Machine learning chat

29 October 2026 07:19

415 страниц документа Anthropic перед IPO обработали на Mac – локальной OCR-моделью размером около 1,2 ГБ.

По сообщению авторов демонстрации, MiniCPM-OCR 1.0 от OpenBMB прошла весь документ S-1 на MacBook с M5 Max, затрачивая примерно четыре секунды на страницу.

При таком темпе обработка занимает около 28 минут. По их словам, данные не покидали ноутбук.

Модель распознаёт текст, таблицы и формулы, преобразуя страницы в машиночитаемый формат для дальнейшего поиска и анализа.

Речь именно об OCR-разборе документа: распознать 415 страниц не означает проверить финансовые показатели или сделать инвестиционный анализ.

GGUF-сборки для локального запуска:

https://huggingface.co/AtomicChat/MiniCPM-OCR-1.0-GGUF

Machine learning chat

28 October 2026 20:56

$25 тысяч за проверку одного репозитория: ИИ-поиск уязвимостей становится новой крупной статьёй расходов компаний.

По данным The Information, примерно столько UiPath платит за одно сканирование кода моделью Anthropic Mythos.

Масштаб находок тоже растёт: по словам представителя Palo Alto Networks, 12 компаний за месяц обнаружили более 37 тысяч потенциальных уязвимостей в открытом ПО. Месяцем ранее во всём мире было зарегистрировано около 1500.

Эти цифры нельзя сравнивать напрямую: не все новые находки подтверждены, и речь не только о критических ошибках.

Теперь компаниям нужны ресурсы на проверку и исправление:

- Bank of America нанимает 1000 подрядчиков для устранения проблем в ПО.
- Goldman Sachs обсуждает перспективу тратить на ИИ-безопасность столько же или больше, чем на ИИ-инструменты для программирования.

https://www.theinformation.com/articles/nobodys-ready-ai-found-bugs-spark-corporate-security-spending-spree

Machine learning chat

28 October 2026 20:14

Если решишь тебя схантят в нвидию

Machine learning chat

28 October 2026 19:16

Это кстати было бы интересно посмотреть

Machine learning chat

28 October 2026 18:11

Google представила Gemini 4 Carbon

Новая флагманская модель заняла первое место в Artificial Analysis Intelligence Index v5.0 с результатом 59 баллов. Основной упор сделали на кибербезопасность, программирование и длительную автономную работу ИИ-агентов.

Результаты бенчмарков:

- SEC-bench Pro - 88,2%: поиск реальных уязвимостей в программном обеспечении.
- ExploitGym - 54,8%: проверка возможности эксплуатации найденных уязвимостей.
- CWE-bench - 71%: автоматическое исправление уязвимого кода.
- WebDev Arena - 1769 Elo: четвёртое место в разработке веб-интерфейсов.

Что ещё интересного:

- Автономная работа несколько дней. Внутри Google модель решала сложные инженерные задачи, находила причины ошибок и исправляла их в больших кодовых базах.
- В 2 раза лучше Gemini 4 Argon генерирует безопасный код по внутренним тестам Google.
- В 10 раз эффективнее другой передовой модели создаёт качественные патчи для Chrome, по оценке команды браузера.
- На 80% меньше серьёзных нарушений инструкций при работе с кодом.
- Вдвое меньше необоснованных утверждений по сравнению с Argon.

Отдельно Google заявляет, что Carbon успешно отразила все проверенные атаки через prompt injection в одном из бенчмарков.

Доступ пока ограничен: сначала модель получат специалисты по кибербезопасности. Массовый релиз состоится позднее.

Стоимость API после запуска составит $2 за миллион входных и $10 за миллион выходных токенов на вводном тарифе.

https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

Machine learning chat

28 October 2026 17:21

Проект для тех кому нужна gemini 4 argon без подписки ультра и иностранного аккаунта. Кому полезно, оставляйте ваши звездочки
https://github.com/LevRa7/remote-harness-mcp

Machine learning chat

27 October 2026 19:20

Liquid AI представила LFM3 – шесть компактных моделей для текста, изображений, видео и звука с открытыми весами.

Первый выпуск – модели примерно на 2 млрд параметров, рассчитанные на локальный запуск и дообучение под конкретные задачи.

