Posts of IT Portal

newest first

#3640Photo
Views4,635−74%vs avg
Forwards65
Reactions51
Comments6
#3639Photoedited
Views7,648−56%vs avg
Forwards104
Reactions104
Comments21
#3638Photo

Revolut перевела около 2000 инженеров на локально развёрнутые модели GLM для программирования, а Claude Code и Codex теперь используются лишь в исключительных случаях. По словам Дэвида Абитбола, руководителя направления ИИ-операций компании, для этого задействовали 56 ускорителей Nvidia B200. Средняя стоимость составила всего 30 центов за миллион токенов, примерно в десять раз меньше, чем компания платила Anthropic и OpenAI. При этом время выполнения инженерных задач сократилось на 70%. Но самое интересное заключается в другом. Улучшения стали заметны, когда инженерам больше не приходилось экономить токены. Они перестали обращаться к ИИ только для решения сложных задач и начали использовать его практически повсеместно. Передовые проприетарные модели становятся исключением, а модели с открытыми весами — основным инструментом. Для каждой ИИ-компании, готовящейся к выходу на биржу, это серьёзная проблема с ценообразованием. https://x.com/OliverMolander/status/2116851762325757979 @IT_Portal

Open in Telegram
Views10,585−40%vs avg
Forwards262
Reactions151
Comments40
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h8,004
13 h10,585
  1. After 6 hours8,004
  2. Total to date10,585
#3637Video

ЧТООО: Исследователи MIT показали, что GPT-6 Astra способна улучшать другие ИИ-модели, напрямую изменяя их веса без дополнительного обучения. 😰 В ходе эксперимента Astra повысила точность Qwen3.5-0.8B на математическом бенчмарке MATH-500 с 7,9% до 48,1%, изменив всего 0,016% весов нейросети. Исследователи предоставили Astra доступ к весам Qwen через Python-ноутбук и разрешили выполнить до 50 тестовых запусков на математических задачах. В процессе анализа Astra обнаружила, что модель постоянно повторяет собственные рассуждения, пока не достигает ограничения на длину ответа. Причину удалось найти в одном внутреннем сигнале, формируемом двумя слоями нейросети. Astra устранила его влияние, напрямую скорректировав веса модели. После этого Qwen перестала зацикливаться и смогла доводить до конца решения задач, с которыми уже была способна справиться. В результате одно точечное изменение, затронувшее лишь 0,016% весов, повысило точность решения математических задач с 7,9% до 48,1%. https://rikiyat.github.io/blog/weight-space-programming/ @IT_Portal

Open in Telegram
Views14,585−17%vs avg
Forwards249
Reactions186
Comments14
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
1 h2,834
10 h10,626
25 h14,585
  1. After 1 hour2,834
  2. After 24 hours14,585
  3. Total to date14,585
#3636Link preview

Гарвард бесплатно открыл один из самых подробных курсов по инженерии систем машинного обучения. Курс CS249r выходит далеко за рамки архитектуры нейросетей. Основное внимание уделено инженерной инфраструктуре, от которой зависит обучение и эффективный запуск моделей: процессорам, иерархии памяти, передаче данных, ускорителям, распределённым вычислениям, инференсу, квантованию, сервингу, надёжности и развёртыванию. В открытый доступ вошли два тома по ML Systems, TinyTorch для создания собственного ML-фреймворка с нуля, интерактивные лабораторные работы в браузере, MLSys·im для экспериментов с узкими местами оборудования и инфраструктуры, StaffML для практики по системному проектированию, а также слайды лекций. В TinyTorch предусмотрено 20 последовательных модулей. В лабораторных можно менять параметры системы и сразу наблюдать, где возникают узкие места, вместо того чтобы ограничиваться изучением теории. Я бы рекомендовал проходить этот курс после знакомства с нейросетями и Transformers. Понимать принцип работы attention полезно. Но совсем другой уровень понимания начинается, когда разбираешься, почему KV-кэш расходует столько памяти, когда инференс упирается в пропускную способность памяти, как batching влияет на throughput и почему добавление новых GPU не всегда приводит к пропорциональному росту производительности. Всё здесь: mlsysbook.ai GitHub: https://github.com/harvard-edge/cs249r_book @IT_Portal

