решений таких крупных игроков, как OpenAI и Anthropic. По данным платформы Hugging Face, этой весной на китайские open-source модели пришлось 41% всех загрузок — впервые больше, чем на американские (38%). На агрегаторе OpenRouter шесть самых популярных моделей принадлежат китайским компаниям Tencent, Xiaomi, DeepSeek, MiniMax и Z.ai, тогда как флагманская Anthropic Claude Opus 4.7 занимает лишь седьмое место. Открытые модели дешевле в эксплуатации, их проще адаптировать под конкретные бизнес-задачи, а данные компании остаются под её контролем. https://hightech.plus/2026/07/17/kitaiskie-otkritie-ii-modeli-obognali-amerikanskie-po-zagruzkam-na-hugging-face

​​Time Series with PyTorch — Graeme Davidson, Lei Ma Мне прислали очередную книжку от Packt на прочтение и ревью - на этот раз про time series forecasting на PyTorch. Тема мне близкая: временные ряды — одна из самых сложных для меня областей ML, и при этом большинство книг по deep learning относятся к ним как к чему-то второстепенному после CV и NLP. Книга идёт начинает с базовых вещей (что делает временные ряды сложными, как правильно оценивать модели, PyTorch с нуля), демонстрирует современные архитектуры (RNN, transformers, N-BEATS, N-HiTS, foundation models, diffusion) и выходит за пределы точечного прогноза — классификация, кластеризация, anomaly detection, self-supervised learning. Мне понравилось, что тема правильного качества моделей разбирается в деталях: например, показывают как заведомо худшая модель выигрывает по MAPE, и есть целая глава про data leakage. Отдельно порадовали объяснения через физику: один из авторов физик, и он объясняет RNN через качели на детской площадке, а diffusion — через каплю чернил, которая расплывается в воде, пока не превратится в гауссиану. Ещё мне понравилось, что примеры построены вокруг соревнования M5 на Kaggle. Я в нём когда-то участвовал и зафейлился, так что было интересно посмотреть на разные модели и подходы к оценке на данных, с которыми в своё время намучился. Из минусов — про time series foundation models (Lag-Llama, TabPFN, Chronos, TimeGPT) рассказывают, но не запускают их на практике, а это как раз то, что хотелось бы попробовать руками. Amazon Author's website Code Мои обзоры: Personal blog Medium #bookreview

«Как я добавил LLM в чат друзей, и приказал ей отыгрывать терминатора (и открыл портал в мультивселенную безумия)» Модель со зрением читала мангу «Призрак в доспехах» и на страницах с японскими звуковыми эффектами срывалась в цикл. Честно пыталась прочитать звук и выдавала «КАК! КАК! КАК!» тридцать раз подряд, до потолка токенов, пока её не осадили штрафом за повторы. За этим курьёзом стоит целый Т-800 для чата на 15 друзей, собранный без единого рубля на API и крутящийся на ноутбуке с 4 ГБ видеопамяти. Бот подкалывает участников по их же архиву реплик, комментирует новости в машинной манере, помнит весь чат через RAG и ведёт досье на каждого. А для чатовых споров есть отдельный режим. Кидаешь боту реплаем спорный тезис, и он идёт проверять его по источникам сразу с четырёх углов. Всё это на домашнем железе со скоростью 5 токенов в секунду, где привычные приёмы приходится выкидывать и заменять хитростью. Посмотрим, как из бесплатных моделей и слабого ноутбука собирается работающий чат-бот.

В The New York Times вышел отличный материал о том, как устроен бизнес нейрослопа на Amazon. А началось всё с того, что журналистка издания Кашмир Хилл случайно узнала от знакомых, что на Amazon продаётся её подробная биография за 27 баксов. Книга называлась незатейливо — «The Biography of Kashmir Hill». Купив этот шедевр, Кашмир обнаружила внутри 90 страниц копипасты из открытых источников, щедро разбавленной полной ерундой, не имеющей с её реальной биографией ничего общего. Автором значился некий Джон Крейн Миллер, который за одну неделю умудрился выпустить десять биографий разных журналистов. Самого Миллера журналистка так и не нашла. Зато в ходе расследования вышла на другого короля слопа — 70-летнего пенсионера Билла Джонса. Дед ушёл на пенсию из сферы кибербезопасности, заскучал и решил потыкать ChatGPT. И понеслось. На сегодняшний день он опубликовал на Amazon уже 445 книг на совершенно рандомные темы. На всех обложках красуется его портрет в солидном деловом костюме — естественно, сгенерированный нейроночками, потому что надевать настоящий костюм и фотографироваться ему было лень. Моё увожение. Цель у деда выдавать по десять книг в неделю, потому что это максимум который сейчас разрешает Amazon. В среднем старый продаёт несколько сотен книг в месяц, получая около семи баксов с каждой. За удачный праздничный сезон он продал 800 экземпляров и заработал почти 6000 баксов чистыми. Сам он называет это "деньгами на бар". Ещё раз моё увожение.

Lucy 2.5 - реалтаймовый композ и редактирование видео Про видеогенератор Lucy я уже писал (полезно перечитать, чтобы разобраться с Миражами) Идея вроде не нова, мы уже это видели в разных Лайфпортретах, Инфинитоках и, конечно у Клинга в Motion Control. Загружаете картинку персонажа (любая неведомая тварь тоже сгодицца), берете видео, где вы или более талантливый актер(персонаж) кривляется на камеру, и вот уже ваша картинка кривляется нужным образом. В 3Д это зовут ретаргетом. Но! Здесь вот это вот всё в РЕАЛЬНОМ ВРЕМЕНИ! То есть берете картинку, вебку и погнали стримить 24-30FPS и минимальной задержкой (пишут near-zero latency, но в реале с учетом интернета будет 1-2 сек я думаю). Очень смешно, что в первых версиях не было цензуры - обязательно посмотрите этот пост, где Леха Борзых довел меня до истерики - ну и показал, что такое Lucy. Сейчас вышла версия 2.5: - Изменение стиля, замена фона, а также добавление, замена или удаление объектов в режиме реального времени на веб-камере или в трансляции во время воспроизведения - Замена персонажей, изменение цвета и текстуры, а также добавление визуальных эффектов, таких как огненные шары, взрывы и дым - Замена персонажей по эталонному изображению и виртуальная примерка с интерактивной задержкой - Более точная изоляция редактируемых объектов и точное соблюдение указаний при работе с мелкими, смещенными относительно центра и нечеловеческими объектами В общем реалтаймовый композ. Но вы же понимаете, что это реалтайм - поэтому не ждите продакшен качества. Пробуем тут: https://lucy.decart.ai/ И тут: https://fal.ai/models/decart/lucy-2-5/realtime @cgevent

Промпт-инжиниринг: как написать запрос для генерации изображения Запрос «логотип для компании» не оставляет нейросети ни одной зацепки. Непонятно, чем занимается бренд, какая аудитория, какое настроение должен транслировать знак. ChatGPT Image 2 в таком случае выдал дефолтную гамму, сочетание синего и оранжевого, потому что строить решение попросту не на чем. Чем меньше деталей в промпте, тем больше решений отдаётся на волю случая. Тот же эффект и с портретом без указания света, и с домом без стиля и материалов, где Midjourney рисует случайный дом у дороги. Этот гайд собирает шаблоны и ключевые слова под каждое направление, от фотореализма и аниме до пиксель-арта и сюрреализма, и показывает, какие именно слова превращают усреднённую пустышку в то, что ты задумал.