Data Secrets

А вы знали, что Disney разрабатывают аква-роботов?

Сегодня наткнулись вот на такое видео. Стало интересно, мы погуглили, и оказывается, что:

– История аква-роботов в Disney началась еще 20 лет назад, и тогда это были базовые подводные дроны с моторчиками для вертикального/горизонтального контроля. Они были больше похожи на что-то радиоуправляемое.

– Недавно, примерно в 2020, начали появляться уже более новые биомиметрические прототипы, которые имитировали дельфинов. У них уже были плавники вместо пропеллеров, чтобы движения были более плавные.

– И в 2025 у них вышли почти автономные гидрофойлы с GPS, ультразвуковыми сенсорами и системами самобалансировки. Пока они предназначены в основном для шоу в парках Disney. В компании говорят, что их вдохновляли реальные водные животные и (внимание) существа из второй части Аватара 🤔

Короче, вы видите перед собой будущее дельфинариев

В 2026 у каждого из нас появится... ИИ-патронус

Стало известно, что Яндекс разрабатывает эмпатичных AI-ассистентов, которые будут принимать форму животных и призваны стать настоящими полезными приятелями. Их назвали "люмены" и планируется, что они станут частью развлекательных сервисов: будут советовать фильмы и сериалы, обсуждать с вами разный контент и тд.

Главная фича всего проекта – эмпатия. Кейс с GPT-4o явно показал, что многие пользователи выбирают ИИ-ассистента именно по критерию «человечности», и только потом смотрят на уровень способностей. Есть все основания полагать, что этот тренд сохранится при переходе от чат-ботов к агентам, то есть мультимодальным системам с текстом, голосом, экраном, сенсорами и специальными функциями.

При этом разработчики подчеркивают, что люмены не будут притворяться друзьями для пользователя (это важно). Это будет скорее виртуальное тандемное животное.

Люмен каждого юзера будет уникален, и своего собственного уже можно разбудить на лендинге lumen.yandex.ru – тогда вы войдете в список тех, кто первыми получит доступ к скрытым функциям ассистентов.

За последние два года OpenAI потеряла половину своей доли enterprise рынка

Menlo опубликовали свой ежегодный отчет об ИИ-рынке. Они насчитали, что с 2023 доля OpenAI на рынке LLM API драматично упала с 50 до 27 процентов.

В лидеры сейчас выбились Anthropic, у них 40% рынка (хотя в 2023 было почти в три раза меньше). Дальше OpenAI со своими оставшимися 27%, и на третьем месте Google (~21).

🔵

Вот вам новогодняя открытка в честь последней пятницы в году

OpenAI завезли новогоднего настроения: они выпустили новую версию Codex под названием GPT-5.2-Codex-XMas

По качеству это ровно та же самая GPT-5.2-Codex (к сожалению), но личность модели выкручена в соответствии с сезоном. Так что кто хочет покодить с Санта Кодексом – вперед, модельку уже раскатили 🎄

$ codex -m gpt-5.2-codex-xmas

OpenAI вслед за Anthropic удвоили лимиты на Codex до конца года!

Собираемся с силами и работаем, пока аттракцион щедрости не закончился 🎄

Каменный век

А как называется закон про то, что раз в год в два раза дорожают видеокарты?

HuggingFace и их бесплатные курсы по ML – отличный вариант, чем заняться на новогодних

За последние пару лет HF существенно расширили свою библиотеку бесплатных курсов, и теперь все они собраны вот тут.

Некоторые совсем свежие, другим 2-4 года, но они обновляются. Всего их 12:

– LLM Course (советуем от души)
– Robotics
– MCP
– a smol course по пост-трейнингу
– Agents
– Deep RL
– Computer Vision
– Audio
– Open-Source Cookbook (не совсем курс, но штука полезная, чтобы поизучать)
– ML for games
– Diffusion Course
– ML for 3D

Хватит на все январские, в общем. Забирайте: https://huggingface.co/learn

J'son & Partners показали свежее исследование, где сравнивают, как разные страны готовят будущих ML-инженеров. Главная проблема – спрос на ИИ-спецов везде растёт быстрее, чем универы успевают адаптироваться😳

Каждая страна выкручивается по-своему.

