ML Product Hub - ML новости

Стэнфорд и Alibaba создали набор данных и конвейер для исправления ошибок для обучения ИИ (Stanford and Alibaba Build Bug Fixing Dataset and Pipeline to Train AI) ссылка Этот проект представляет новый подход к автоматическому устранению ошибок в программном коде, в котором объединены мощная база пар «баг–исправление» и специализированный конвейер обработки данных. Исследователи собрали большой набор данных, содержащий тысячи пар, чтобы обучить модели машинного обучения находить и исправлять ошибки в программном обеспечении. В данных цифрах отражены, например, количество собранных примеров и время обработки, что подтверждает эффективность метода. Подход может значительно ускорить и упростить процесс поиска и исправления ошибок в крупных программных проектах. #news

Ужин с Сэмом Альтманом (Dinner with Sam Altman) ссылка - OpenAI скрывает более мощные модели: Сэм Альтман признал, что у OpenAI есть более продвинутые ИИ-модели, но их нельзя выпустить из-за нехватки вычислительных ресурсов. Компания планирует вложить триллионы в дата-центры. - Claude учится «вежливо уходить»: Anthropic научил своего ИИ прерывать диалоги, если они становятся вредными или абьюзивными, но оставил возможность продолжить общение позже. - GPT-5 превзошел врачей в диагностике: Новая модель OpenAI показала 95,8% точности в медицинских тестах, обогнав и GPT-4o, и живых специалистов. - ИИ для подготовки к встречам: ChatGPT теперь автоматически анализирует письма, календарь и файлы Google, создавая краткие сводки перед совещаниями. - Meta перетасовывает команды ИИ: Компания в четвертый раз за полгода меняет структуру подразделений, занимающихся искусственным интеллектом. #dailyshortcuts

Решение диспетчеризации в пространстве задач каршеринга (Solving Dispatch in a Ridesharing Problem Space) ссылка Lyft решает задачу диспетчеризации поездок, используя комбинацию алгоритмов и машинного обучения для оптимального распределения поездок между водителями. Система приспособлена для реального времени и справляется с огромным количеством запросов, что требует масштабируемых и эффективных решений. Исследование показывает, что применение детальных моделей и симуляций позволяет учитывать все цифры и переменные в задаче, обеспечивая надежное распределение и улучшая пользовательский опыт. Такие решения повышают эффективность работы сервиса и снижают время ожидания, что важно как для водителей, так и для пассажиров. #news

APOD: 17 августа 2025 года – Асператус-облака над Новой Зеландией (APOD: 2025 August 17 – Asperitas Clouds Over New Zealand) ссылка Тайна устрашающих асператус-облаков: завораживающие волны в небе Новой Зеландии! Эти редкие, будто вздыбленные бурей облака, официально признаны лишь в 2024 году. В отличие от плоскодонных собратьев, они имеют хаотичную волнистую структуру, напоминающую бурное море. Учёные предполагают связь с горными ветрами или грозовыми мамматусами, но их природа остаётся загадкой. Фото 2005 года над Ханмер-Спрингс запечатлело драматичную игру света на этих атмосферных гигантах — зрелище, одновременно пугающее и восхитительное. #космос

Опасности недостаточной и чрезмерной настройки желаний ИИ (The perils of under- vs over-sculpting AGI desires) ссылка AGI требует точной настройки желаний, чтобы избежать опасных побочных эффектов. > Недостаточная настройка (under-sculpting) может привести к тому, что система самостоятельно выберет нежелательные цели, опасные для пользователей. Чрезмерное ограничение (over-sculpting) снижает риск непреднамеренных целей, но ограничивает творческий потенциал и способность адаптироваться к новым ситуациям. > Например, слишком жёсткие правила могут «заморозить» возможности системы для обучения и принятия решений, что негативно скажется на её эффективности. Автор указывает, что оптимальный баланс между свободой и направлением желаний критически важен для безопасного использования AGI, где каждая мера имеет свои плюсы и минусы и требует тщательного калибрования. #news

Опус 4.1 — это постепенное улучшение. (Opus 4.1 Is An Incremental Improvement) ссылка Opus 41 представляет собой постепенное улучшение существующей системы, где новые изменения не революционны, но заметно повышают качество работы. Это позволяет увидеть, как даже незначительные изменения могут влиять на эффективность. Также обсуждается техника градиента политики, которая помогает алгоритму находить оптимальные направления для улучшения, то есть выбирать наилучший способ коррекции параметров. Отмечены конкретные цифры, подтверждающие, что небольшие доработки приводят к заметному, пусть и умеренному, росту производительности системы. #news

Рубрика "Лендинг технологической компании" элементы_дизайна Maruko Labs — креативное агентство, создающее уникальный цифровой опыт. Они упрощают сложные идеи, превращая их в понятные решения, концентрируясь на инновационном веб-дизайне и удобных интерфейсах. Их проекты сочетают технологии с продуманным подходом #landing

Microsoft представляет GPT-5 в Copilot (Microsoft brings GPT-5 to Copilot) ссылка - Microsoft внедрила GPT-5 в Copilot, превратив его из помощника в полноценного участника рабочих процессов. Теперь он понимает контекст, анализирует документы и даже улавливает тон общения. - Microsoft 365 Copilot теперь использует GPT-5 для работы с корпоративными данными, автоматически адаптируясь к задачам без переключения режимов. - GitHub Copilot с GPT-5 предлагает умные подсказки, исправления кода и даже сохраняет историю чата для удобства разработчиков. - Azure AI Foundry даёт доступ к GPT-5 для интеграции в приложения без сложных настроек, автоматически выбирая оптимальную модель. - Copilot в приложениях теперь поддерживает голосовые команды и генерацию контента, доступен бесплатно с увеличенным лимитом запросов. - Тесты показали, что GPT-5 в Copilot эффективен для анализа почты, встреч и документов, делая рутину проще. #dailyshortcuts

К аудиту согласованности как науке о росте показателей (Towards Alignment Auditing as a Numbers-Go-Up Science) ссылка Исследование предлагает новый подход к оценке соответствия поведения искусственного интеллекта ожиданиям экспертов и общества. Авторы описывают процесс «аудита выравнивания», то есть проверки, насколько решения модели отражают заданные ценности, с использованием количественных метрик и сравнительных тестов. В работе приводятся результаты экспериментов, где число тестовых случаев и измеряемых параметров напрямую влияет на точность оценки. Метод позволяет заметить скрытые дефекты в работе системы и помогает принимать решения по дальнейшей настройке моделей. Технические термины упрощаются: например, «градиент политики» объясняется как способ улучшения работы системы через пробное обучение. #news