Что внутри:

- LFM3-1.7B – текстовая модель для агентов с контекстом 256K. Веса в 4-битном формате занимают около 1 ГБ.
- LFM3-VL-2B – работа с изображениями и видео, документами, графиками и интерфейсами.
- LFM3-Audio-2B – распознавание, генерация и перевод речи на 18 языках, понимание звуков и вызов инструментов.
- LFM3-Omni-2B – объединяет зрение, слух и голосовые ответы.
- d1-2B и d1-Omni-2B – модели для структурированных решений: классификации, извлечения данных, поиска объектов и оценки вероятностей.

Архитектура сочетает короткие свёртки, скользящее и глобальное внимание. Базовая модель обучена на 22 трлн токенов.

По оценке команды, LFM3-1.7B превосходит LFM2.5-2.6B при числе параметров на 35% меньше. На SWE-bench Verified результат вырос с 18% до 43,4%, на BFCL V4 – с 55,89 до 71,39.

Все модели можно дообучать на одной GPU, заявляют разработчики. Доступны базовые и дообученные веса, Playground и API.


> Blog: http://liquid.ai/blog/lfm3
> Docs: http://docs.liquid.ai
> Open weights: http://huggingface.co/collections/LiquidAI/lfm3
> Playground: http://playground.liquid.ai
> API: http://console.liquid.ai
> Pipette: http://pipette.liquid.ai
> Get in touch for custom fine-tuning: http://liquid.ai/connect

Machine learning chat

27 October 2026 14:45

inclusionAI открыла две версии Ling: обновлённую модель для агентов и базовые веса для дообучения. Обе – под MIT.

Ling-3.1-flash-1019 получила улучшения рассуждений и многошаговой работы с инструментами.

Характеристики: 560 млрд параметров, 25 млрд активных на токен и контекст 1 млн токенов. Гибридная MoE-архитектура сочетает линейное внимание KDA и Gated MLA.

По данным команды, относительно предыдущей версии:

- AutomationBench-AA: с 62% до 68%.
- CritPt: с 18% до 26%.
- SciCode: с 54% до 57%.
- Artificial Analysis Intelligence Index: с 41 до 44.

Ling-3.1-flash-base – базовый чекпойнт той же архитектуры для продолжения предобучения, адаптации под предметную область, SFT, обучения с подкреплением и исследований дистилляции.

Базовая версия опубликована в BF16, хотя обучение проводилось в FP8. Для непосредственного использования в качестве чат-ассистента она не предназначена.

Для запуска обновлённой модели доступны инструкции под SGLang и vLLM.

Обновлённая модель: https://huggingface.co/inclusionAI/Ling-3.1-flash-1019

Базовые веса: https://huggingface.co/inclusionAI/Ling-3.1-flash-base

Machine learning chat

27 October 2026 12:06

Это сказки, все нормально)

Machine learning chat

27 October 2026 12:04

Вангую, вместо а100 были 170hx😄

Machine learning chat

27 October 2026 11:58

РАЗРАБОТЧИКИ ВСЕ - ПРЕПОДОВАТЕЛИ ВСЕ

Machine learning chat

27 October 2026 11:38

В статье "длинным" называют 16к контекст. На нем, действительно, 8 и даже 6-битный kv-кеш ведёт себя приемлемо. Но ведь мы пользуемся нейронкой на контекстах в 15 раз более длинных

Machine learning chat

27 October 2026 09:51

Baidu открыла Unlimited OCR 2 - модель для распознавания документов на сотни страниц без постоянного роста затрат на каждый следующий токен.

Она обрабатывает многостраничный документ с учётом контекста между страницами.

В основе – Sparse Reference Sliding Window Attention (SR-SWA): модель обращается к небольшому набору наиболее нужных визуальных данных. Механизм Unlimited-Horizon Decoding освобождает участки KV-кэша, которые больше не нужны.

Это позволяет сохранять почти постоянные задержку и расход памяти на каждом шаге генерации, даже когда документ становится длиннее.

По результатам авторов:

- На документах из 100 страниц декодирование на один шаг быстрее в 7 раз, чем с полным вниманием, и в 5,6 раза, чем с R-SWA.
- Высокая точность разбора сохраняется на документах до 300 страниц.
- Модель показывает лучшие результаты на MPDocBench и MarathonDocBench.

Ускорение относится к отдельному шагу декодирования, а не ко времени обработки всего документа.

