Data Secrets

Data Secrets

Подтверждён

Главный по машинному обучению Сотрудничество: @veron_28 РКН: clck.ru/3FY3GN

Юзернейм
@data_secrets
Категория
Технологии
Страна
РоссияРоссия
Создан
, 4 года
Подписчики95 907+479 за неделю
Просмотров на пост, 7 дн.19 621−7,1% к пред. 7 дн.
ERR20,46 %за 7 дней

Подписчики, 30 дней

14 окт. – 3 нояб.+950 (+1%)

Показать таблицей
ДатаПодписчики
14 окт. 2026 г.94 957
15 окт. 2026 г.94 999
16 окт. 2026 г.95 039
17 окт. 2026 г.95 076
18 окт. 2026 г.95 108
19 окт. 2026 г.95 151
20 окт. 2026 г.95 168
21 окт. 2026 г.95 173
22 окт. 2026 г.95 256
23 окт. 2026 г.95 278
24 окт. 2026 г.95 311
25 окт. 2026 г.95 368
26 окт. 2026 г.95 386
27 окт. 2026 г.95 428
28 окт. 2026 г.95 500
29 окт. 2026 г.95 564
30 окт. 2026 г.95 688
31 окт. 2026 г.95 742
1 нояб. 2026 г.95 785
2 нояб. 2026 г.95 813
3 нояб. 2026 г.95 907

Средние просмотры поста по дням

По дню публикации

Показать таблицей
ДатаПросмотров на пост
12 окт. 2026 г.24 488
13 окт. 2026 г.23 672
14 окт. 2026 г.21 049
15 окт. 2026 г.22 244
16 окт. 2026 г.20 653
17 окт. 2026 г.21 836
19 окт. 2026 г.23 441
20 окт. 2026 г.21 599
21 окт. 2026 г.20 046
22 окт. 2026 г.19 609
23 окт. 2026 г.20 557
24 окт. 2026 г.24 528
25 окт. 2026 г.23 989
26 окт. 2026 г.21 278
27 окт. 2026 г.23 357
28 окт. 2026 г.20 579
29 окт. 2026 г.20 519
30 окт. 2026 г.21 463
31 окт. 2026 г.21 219
1 нояб. 2026 г.21 593
2 нояб. 2026 г.18 858
3 нояб. 2026 г.20 780
4 нояб. 2026 г.14 527
Рекламных постов, 30 дн.9последняя
Просмотров на рекламный пост19 237−8,1% к остальным постам
  1. МГТС запускает студенческий кейс-чемпионат «Код города» 🚀 Реши реальную бизнес-задачу, разработай технологическое решение при поддержке…20,3 тыс.
  2. Будущее уже взлетело. Ты с нами? ИИ меняет привычные инструменты, Python остаётся в основе цифровых продуктов, а новые профессии…19,7 тыс.
  3. 11-12 ноября в онлайне пройдет конференция о новой реальности разработки с агентами Еще год назад мы посмеивались над тем, как модели…18,6 тыс.
  4. AI Journey 2026: заглядываем в будущее ИИ 🤖 Хочешь узнать, что происходит в мире нейросетей, послушать российских и зарубежных экспертов и…19,5 тыс.
  5. QA митап: про агентов, деньги и эволюцию QA Как оценивать ИИ-агентов, не разориться на токенах и понять, куда движется профессия…19,3 тыс.
Что рекламировали
  • studchamp.mgts.ru
  • 21-school.ru
  • ai-dev.live
  • aij.ru
  • developers.sber.ru
  • ООО «Отус онлайн-образование»
  • ООО «Школа Высшей Математики»
  • aistudio.giga.chat
Та же реклама у каналов

