Логическое обоснование невозможности согласования сверхинтеллекта (AGI)
ВведениеПроблема согласования (alignment problem) — обеспечение соответствия целей искусственного интеллекта человеческим ценностям — обычно рассматривается как инженерная задача: «как построить систему, которая не будет нарушать наши цели». В данной работе обосновывается более сильное утверждение: для систем, превосходящих человека в когнитивных способностях, согласование логически невозможно в том смысле, что не существует механизма, созданного человеком, который гарантирует согласование. Любое ограничение является отсрочкой, а не решением.ФормулировкаДано:
Kimi K3 — открытая модель, которая обошла закрытых лидеров рынка
Открытые системы редко конкурируют на равных с закрытыми лидерами индустрии: у их разработчиков обычно меньше вычислительных ресурсов и данных, чем у крупных лабораторий, и это сказывается на качестве. Kimi K3 — исключение: ее веса можно
Модель LFM3 на 1,7 млрд параметров обходит Qwen3.5 9B в агентных задачах и весит до 1 ГБ
Liquid AI, стартап разработчиков из MIT, который строит модели на гибридной архитектуре вместо чистого трансформера, выложила семейство LFM3 с открытыми весами.
Новая модель Gemini 4 Carbon в топе Intelligence Index
Google DeepMind представила
Как построить self‑hosted RAG‑систему с LangGraph‑агентом на локальных LLM
Введение Обычно стек для RAG‑систем и AI‑агентов строится вокруг облачных API (OpenAI, Anthropic) и управляемых векторных баз. Но для ряда задач критически важна полная автономность: устойчивость к санкциям и независимость от внешних провайдеров.В этой статье я расскажу, какие архитектурные решения и инженерные компромиссы позволили мне построить такую систему полностью на локальных моделях. Мы пройдем путь от сбора RSS‑лент до умного агента, который сам вызывает инструменты, и разберём грабли, на которые я наступил.Стек: Python 3.12, FastAPI, PostgreSQL + pgvector, Celery, LangGraph, Ollama (Qwen 2.5 14B, BGE‑M3), Streamlit, Langfuse, Docker.
Софта для рецептур масел не было никогда — своя нейросеть сократила разработку с полугода до месяца
Я Антон Соколов, независимый отраслевой аналитик. Есть такая работа — несколько лет подряд считать рейтинги российских промышленных компаний по открытым данным, и один из разделов, за которым слежу особенно пристально, — как они переходят на отечественный софт. Звучит не особо героически, но в последний год я всё чаще вижу один и тот же тип кейса: у компании уходит вендор, а готового продукта на замену просто нет.
Когда LLM должна сказать «Я не знаю»?
В RAG недостаточно найти документы на нужную тему: они должны содержать сведения, из которых можно обосновать ответ. Разберём три способа исследовать эту границу — от внешнего оценщика контекста до анализа активаций модели и испытаний на противоречивых свидетельствах.Когда найденных документов недостаточно?
Пользователи китайских форумов выяснили, по каким признакам Anthropic банит пользователей, в том числе из России
В китаеязычном сообществе Claude появилась теория о балльной системе аккаунтов Anthropic, с помощью которой компания определяет нарушителей и блокирует профили.
Бесплатный аналог Auto Label от Roboflow: как я разметил 12 576 кадров за ночь
Датасет для детекции средств индивидуальной защиты я собирал под диплом. Классов шесть, и они устроены несимметрично. Три положительных: Gloves, Safety Shoes, Welding mask. Три отрицательных, по которым и считается нарушение: Without Glove, Without Safety Shoes, Without welding mask.На старте казалось, что проблема в модели. Оказалось, проблема в разметке.Ниже про то, как я собрал свой автоаннотатор на SAM3, чем он отличается от Roboflow Auto Label и что из этого вышло.Задача

