Аналитика Telegram-канала
Подписчики
657
Охват за 24 ч
274
ER за 24 ч
41,70%
Публикаций
1 304

Динамика подписчиков

7 дней 30 дней 6 месяцев Больше
16 ноя19 ноя22 ноя
Показаны последние 7 дней Больше истории →

Охваты публикаций

19.1119.1119.1120.1121.1121.11
122
Средний охват
236
Лучший результат
Показаны 6 публикаций — последние в канале Больше статистики →

Упоминания

26
Упоминаний
9
Из них репостов
24
Каналов
Все упоминания

Последние посты

3 из 1 304 2 из 1 304
Фото
🚨 ГИПОТЕЗА РИМАНА ОФИЦИАЛЬНО ПРОШЛА ПРОВЕРКУ LEAN. МАТЕМАТИКИ ПОДТВЕРДИЛИ ДОКАЗАТЕЛЬСТВО CLAUDE Сообщество Lean и Mathlib опубликовало совместное заявление о доказательстве Левента Альпёге, представленного 20 ноября. Напомним: математик Anthropic опубликовал доказательство гипотезы Римана в виде библиотеки Lean объёмом 17 миллионов строк кода. За последние сутки участники сообществ провели масштабную проверку. Проверили четыре ключевых условия: 1. Формулировка действительно соответствует гипотезе Римана, а не похожему утверждению. 2. Библиотека компилируется без ошибок. 3. Доказательство подтверждает именно утверждение Mathlib RiemannHypothesis. 4. Формальное доказательство проходит проверку несколькими независимыми proof-checker'ами, включая ядро Lean. В проверке участвовали десятки разработчиков и математиков. Результаты воспроизводились независимо. В совместном заявлении говорится: «Мы полностью уверены в корректности доказательства гипотезы Римана, представленного Альпёге». Это уже принципиально новый этап истории. Речь идёт не просто о заявлении математика или убедительном ответе нейросети: доказательство прошло формальную машинную проверку. При этом теперь предстоит ещё одна важная работа: математическому сообществу нужно разобраться в самих идеях и объяснить новые результаты. 167 лет одна из главных задач математики оставалась открытой. Теперь её доказательство получило официальное подтверждение сообщества Lean и Mathlib. Полное заявление: https://leanprover-community.github.io/blog/posts/riemann-hypothesis/
ещё
50 4 21 ноя, 22:19
Фото
Thinking Machines Lab представила Inkling 2 Mini — компактную открытую модель с необычной архитектурой, которая способна конкурировать с гораздо более крупными LLM в программировании и агентных задачах. Inkling 2 Mini — мультимодальная MoE-модель с 26,4 млрд параметров, из которых активируются только 3,4 млрд. Благодаря особой архитектуре эффективное количество активаций весов на токен составляет 5,4 млрд. Модель поддерживает текст и изображения, контекстное окно до 1 млн токенов и занимает около 20 ГБ памяти, что позволяет запускать её локально даже на ноутбуках. Главная архитектурная особенность — Looped Transformer, в котором одни и те же слои выполняются несколько раз. Модель содержит 24 слоя, разделённых на четыре блока. Два центральных блока по шесть слоёв проходят три итерации, тогда как первый и последний выполняются однократно. Таким образом, 24 физических слоя обеспечивают 48 последовательных применений слоёв на каждый токен. Это позволяет модели выполнять больше внутренних вычислений без увеличения количества параметров и сокращать объём генерируемых рассуждений. Для повышения эффективности разработчики использовали нативную низкобитную точность: 20 слоёв работают в NVFP4, а последние четыре — в MXFP8. Причём модель обучалась непосредственно в этих форматах, поэтому не теряет качество из-за последующей квантизации. Дополнительно в процессе обучения были удалены две трети экспертов, а оставшиеся прошли восстановительное обучение на триллионе токенов, полученных дистилляцией более крупной модели. Результаты бенчмарков выглядят особенно впечатляюще для модели такого размера. В DeepSWE v1.1 Inkling 2 Mini набрала 48,2% против 42,2% у Qwen3.8-27B, в SWE-bench Pro v2 Hard — 77,9% против 73,8%, а в SWE-bench Verified — 79,2% против 77,8%. В Terminal-Bench 2.1 ситуация обратная: 71,6% против 73,0% у Qwen. На Vibe Code Bench модель показала 77,9%, заметно опередив Qwen с 64,9%. Inkling 