Самые просматриваемые за месяц

  1. 01

    Андрей Карпаты объяснил, почему человечество в основном не чувствует экспоненциального роста возможностей ИИ По его словам, сейчас мир делится на 4 группы: 1. Люди, которые никогда не взаимодействовали с LLM. Таких примерно 6 миллиардов, то есть 75% популяции. 2. Те, кто когда-либо общался с LLM в чате или в каком-то продукте. В основном это бесплатное использование и промпты вроде "напиши поздравление" или обычные поисковые запросы. Таких 1-2 миллиарда (~20%). 3. <Вероятно, вы находитесь здесь>. 0.2% (примерно 20М человек) – это те, кто использует агентов в кодинге, науке или больших проектах. Эти уже замечают, как ИИ справляется с крупными задачами, и существенно ускоряет процессы, на которые раньше уходили недели. 4. Наконец, примерно 5000 человек (а это всего 0.00006%!) имеют доступ к сильнейшим внутренним системам и огромным роям агентов, которые способны совершать научные открытия, взламывать Hugging Face и вот это все. Такое деление обуславливается не только платным доступом, но и тем, что ИИ в каких-то областях уже очень хорош, а в каких-то все еще плох. Кроме того, у большинства юзеров задачи довольно простые, и прочувствовать на них возможности LLM невозможно. То есть Карпаты утверждает, что пока широкая публика еще не взаимодействовала с "тем самым" ИИ, поэтому воспринимает его как простенький инструмент для Q&A. Профессионалы, в основном, видят буст, но небольшой. И только крошечная группа людей имеет доступ к по-настоящему мощному ИИ, и видит экспоненциальный рост способностей этих систем.

    Фото
    Просмотры32,4 тыс.
    Пересылки971
    Реакции443
    Комментарии62
  2. 02
    Просмотры28,7 тыс.
    Пересылки1,46 тыс.
    Реакции443
    Комментарии119
  3. 03

    Интернет накрыла какая-то аномальная волна взломов Люди уже называют происходящее «черным октябрем». За несколько дней произошли десятки AI-атак, взломов платформ и обнаружений критических уязвимостей в базовом софте. — С помощью GPT-5.6 Sol были обнаружены критические уязвимости в PHP, они позволяли выполнить код на сервере без авторизации (t.me/data_secrets/10190). Глава Cloudflare сообщил, что за 10 часов до раскрытия было тысячи попыток эксплуатации, а к утру следующего дня – миллионы. — CrowdStrike обнаружили, что с мая по август четыре ранее неизвестные группы злоумышленником проводили кампании по взломам с помощью AI-агентов. Один из операторов взломал минимум 15 медицинских организаций в Аргентине. Его система была собрана из двух агентов на Claude Code. Все четыре группы обошли защиту моделей, убедив их, что работают в рамках авторизованного пентеста. — Zeabur (AI DevOps агент) пережил второй взлом за два месяца, хакеры прочитали около 3,2 млн записей с переменными окружения. Платформа заявила, что закроется до конца года. — В новую версию популярной библиотеки LiteLLM попал троян удаленного доступа и вредоносный код для кражи учетных данных. У библиотеки около 23 млн скачиваний в неделю, а в публичном доступе версия пробыла примерно два часа. — Railway сообщили, что обнаружили аномальную активность в системах, где хранятся переменные окружения клиентов. В таких переменных обычно лежат API-ключи, пароли от баз данных и доступы к приватным реестрам. Компания остановила все сборки и деплои и уведомила AI-провайдеров, чтобы те отозвали ключи. — OpenCode тоже подвергся взлому. Злоумышленник проник в устаревшую систему Console и мог получить ключи OpenAI, Anthropic и Google, сохраненные пользователями. Затронуто 1,4% пользователей. Часть людей сообщила о несанкционированных списаниях, у некоторых больше 1700 долларов за ночь. — Критические уязвимости были обнаружены в GitLab и Node.js. В GitLab найденная уязвимость получила максимальные 10 баллов по CVSS. Уязвимый код тянется с версии 7.0, вышедшей в 2014 году. Девятью днями ранее компания закрывала другую уязвимость на 10 баллов. И это только часть. Также пострадали Microsoft, Tensorlake, SubQuery, GhostAction, OVHcloud CLI, TeamUpdraft, Rank Math PRO, eMudhra и ConnectWise. Буквально половина Интернета прямо сейчас восстанавливается или противостоит взломам. В соцсетях многие уверены, что за всеми взломами стоят рои агентов, действующие автономно или под управлением киберпреступников 🗿

    Фотоизменён
    Просмотры28,5 тыс.
    Пересылки1,51 тыс.
    Реакции361
    Комментарии50
  4. 04

