В последнее время в мире искусственного интеллекта произошло несколько ключевых событий — от выпуска мощной открытой модели, через предупреждения о рисках безопасности популярного протокола, до принятия комплексного регулирования в Калифорнии.

Ling-1T: Революция в обучении, а не в архитектуре

  • Компания Ant Group представила огромную открытую модель Ling-1T с одним триллионом параметров.
  • В отличие от конкурентов ей не нужен специальный «режим мышления». Его способность рассуждать напрямую встроена в мгновенный ответ благодаря интенсивному обучению на данных, содержащих цепочки рассуждений.
  • В тестах модель превзошла модели, такие как GPT-5 и Gemini 2.5 Pro, в 22 из 31 бенчмарка, особенно в математике и логическом мышлении.
  • Модель доступна для бесплатной загрузки по лицензии MIT, что стирает грань между открытыми и коммерческими моделями.

 

Предупреждение экспертов: протокол MCP скрывает серьезные угрозы безопасности

  • Новое исследование предупреждает об экспоненциальном росте угроз безопасности в системах, использующих протокол контекста модели (MCP).
  • Проблема заключается в так называемом композиционном риске: уязвимость быстро растет с каждым добавленным сервером MCP. Всего два сервера означают риск 36%, а при 10 серверах он приближается к 92%.
  • Взломщики могут использовать серверы, принимающие данные из ненадежных источников, для выполнения несанкционированных команд, таких как запуск кода.

Калифорния показывает путь: первое комплексное регулирование ИИ в США

  • В ответ на отсутствие федеральных законов Калифорния приняла пакет четырех прорывных постановлений.
  • SB 53 возлагает на создателей самых мощных моделей обязанность публиковать протоколы безопасности.
  • SB 243 защищает несовершеннолетних от вредного влияния чат-ботов.
  • AB 316 устанавливает, что юридическая ответственность за ущерб всегда несет компания, а не автономный ИИ.
  • AB 853 требует четкой маркировки контента, сгенерированного ИИ.
  • Законы вызвали смешанные реакции; некоторые компании их приветствуют, другие предупреждают о фрагментации правил.

Ученые обнаружили более эффективный путь: лучшие промпты заменяют дорогое обучение

  • Команда исследователей представила алгоритм GEPA», который значительно улучшает возможности агентов ИИ. Алгоритм GEPA автоматически улучшает промпты агента ИИ посредством итеративной эволюции. LLM анализирует ошибки агента, а затем пересматривает промпты для исправления этих конкретных ошибок. Многократно тестируя и выбирая наиболее эффективные промпты, он повышает производительность более эффективно, чем переобучение самого модели.
  • Вместо сложной настройки модели (fine-tuning) автоматически генерирует и оптимизирует инструкции (промпты) на основе анализа ошибок агента.
  • Этот метод достиг лучших результатов, чем классическое обучение, и при этом был в 35 раз более экономичным в использовании вычислительных ресурсов.
  • Это идеальное решение для ситуаций с ограниченными данными или вычислительной мощностью.

Data Points – DeepLearning.AI от Эндрю Нга / gnews.cz – GH