Open in Telegram
Views14,974−15%vs avg
Forwards732
Reactions86
Comments2
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
6 h8,023
31 h14,472
39 h14,974
  1. After 6 hours8,023
  2. After 24 hours14,472
  3. Total to date14,974
#3635Photo
Views15,489−12%vs avg
Forwards292
Reactions65
Comments4
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
6 h8,439
31 h14,294
46 h15,489
  1. After 6 hours8,439
  2. After 24 hours14,294
  3. Total to date15,489
#3634Photo
Views16,302−7%vs avg
Forwards165
Reactions368
Comments7
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
1 h4,489
9 h11,372
24 h14,170
49 h16,302
  1. After 1 hour4,489
  2. After 24 hours14,170
  3. Total to date16,302
#3633Photo
Views17,4850%vs avg
Forwards1,280
Reactions137
Comments11
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h3,443
7 h9,012
30 h15,506
63 h17,306
66 h17,485
  1. After 1 hour3,443
  2. After 6 hours9,012
  3. After 24 hours15,506
  4. Total to date17,485
#3632Link preview
Views18,130+3%vs avg
Forwards212
Reactions111
Comments56
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
3 h9,116
9 h12,168
25 h15,722
65 h17,971
69 h18,130
  1. After 24 hours15,722
  2. Total to date18,130
#3631Video
Views14,289−18%vs avg
Forwards73
Reactions146
Comments3
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
2 h3,717
11 h11,557
25 h14,289
  1. After 24 hours14,289
  2. Total to date14,289
#3630Video

Сэм Альтман объяснил, почему оперативной памяти не хватает. Оказывается, слишком много людей держат её в собственных ПК. «Многие хотят запускать модели локально и почему-то считают, что с появлением open-source моделей проблема уже решена. Теперь мы сможем запускать их на собственных компьютерах, а значит, вся инфраструктура дата-центров нам больше не понадобится. Однако с точки зрения глобального распределения ресурсов это крайне неэффективно. Представьте, что у каждого дома стоит компьютер с большим объёмом оперативной памяти, на которую приходится значительная часть ограниченных мировых запасов DRAM, но используется она лишь 5% времени. В условиях столь острого дефицита ресурсов гораздо разумнее добиваться максимальной загрузки облачной инфраструктуры. Но почему-то интуиция многих людей подсказывает им прямо противоположное». @IT_Portal

Open in Telegram
Views18,044+3%vs avg
Forwards216
Reactions412
Comments69
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h7,342
13 h10,130
28 h15,057
68 h18,044
  1. After 6 hours7,342
  2. After 24 hours15,057
  3. Total to date18,044
#3629Video
Views17,098−2%vs avg
Forwards462
Reactions106
Comments22
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
2 h4,549
8 h9,394
24 h13,845
71 h17,098
  1. After 1 hour4,549
  2. After 6 hours9,394
  3. After 24 hours13,845
  4. Total to date17,098
#3628Textedited
Views9,995−43%vs avg
Forwards9
Reactions39
Comments0
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
4 h6,853
10 h9,995
  1. Total to date9,995
#3626Video
Views15,625−11%vs avg
Forwards92
Reactions104
Comments10
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
6 h8,738
11 h10,831
28 h13,186
75 h15,625
  1. After 6 hours8,738
  2. After 24 hours13,186
  3. Total to date15,625
#3625Video
Views14,654−16%vs avg
Forwards342
Reactions240
Comments0
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
7 h9,107
29 h12,688
67 h14,654
  1. After 6 hours9,107
  2. After 24 hours12,688
  3. Total to date14,654
#3624Photo
Views14,432−18%vs avg
Forwards69
Reactions97
Comments3
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
2 h4,343
69 h14,432
  1. Total to date14,432
#3623Photo
Views15,378−12%vs avg
Forwards144
Reactions220
Comments39
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h7,892
26 h12,733
72 h15,378
  1. After 6 hours7,892
  2. After 24 hours12,733
  3. Total to date15,378
#3622Photo
Views16,321−7%vs avg
Forwards278
Reactions199
Comments14
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
3 h6,721
10 h8,582
71 h16,321
  1. Total to date16,321
#3621Photoalbum
Views41,575+137%vs avg
Forwards996
Reactions—
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h22,716
12 h28,468
73 h41,575
  1. After 6 hours22,716
  2. Total to date41,575
#3620Photoalbum
Views41,689+138%vs avg
Forwards996
Reactions—
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h22,777
12 h28,481
73 h41,689
  1. After 6 hours22,777
  2. Total to date41,689
#3619Videoalbum