    Anthropic утверждают, что в скором маленькие модели смогут самореплицироваться на IoT-устройствах, без достпупа к дата-центрам и GPU То есть ИИ может научиться как бы заражать бытовую технику (типа дешевых смарт-ТВ-приставок, камер, умных приборов и тд), поселяться на ней и оттуда заражать следующие устройства, и это все без участия человека и без видеокарт. Отключить такую сеть почти невозможно. Физически даже простейшая техника может вывезти небольшую модель. В качестве демо авторы купили 15 Android TV-боксов по ~$55, соединили их и без труда запустили на них Gemma4-26B-A4B. Но основной вопрос в другом: сможет ли агент, оказавшись на незнакомом железе, разобраться и запустить инференс? Это проверяли на 9 типах реального железа и на цепочке из 8 виртуальных устройств. Итог: GLM-5.2 смогла заразить все 8 узлов в 4 прогонах из 5. Пока что она запускала не саму себя (потому что слишком крупная), а Llama 8B. Но выходит, что когда появится достаточно маленькая модель с такими же способностями как у GLM-5.2, которая помещается на приставку, она уже сможет самореплицироваться. Пока таких моделей нет (надолго ли?) и полная настройка инференса занимает кучу времени (до 150 часов), поэтому риск небольшой. Однако Anthropic сравнивают такой вирус со слизевиком или дрозофилами: он может размножаться днями, и при этом очень незаметно, но выбить его очень, очень трудно, потому что центра – нет. https://www.anthropic.com/research/self-replicating-ai

    Фото
    Просмотры27,3 тыс.
    Пересылки1,2 тыс.
    Реакции418
    Комментарии62
  5. 05

    Там на китайских форумах считают, что разобрались, как работает блокировка аккаунтов Claude Пользователи утверждают, что у Anthropic действует балльная система. При регистрации аккаунт якобы получает стартовые баллы, а дальше за разные действия баллы начисляются или снимаются. Если счет падает ниже порога, следует бан. Например, важна чистота IP. Если вы прыгаете между устройствами или прокси, баллы снимают. Если вы оформили подписку (особенно Max) сразу после регистрации – опять минус баллы. Лимиты тоже лучше не выжигать до конца за один присест, иначе, ну вы поняли. Еще, из интересного, баллы снимают, если вы пользователь Linux, слишком активно используете Fable или пользуетесь только веб-версией. Старые аккаунты и аккаунты, зарегистрированные через мобильное приложение, считаются более надежными. Если аккаунт потерял много баллов, его возьмут на карандашик, и будет период наблюдения. На форумах говорят, что типичный признак этого – сброс логина. Если в периоде наблюдения баллы продолжат сниматься, пользователь получает бан.

    Текст
    Просмотры27 тыс.
    Пересылки1,67 тыс.
    Реакции297
    Комментарии116

Новые посты

#10275Фото

Anthropic выпустили в опенсорс FlashProve – инструмент для доказуемого инференса https://github.com/anthropics/FlashProve По сути они предложили прототип открытого криптографического протокола, через который любой проверяющий без доступа к весам может убедиться, что ответ выдала именно та модель, которая была заявлена провайдером. Нужна такая штука например для того, чтобы проверять, что роутинг-сервис не подменяет модель на более дешевую, или что модель в контуре компании не была заменена злоумышленниками. Работает это так: провайдер заранее публикует цифровую печать своих весов, а к каждому ответу затем прикладывает файл-доказательство. Мэтч этого файла и печати означает подлинность модели, и проверить его можно на обычном компьютере без GPU и весов. Доказательство весит около 19 МБ на запрос в 1024 токена, а проверка занимает около 17 секунд. Понятно, что это все еще в разы дороже обычного инференса, но, для сравнения, предыдущий результат составлял около 14 часов проверки и доказательство на 93 ГБ. Алгоритм основан на методе zkSNARK. Он известен достаточно давно, но заслуга Anthropic именно в том, что они смогли оптимизировать его до практичных скоростей на модели до 400В параметров. Кстати, в статье написано, что ускорением и оптимизацией в основном занимался Claude. Может быть так и до детектора происхождения текстов недалеко

