Машинное обучение RU

ИИ-агент умеет отвечать на другом языке. Но сможет ли он на нём работать? Команда Qwen представила BabelArena – бенчмарк для проверки агентов на 23 языках и задачах из 13 предметных областей. Переводят не только запрос пользователя, но и инструкции, описания инструментов и содержимое рабочей среды. Это позволяет сравнивать выполнение одинаковых задач на разных языках. Выводы исследования: - Единого лидера нет: разные модели сильнее в разных группах задач. - На языках с небольшим объёмом обучающих данных чаще возникают ошибки вызова инструментов и последовательности действий. - Объём входных токенов может быть примерно вдвое выше, чем на английском, без сопоставимого роста числа шагов. - В задачах со структурированным выводом агенты чаще сбиваются с выбранного языка, преимущественно переходя на английский. https://arxiv.org/abs/2609.23490 https://github.com/QwenLM/BabelArena

📌 EPFL показала имплантируемый чип, который следит за связью между участками мозга Лаборатория нейротехнологий Федеральной политехнической школы Лозанны под руководством Махсы Шоаран сделала LogSync, имплантируемый чип размером примерно 4 на 2 мм, который целиком держит на себе машинное обучение. Он записывает активность мозга, считает силу ритмов и согласованность сигналов между его областями, по этим признакам различает состояния внимания и эмоционального возбуждения и сам выдаёт команду на стимуляцию, когда распознал нужное состояние. Весь этот путь, от анализа связей между областями до классификации, укладывается в один кристалл и меньше 200 микроватт. Добились этого переводом вычислений в логарифмический вид, который упрощает нужные операции, причём алгоритмы и схему разрабатывали сразу с оглядкой на ограничения имплантата. Такой чип нужен для глубокой стимуляции мозга при психиатрических расстройствах. Большинство приборов работает по заранее заданным настройкам, без обратной связи, а те, что подстраиваются, обычно опираются на сигнал одного участка. Шоаран исходит из того, что психиатрические расстройства связаны скорее со сбоями в связности между областями мозга, поэтому классификатор смотрит именно на их согласованность. Проверка чипа прошла успешно на двух материалах - на записях мозга людей из прежних психиатрических экспериментов и на крысах в Университете Миннесоты. В людей чип пока не вживляли, поэтому реальной точности распознавания и задержки EPFL не приводит. Модельную часть лаборатория развивает отдельно. На ICML 2026 Шоаран представил RECTOR, способ самообучения на записях ЭЭГ и внутричерепной ЭЭГ, где модель учится на замаскированных фрагментах сразу по трём осям - областям мозга, каналам и времени. В работе заявляют лучшие результаты в распознавании эмоций и вовлечённости, а также устойчивость к потере отдельных каналов, но конкретных цифр в аннотации нет. @ai_machinelearning_big_data #news #ai #ml

🌟 Inclusion AI предложила метод спекулятивного декодирования с параллельной сборкой дерева черновиков Метод UBTree ускоряет вывод больших языковых моделей. Спекулятивное декодирование поручает черновик небольшой модели, а целевая проверяет сразу несколько предложенных токенов одним проходом и принимает их до первой ошибки. UBTree относится к той же семье параллельных драфтеров, что DFlash и DSpark, и закрывает их недостаток - они предлагают весь блок токенов одновременно и потому работают быстро, но на размытых распределениях целевой модели, где несколько продолжений близки по вероятности, угадывают хуже. Черновик в UBTree собирается двумя параллельными проходами: 🟢первый делает модель DFlash, которая подбирает по 64 варианта токена на каждую из шестнадцати позиций блока, причём каждую позицию считает независимо от соседних; 🟢биграммный селектор оценивает, насколько один вариант годится в продолжение другому: пару соседей он прогоняет через два небольших перцептрона поверх замороженных эмбеддингов целевой модели, отдельно для предшественника и для последователя, и добавляет полученную оценку к оценке DFlash с весом, зависящим от глубины. Все пары считаются одновременно, из оценок переходов набирается дерево на 64 узла, и целевая модель проверяет его целиком за один проход. Селектор обучали на откликах, перегенерированных при высокой температуре, с перенормированной KL-функцией потерь - так в разметку попадают не только самые вероятные продолжения, но и правдоподобные альтернативы, за счёт которых дерево чаще совпадает с выбором целевой модели. Вместе с методом выложены две черновые модели - Ling3-Tiny-UBTree на 183 млн параметров работает в паре с Ling-3.0-tiny (8 млрд параметров, 1 млрд активных), Ling3-Flash-UBTree на 482 млн - с Ling-3.0-flash (124 млрд, 5 млрд активных). Они ничего не генерируют и нужны только как драфтеры к своей целевой модели. 🟡 Тесты На семи тестах, от GSM8K и AIME до LiveCodeBench и MT-Bench, UBTree даёт среднее ускорение 6,88× … Читать полностью →

Kandinsky Avatar 1.0: открытая модель для генерации говорящих видеоаватаров Сбер опубликовал в открытом доступе Kandinsky Avatar 1.0 — семейство ИИ-моделей, которое позволяет создавать реалистичных цифровых собеседников по изображению и аудиозаписи. Для генерации нужны фото, запись голоса и короткое описание сцены. Модель синхронизирует артикуляцию с речью, добавляет мимику, движения головы и жесты. Основные возможности: Видео до 60 секунд с частотой 24 кадра в секунду. Поддержка разных языков — обучение проходило на более чем 1 млн видеофрагментов на 95 языках. Версия Pro — генерация в HD с качеством, сопоставимым с HeyGen IV, по оценке разработчиков. Версия Lite — создание роликов в SD с возможностью запуска на домашней видеокарте. Сбер открыл модели для разработчиков, включая коммерческое использование. На их основе можно создавать виртуальных консультантов, образовательные сервисы, инструменты локализации и приложения для генерации видеоконтента. По заявлению компании, Kandinsky Avatar 1.0 — первая полностью российская модель для создания реалистичных цифровых собеседников. https://huggingface.co/kandinskylab/Kandinsky-S2V-1.0-Pro-distill-Diffusers

ИИ перевёл 7500 страниц высшей математики в 16 миллионов строк кода Компания Axiom сообщила о формализации Stacks Project, одной из крупнейших энциклопедий по алгебраической геометрии, на языке Lean. Масштаб впечатляет: около 7500 страниц математических определений, лемм и теорем превратились примерно в 16 миллионов строк кода, пригодного для машинной проверки. Особенность проекта в том, что математические утверждения связаны между собой. Можно проследить зависимости теорем, изучить их доказательства и использовать готовые результаты для новых исследований. Axiom даже представила библиотеку как интерактивный «математический город» с картой теорем и графами зависимостей. Неделей ранее, 26 октября, компания объявила о формализации классификации конечных простых групп. На эту работу ушло 43,1 млн строк Lean, созданных при участии десятков ИИ-агентов за 24 дня. В перспективе такие библиотеки позволят ИИ-агентам строить новые доказательства на базе уже проверенных математических результатов, а Lean сможет проверять их логическую корректность. https://x.com/axiommathai/status/2118028834515874112