Учёный позволил Claude Sonnet 5 провести операцию на мозге живой мыши. Целью было лечение эпилепсии, чтобы сократить количество приступов. Вот что сделала Claude: - Рассмотрела 19 возможных вариантов лечения и выбрала тот, который усиливает действие естественного вещества в мозге, отвечающего за его торможение и успокоение. - Определила место инъекции, исходя из предполагаемой области возникновения приступов. - Рассчитала точку введения препарата, усреднив данные из трёх научных исследований. - Опустила иглу на глубину 4,3 мм в мозг мыши. - В течение пяти минут ввела дозу препарата объёмом примерно 1/20 000 чайной ложки. - 32 раза проверила изображение с камеры в реальном времени, контролируя возможные осложнения, в том числе кровотечение. Мышь пришла в себя после операции и успешно восстановилась! 😰 Интересно, что Opus 5.5 и Opus 5 отказались выполнять эту задачу, поскольку она связана с реальными биологическими объектами. В итоге её поручили Sonnet 5. По словам исследователя, насколько ему известно, это первый случай, когда AI самостоятельно выбрал метод лечения, а затем выполнил инъекцию непосредственно в мозг живого млекопитающего. @IT_Portal

Open in Telegram
Views38,263+118%vs avg
Forwards1,008
Reactions240
Comments20
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
5 h21,976
12 h27,134
73 h38,263
  1. After 6 hours21,976
  2. Total to date38,263
#3618Photoad
Views14,479−17%vs avg
Forwards28
Reactions22
Comments0
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
1 h4,040
6 h9,116
74 h14,479
  1. After 1 hour4,040
  2. After 6 hours9,116
  3. Total to date14,479
#3616Photo

МЕНЬШЕ 1000 — именно столько вопросов задали пользователи Stack Overflow за последний месяц. На протяжении десятилетий Stack Overflow накапливал знания в области программирования. Миллионы вопросов, огромное сообщество разработчиков, бесчисленное множество решений реальных задач. Всё это давало компании колоссальное преимущество перед конкурентами. Располагая столь обширной базой знаний, Stack Overflow мог бы создать собственных AI-агентов для написания кода, вайбкод IDE или CLI-инструменты. Более того, вполне возможно, что разработчики охотнее платили бы за подобные инструменты от Stack Overflow, чем доверяли свои деньги какой-нибудь недавно появившейся компании. Однако Stack Overflow не сумел вовремя воспользоваться своим преимуществом. Возможно, они были против перехода к AI. Возможно, у них были другие планы. Но достаточно взглянуть на то, к чему всё пришло... Тот, кто не умеет приспосабливаться к переменам, рано или поздно уступает своё место тому, кто сумел это сделать. @IT_Portal

Open in Telegram
Views15,646−11%vs avg
Forwards191
Reactions271
Comments18
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
4 h8,871
9 h11,422
25 h13,113
69 h15,646
  1. After 6 hours8,871
  2. After 24 hours13,113
  3. Total to date15,646
#3615Photo
Views16,160−8%vs avg
Forwards121
Reactions180
Comments6
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
20 h12,277
25 h13,598
70 h16,160
  1. After 24 hours13,598
  2. Total to date16,160
#3614Photoalbum
Views16,491−6%vs avg
Forwards163
Reactions—
Comments—
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
29 h13,899
71 h16,491
  1. After 24 hours13,899
  2. Total to date16,491
#3613Photoalbum

Грегори Куртцер, создатель CentOS и Rocky Linux, всего за 11 дней разработал с помощью искусственного интеллекта новое ядро операционной системы. Проект получил название Ginux. Он уже позволяет запускать некоторые программы для Linux, не прибегая к самому ядру Linux. Куртцер определял устройство системы и направлял разработку, а Codex написал и проверил около 139 тысяч строк кода. Ginux создан преимущественно на Rust. У него собственные механизмы управления памятью, планировщик задач и сетевая подсистема. Более того, в виртуальной машине система уже загружает Rocky Linux 10 вместе с systemd. Пока Ginux остаётся экспериментальным проектом: совместимость ещё далека от полной, а поддержка оборудования ограничена. Исходный код опубликован под лицензией Apache 2.0. Всего одиннадцать дней, чтобы заложить основу новой операционной системы. Осталось сделать ее надёжной. Источник: https://github.com/gmkurtzer/ginux @IT_Portal

Open in Telegram
Views16,856−4%vs avg
Forwards164
Reactions157
Comments31
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
29 h14,023
71 h16,856
  1. After 24 hours14,023
  2. Total to date16,856
#3612Videoedited
Views15,897−9%vs avg
Forwards175
Reactions76
Comments7
Views growthHide views growth

Views growth

Hours after publication

Show as table
Hours after publicationViews
0 h0
32 h13,501
74 h15,897
  1. After 24 hours13,501
  2. Total to date15,897