Например, в Китае всё максимально централизовано. Государство задаёт жёсткие требования к программам и масштабирует их на всю систему образования.

В Штатах, наоборот, рулят университеты. Они автономны, сильны в исследованиях и сами пересобирают свои программы под рынок. Красиво, но есть нюансы: обучение дорогое, а выпускники часто получают очень разнородные компетенции.

В России ИИ-образование строят на стыке вузов и бигтехов – компании участвуют в запуске бакалавриатов и магистратур. Причем делают это давно: яндексовский ШАД, например, готовит ML-щиков с 2007 года и его курсы легли в основу ряда программ в МФТИ, ИТМО, Вышке и других университетах.

Помимо этого, бигтехи участвуют и в процессе обучения: практикующие инженеры приходят преподавать на IT-программы. И вряд ли для них это про доп заработок, скорее про то, чтобы внести свой вклад в новое поколение ML-инженеров.

Такая вот модель – аналитики говорят, вполне устойчивая в долгосроке.

Опять 25: Джеффри Хинтон тоже уверен, что эра скейлинга закончилась

(Интересно, в какой это момент он переключился с предсказания конца света на рассуждения о масштабировании?)

Ну так вот: ученый утверждает, что скейлинг не может продолжаться, потому что данные свободного интернета уже исчерпаны, а все более ценные данные хранятся в закрытых контурах компаний.

Он ставит ставку на синтетику. Модели, по его мнению, должны сами генерировать себе данные для обучения в ходе рассуждений.

«Именно так AlphaGo научился побеждать человека, и именно так LLM могут научиться быть умнее людей»

Nvidia купила Groq – тот самый стартап бывших инженеров Google, в котором разрабатывали чипы специально для LLM

Интересно, что еще полтора года назад стартап оценивался только в 2.8 миллиардов долларов, а сегодня Nvidia покупает его за 20 миллиардов.

Причем сделка представлена даже не как полноценная покупка, а как неисключительное лицензирование технологий и активов.

То есть Nvidia приобретает активы Groq, включая права на использование тех самых процессоров LPU (Language Processing Unit), но, например, облачный сервис GroqCloud остается независимым и продолжит работать под руководством нового CEO.

Предыдущий директор Groq Джонатан Росс (он же основатель, который раньше работал над TPU в Google), а также многие другие сотрудники, включая почти всю верхушку, переходят в Nvidia.

Это, кстати, крупнейшая сделка в истории Nvidia. Их предыдущим максимумом были приобретения вроде Mellanox за $7 млрд в 2019 году.

Приятно: Anthropic удвоили все лимиты в платных тарифах на время праздников 🎁

Сэм Альтман про конкуренцию с Google*

➖ В 2023 году Google могла бы легко снести OpenAI, если бы компания отнеслась к стартапу серьезно и сфокусировалась на ИИ. Сейчас им сложнее наверстать упущенное.

➖ Дистрибуция Google колоссальна, но по качеству продукта и скорости эволюции OpenAI, как считает Альтман, может выиграть.

➖ Он называет бизнес-модель Google лучшей во всей технологической индустрии, но именно из‑за этого, по его словам, им трудно отказаться от классического поиска с рекламой ради радикально нового AI‑продукта. OpenAI же, грубо говоря, нечего терять.

➖ Google остается главным и очень опасным конкурентом. OpenAI, чтобы не отстать, планируют «строительство полноразмерной AI‑платформы, включающей модели + инфраструктуру + устройства/интерфейсы».

*из нового подкаста youtu.be/2P27Ef-LLuQ

Профессиональный жаргон теперь выглядит так

«Плотность ИИ на гигабайт в Tesla на порядок выше, чем где бы то ни было» – Илон Маск

Так он прокомментировал твит Андрея Карпаты о том, что Tesla и Waymo сейчас находятся примерно на одном уровне.

Понимание Андрея устарело на данный момент. Программное обеспечение Tesla AI значительно продвинулось со времен, когда он ушел.

Кстати, еще год назад Андрей говорил, что у Tesla проблемы с ПО, и прошивка Waymo побеждает.