2 Mini хорошо показывает себя в задачах агентного поиска и работы с инструментами. В BrowseComp модель достигла 79,0%, в DeepSearchQA — 85,3%, а в MCP Atlas — 82,7%. Это существенно выше результатов большинства сопоставимых открытых моделей. При этом по совокупному AA Index v5.0 Inkling 2 Mini набирает 20,1 балла, разделяя первое место среди представленных конкурентов с Qwen3.8-27B. Отдельное внимание разработчики уделили исследованию того, как циклическая архитектура влияет на рассуждения модели. В экспериментальной версии с переменным количеством итераций увеличение числа проходов с одного до трёх повысило способность решать задачи без явного Chain-of-Thought: временной горизонт таких задач вырос с 16 до 37 секунд по методике Think Fast. При этом дополнительные проходы значительно сокращают текстовые рассуждения. В эксперименте на GPQA Diamond переход от одной итерации к пяти уменьшил среднюю длину рассуждений с 3703 до 1661 токена без заметного ухудшения их читаемости. Это интересный результат: модель выполняет больше вычислений внутри нейросети, но тратит меньше токенов на формулирование промежуточных шагов. Впрочем, у модели есть ограничения. Она уступает Qwen3.8-27B в многоходовых диалогах и выполнении инструкций с большим количеством ограничений. Дополнительные вычисления также не увеличивают объём фактических знаний, поэтому на задачах, требующих воспроизведения информации без внешних инструментов, преимущества архитектуры заметно меньше. Inkling 2 Mini распространяется с открытыми весами под лицензией Apache 2.0. Модель доступна на Hugging Face и через платформу Tinker, а для локального запуска поддерживаются Ollama, llama.cpp, vLLM, SGLang и другие решения. Разработчики официально поддерживают запуск на устройствах Apple Silicon с 32 ГБ памяти и рекомендуют не менее 32 ГБ VRAM для других GPU.
ещё
126 7 21 ноя, 04:50
Видео
Ideogram представила модель генерации и редактирования изображений Ideogram 4.6, главным акцентом которой стал точечный контроль над деталями при последовательном многошаговом редактировании и нативное разрешение до 4K. Новинка заняла первое место в рейтинге многошагового редактирования Rapidata Multi-step Image Edit с результатом 1892 балла, обогнав предыдущую версию 4.5, Seedream 5.5 и FLUX 3 Image. Ключевая особенность модели заключается в минимальном искажении пикселей за пределами изменяемой области, что позволяет шаг за шагом менять цвета, материалы, одежду персонажей, окружение или исправлять мелкие дефекты на фото товаров, сохраняя исходную композицию. По сравнению с версией 4.5 модель значительно повысила долю пригодных к использованию результатов в коммерческих сценариях. Точность перекрашивания объектов по заданному HEX-коду выросла с 46% до 83%, успешность исправления мелких дефектов на продуктовых снимках увеличилась с 61% до 86%, а стайлинг и смена этикеток товаров достигли 88% против 66% ранее. Узнаваемость персонажей при переносе в новые сцены выросла с 69% до 85%, а точность редактирования по маске поднялась с 82% до 90%. Кроме того, Ideogram 4.6 генерирует изображения из текста в нативном разрешении 4K без использования апскейлинга, за счет чего избавляется от характерного «пластикового» эффекта ИИ и прорабатывает естественную текстуру кожи, пор и тканей. Модель уже доступна как в веб-приложении, так и через API в четырех режимах качества: Very low, Low, Medium и High, при этом самый бюджетный режим ограничен разрешением 2K. Стоимость генерации через API варьируется от $0,008 за изображение в минимальном качестве до $0,20 за нативное 4K в высоком качестве, тогда как точечное редактирование обойдется от $0,008 до $0,60 за кадр, а готовые результаты разрешено использовать в коммерческих целях согласно условиям сервиса.
ещё
3 0 20 ноя, 04:05
Больше постов

Продолжить анализ этого канала

  • История роста подписчиков
  • Просмотры и охваты публикаций
  • Кто упоминает канал и кого упоминает он
  • Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней