Microsoft Orchard: почему среда обучения стала частью ИИ-агента
Microsoft Orchard — не новая LLM, а framework, в котором среда, harness, данные и механизм выбора ответа образуют один агентный контур. В статье разбираем,...
Открыть материал →
Исследования ИИ: технологии, модели и бенчмарки
133 материаловГлубокие исследования искусственного интеллекта: разборы papers, моделей, бенчмарков, безопасности, регулирования и механизмов работы.
AI Index 2026: почему рост бенчмарков ещё не означает надёжный ИИ
Stanford AI Index 2026 фиксирует быстрый рост бенчмарков, но не подтверждает единую траекторию к надёжному «общему» ИИ. Разбираем мартовские snapshot-данные, августовские обновления ClockBench и...
Открыть материал →
AI Act и маркировка контента: что реально изменилось 2 августа 2026 года
С 2 августа 2026 года Article 50 AI Act применяется, но он не требует видимой плашки на любом AI-материале. Разбираем обязанности provider и deployer,...
Открыть материал →
Поддержка клиентов +14%? Что на самом деле показала Generative AI at Work
Известная история про «+14% в поддержке клиентов» оказалась чуть сложнее: в ранней рабочей версии — около 14%, в публикации QJE 2025 — около 15%....
Открыть материал →
«GPTs are GPTs»: сколько работы затронет ИИ и что реально измеряла статья
Разбираем статью Eloundou et al. о влиянии LLM на рынок труда США: что означает exposure, откуда взялись оценки 80% и 19%, и почему это...
Открыть материал →
DeepSeek-V3: что стоит за «фронтиром за 5,6 млн долларов»
Исторический разбор DeepSeek-V3 конца 2024 года: что означают 671B/37B, откуда взялась цифра $5.576M, какие инженерные решения дали выигрыш и где заканчивается этот нарратив.
Открыть материал →
Jamba и гибриды SSM+attention: разбор архитектуры AI21 образца 2024 года
Разбираем paper Jamba от AI21 от 28 марта 2024 года: зачем смешивать Mamba, attention и MoE, что показали бенчмарки, где архитектура выигрывает и в...
Открыть материал →
Полностью открытые: что показали OLMo 2 и датасет Dolma
Разбираем, как AI2 связала открытый корпус Dolma, двухэтапное обучение OLMo 2 и публикацию всех артефактов — от данных и кода до чекпойнтов — и...
Открыть материал →
Sycophancy: почему ИИ поддакивает — разбор линии Anthropic 2023–2024
Исторический разбор работ Anthropic 2023–2024 о sycophancy: как RLHF и preference models подталкивают LLM соглашаться с пользователем даже тогда, когда это ухудшает правдивость ответа.
Открыть материал →
Speculative decoding, Medusa и EAGLE: как ускоряют вывод LLM
Обзор трёх линий ускорения вывода LLM из окна 2023–2024: классического speculative decoding, Medusa и EAGLE. Разбираем механику, цифры, гарантии точности и реальные ограничения.
Открыть материал →