Напоминаем, что между двумя производителями существует принципиальная разница:

Waymo – это модульная система: она опирается на HD‑карты, лидары, датчики, 5G‑связь и множество нейросетей. Это работает хорошо и очень надежно, но только если какой-нибудь модуль случайно не откажет.

Tesla – это end‑to‑end: один огромный нейросетевой блок напрямую преобразует пиксели с камер в команды руления и торможения.

ARC-AGI 2, фактически, можно признавать решенным: система от стартапа Poetiq выбила ~75%

Про подход этих ребят мы уже писали тут. У них нет своих моделей, они берут сильные базовые (в этом случае GPT-5.2) и с помощью специального пайплайна бустят их производительность.

То есть это, фактически, просто test-time надстройка над GPT-5.2: цикл с генерацией гипотез, самопроверками, программным поиском и тд.

Но в то время, как оригинальная GPT-5.2 выбивает около 60%, здесь результат на 15 процентных пунктов выше. Это первая система, которая настолько уверенно обходит на ARC-AGI-2 уровень среднего человека.

Стоимость, кстати, остается при этом в рамках +-адекватной нормы: 8 долларов на задачу.

Код от Poetiq

Google релизнули новую версию своего «LLM-микроскопа» – Gemma Scope 2

Это модель, а точнее набор инструментов (interpretability tools), предназначенный для интерпретации поведения LLM. В частности, из семейства Gemma 3.

Работает Scope на основе SAE – это разреженные автоэнкодеры. Они представляют из себя модели, которые распутывают активации LLM и достают из них интерпретируемые концепции. Их называют «фичи»: это могут быть вещи из реального мира (мосты, коровы) или абстракции (ложь, отзывчивость).

По сути, анализируя эти фичи, мы можем видеть, о чем на самом деле думала модель, генерируя тот или иной output. Например, она генерирует с виду безобидный код, но «думает» о концепции «кибератака». И это о чем-то нам говорит.

SAE, кстати, еще в 2023 предложили использовать Anthropic (вот наш разбор их статьи, которая сделала подход популярным). Но именно Google вывели автоэнкодеры на уровень продакшена. Сейчас это, фактически, первый и единственный открытый инструмент для вот такой детальной интерпретации LLM.

Первая версия Scope вышла в 2024. Тогда это работало только для небольших моделей и простых запросов. Теперь же подход масштабировали даже для модели на 27B.

Плюс, теперь инструмент стал более универсальным. Если оригинальная Scope существовала только для ограниченного числа слоев, то теперь можно целиком анализировать сложные диалоговые механизмы.

Судя по статье, в основном это получилось благодаря добавлению в модель Skip-transcoders и Cross-layer transcoders. Это модули, которые помогают увидеть связи между отдаленными слоями и облегчают анализ распределенных вычислений. А еще, кстати, SAE обучали по методу матрешки, как Gemma 3n (мы писали про этот метод вот тут).

Если хотите попробовать и покопаться в мыслях у моделей:
– здесь все необходимые веса
– здесь полезный Colab ноутбук с готовым кодом
– здесь техотчет, а вот тут хорошая понятная документация

Команда ML Т-Банка выпустила обновление языковых моделей T-Pro 2.1 и T-Lite 2.1

Основной фокус релиза — улучшение точного следования инструкциям (Instruction Following) и Tool Calling. Для достижения результата команда разработала собственный пайплайн генерации синтетических данных для обучения и применила RL-обучение (GRPO) с гибридной reward-функцией, которая одновременно проверяет формальную корректность и осмысленность ответа, что позволило избежать проблемы “reward hacking”.

В результате дообучения на синтетических данных и применения RL-обучения с гибридным ревардом модели стали стабильнее в продакшене, точнее держат заданный формат, увереннее работают в многошаговых агентских сценариях и при этом сохраняют скорость и общее качество генерации. T-Pro 2.1 (32B) позиционируется как оптимальный выбор для сложных русскоязычных систем, а T-Lite 2.1 (8B) — как практичное решение для развертывания с ограниченными ресурсами. Обе модели доступны под открытой лицензией Apache 2.0.