Доступны запуск через Transformers и SGLang, код опубликован под лицензией MIT.

https://github.com/baidu/Unlimited-OCR

Machine learning chat

27 October 2026 09:21

Да Qwen3.6 35B A3B вполне влазит в 12Гб и качество приличное) и скорость на 5070 140-150tps

Machine learning chat

27 October 2026 08:51

Как меняется BI и Data Analyst с ИИ — и что уже стоит применять в работе?
Новые инструменты появляются постоянно. Какие из них действительно помогают решать задачи бизнеса, ускоряют работу с данными и заслуживают вашего времени?

24 ноября в Москве на ViRush 2026 Visiology соберёт аналитиков данных, архитекторов и руководителей, чтобы соединить взгляд бизнеса, опыт заказчиков и техническую практику.

За один день:
🔹 Реальные проекты: задачи бизнеса, выбор инструментов и результаты с цифрами и выводами.
🔹 BI и Visiology Cortex в действии: от архитектуры аналитики до создания дашбордов и работы с данными с помощью ИИ.
🔹 Общение с экспертами: обсудите свой проект, задайте вопросы и узнайте, как похожие задачи решают другие.

📍 24 ноября · Москва · Soluxe Hotel Moscow

Онлайн-трансляции не будет. Даже если пока не уверены, что приедете, зарегистрируйтесь сейчас — и получите видеоматериалы
выступлений.

Machine learning chat

28 October 2026 21:17

Выдадут кожанку и … маузер )

Machine learning chat

28 October 2026 20:16

Дык не исследователь же я
Вопрос к исследователям был, тип

Machine learning chat

28 October 2026 19:27

Ну значит же пора придумать что-то такое, что позволит решить и этот вопрос, верно?)

Machine learning chat

28 October 2026 19:07

Угу, вместо дипсика на 100 гигов, запустили 10 по 27, рой выиграл, а сколько ресурсов было потрачено умалчивается

Machine learning chat

28 October 2026 17:49

так тензорных ядер нет

Machine learning chat

28 October 2026 17:18

А чисто в теории с виндовса можно запустить? Я ламер

Machine learning chat

27 October 2026 14:52

7x ускорение шага декодирования на 100 страницах при стабильном потреблении памяти вот это реальная инженерия long-context, а не просто контекст стал длиннее. И отдельно подкупает честность, ускорение именно на шаге генерации, а не на всём документе, плюс MIT и готовый код в Transformers/SGLang, можно сразу тащить в прод-пайплайн.

Machine learning chat

27 October 2026 12:07

Но, когда вижу, как кто-то пишет про а100 после событий лета 2026, сразу триггер - ну там же 170hx, наверняка))

Machine learning chat

27 October 2026 12:05

Ага, с мертвой памятью

Machine learning chat

27 October 2026 11:59

прикиньте дегенератов которые со спермой ворту как везде говорят вооо РАЗРАБОТЧИКИ ВСЕ, ПРЕПОДАВАТЕЛИ ВСЕ Я Теперь в девятом классе создаю САЙТЫ

Machine learning chat

27 October 2026 11:40

Те я не отрицаю саму возможность квантования кеша, но утверждаю, что для кодинга это очень плохо подходит из-за накопления ошибки. В какой-то момент правило "НЕ УДАЛЯЙ НИКАКИЕ ФАЙЛЫ ЗА ПРЕДЕЛАМИ ПАПКИ" превращается в "УДАЛЯЙ ЛЮБЫЕ ФАЙЛЫ ЗА ПРЕДЕЛАМИ ПАПКИ" и пиши пропало))

Machine learning chat

27 October 2026 11:28

Но это не значит, но это выглядит, да но это яблоко яблоко зеленое, но это не значит что яблоко не может быть красным. Но яблоко никак в процессе деплоя не учавствует

Machine learning chat

27 October 2026 09:45

как неожиданно🙀а еще прикиньте джейлы могут быть и в текстовых файлах, которые читает агент и даже в картинках! ужас да? вот и живите с этим.

Machine learning chat

27 October 2026 09:01

2.85x на том же железе и без потери качества это же чистая экономия на инфраструктуре, да ещё и PR в vLLM можно сразу забрать. И отдельно радует, что цифры честные: с оговорками про конкретный замер, а не маркетинговое ускорение везде на 300%.

Machine learning chat

27 October 2026 08:50

подключил к текстовой задачке как агента, чтение 200 т\с, генерация 35-45 т\с, влез контекст на 32к, в целом можно больше упихать спокойно, на ssd только некоторые эксперты ушли, в тестовых запросах почти не использовался ssd

квантование iq_3s