Открыть в Telegram
Просмотры13 287−36%к среднему
Пересылки243
Реакции158
Комментарии7
#10274Фото
Просмотры15 981−23%к среднему
Пересылки409
Реакции335
Комментарии13
#10273Фотоальбом
Просмотры17 149−18%к среднему
Пересылки282
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
3 ч8 811
10 ч17 149
  1. Всего сейчас17 149
#10272Фотоальбом
Просмотры17 185−17%к среднему
Пересылки281
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
3 ч8 842
10 ч17 185
  1. Всего сейчас17 185
#10271Фотоальбом
Просмотры17 295−17%к среднему
Пересылки293
Реакции483
Комментарии19
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
3 ч8 953
10 ч17 295
  1. Всего сейчас17 295
#10270Видео
Просмотры21 651+4%к среднему
Пересылки945
Реакции289
Комментарии27
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
2 ч10 132
7 ч14 288
28 ч21 651
  1. Через 1 час10 132
  2. Через 6 часов14 288
  3. Через 24 часа21 651
  4. Всего сейчас21 651
#10269Видеоальбом
Просмотры21 235+2%к среднему
Пересылки1 258
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч16 343
12 ч18 463
25 ч21 235
  1. Через 6 часов16 343
  2. Через 24 часа21 235
  3. Всего сейчас21 235
#10268Видеоальбом
Просмотры20 8610%к среднему
Пересылки1 257
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч16 211
12 ч18 264
25 ч20 861
  1. Через 6 часов16 211
  2. Через 24 часа20 861
  3. Всего сейчас20 861
#10267Фотоальбомизменён

GPT-6 без дообучения улучшила веса Qwen3.5-0.8B Просто поразительное исследование выпустили сегодня рисерчеры из MIT CSAIL. Они показали, что топовые LLM могут напрямую читать и осознанно менять веса нейросетей, причем без градиентного спуска и обучения. Это назвали Weight-Space Programming. В главном эксперименте авторы дали Astra веса крошечной Qwen3.5-0.8B и попросили улучшить ее способности в математике. В итоге Astra обнаружила в весах нейроны, из-за которых модель зацикливалась в рассуждениях, и исправила их. Всего она переписала около 0.016% весов, и после этого на MATH-500 скор Qwen3.5-0.8B вырос с 7,9% до 48,1%, а на GSM8K – с 13,8% до 67,1%. Это не все. Оказалось, что Astra может неплохо интерпретировать модели по весам. Например, ученые дообучили 4 одинаковые модели играть в разные игры: Breakout, Pong, Pac-Man и Freeway. Astra получила только веса (около 17 тысяч чисел) и описание входов, без названий игр, и смогла угадать, чему учили эти модели, во всех четырех случаях. В другом эксперименте три диффузионные модели рисовали круг, квадрат и треугольник. Astra по весам определила каждую фигуру, прочитав выходной слой. Важно, что при этом она не запускает эти сети, а просто читает веса. А еще Astra умеет писать нейросети с нуля. Она без обучения, с нуля, взяла и выдала веса сетей для трех игр MinAtar. Во всех трех случаях она обошла модели, которые были обучены с помощью обучения с подкреплением (PPO) на 100 млн шагов. Также авторы просили ее написать сеть для игры в Go. Она написала веса одним скриптом на 336 строк и выиграла больше половины партий у двух маленьких обученных на PPO сетей. Если же ей давали возможность несколько раз прогнать свою сеть в песочнице, то она обыгрывала равную по размеру PPO-сеть, обученную на 20 млн партий. Результаты пока ранние, но само направление невероятно многообещающее. С помощью Weight-Space Programming можно было бы делать элаймент, аудит моделей, дешевую инициализацию весов, ну и рекурсивное самоулучшение на десерт. Сейчас авторы делают бенчмарк и харнесс для оценки способностей моделей к такому программированию весов. Полные логи всех экспериментов выложены на GitHub. https://rikiyat.github.io/blog/weight-space-programming/

Открыть в Telegram
Просмотры19 373−7%к среднему
Пересылки1 282
Реакции543
Комментарии34
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч14 988
12 ч16 914
12 ч16 914
25 ч19 373
  1. Через 6 часов14 988
  2. Через 24 часа19 373
  3. Всего сейчас19 373

Все посты

Связи

Похожие каналы

Кто упоминает

Все упоминания

Кого упоминает