Откройте для себя качественные инструменты ИИ
Собирайте ведущие в мире инструменты искусственного интеллекта, чтобы помочь повысить эффективность работы
Статьи, опубликованные SamuelAdams
На Всемирной конференции по искусственному интеллекту 2026 года технический директор компании Galaxy General Robotics Ван Хэ предсказал, что в области воплощённого интеллекта до 2028 года будут достигнуты значительные прорывы, которые позволят достичь производительности на уровне ChatGPT. Будущие базовые модели, обученные на огромных массивах данных, смогут достигать 70–80 % успеха при решении нетренированных задач благодаря передовым методам предварительного обучения и эффективным парадигмам последующего обучения.
На Всемирной конференции по искусственному интеллекту 2026 года технический директор компании Galaxy General Robotics Ван Хэ предсказал, что в области воплощённого интеллекта до 2028 года будут достигнуты значительные прорывы, которые позволят достичь производительности на уровне ChatGPT. Будущие базовые модели, обученные на огромных массивах данных, смогут достигать 70–80 % успеха при решении нетренированных задач благодаря передовым методам предварительного обучения и эффективным парадигмам последующего обучения.
Лаборатория Microsoft Research AI Frontiers Lab выпустила серию моделей-агентов Fara1.5, предназначенных для автоматизации браузера. Модели, количество параметров которых достигает 27 миллиардов, работают в песочнице MagneticLite, используя цикл «наблюдение-анализ-действие» для выполнения веб-задач. В тестах на производительность версия с 27 миллиардами параметров достигла 72% успешности выполнения задач, превзойдя таких конкурентов, как OpenAI Operator. Модели обучены на разнообразных данных и оснащены функциями безопасности, которые приостанавливают работу при неясных задачах или проблемах с конфиденциальностью перед выполнением необратимых действий.
Лаборатория Microsoft Research AI Frontiers Lab выпустила серию моделей-агентов Fara1.5, предназначенных для автоматизации браузера. Модели, количество параметров которых достигает 27 миллиардов, работают в песочнице MagneticLite, используя цикл «наблюдение-анализ-действие» для выполнения веб-задач. В тестах на производительность версия с 27 миллиардами параметров достигла 72% успешности выполнения задач, превзойдя таких конкурентов, как OpenAI Operator. Модели обучены на разнообразных данных и оснащены функциями безопасности, которые приостанавливают работу при неясных задачах или проблемах с конфиденциальностью перед выполнением необратимых действий.
Компания OpenAI опубликовала исходный код своей модели «Privacy Filter» с 150 миллионами параметров на платформах Hugging Face и GitHub под лицензией Apache 2.0. Эта модель, основанная на методе MoE, использует глубокое понимание языка для анонимизации персональных данных в тексте, демонстрируя показатель F1 на уровне 97,43 в тестах, и поддерживает контексты длиной до 128 тысяч токенов для локального развертывания. Она способствует защите конфиденциальности в процессах разработки, однако не может служить альтернативой средствам обеспечения соответствия нормативным требованиям в сферах, требующих особого внимания к конфиденциальности.
Компания OpenAI опубликовала исходный код своей модели «Privacy Filter» с 150 миллионами параметров на платформах Hugging Face и GitHub под лицензией Apache 2.0. Эта модель, основанная на методе MoE, использует глубокое понимание языка для анонимизации персональных данных в тексте, демонстрируя показатель F1 на уровне 97,43 в тестах, и поддерживает контексты длиной до 128 тысяч токенов для локального развертывания. Она способствует защите конфиденциальности в процессах разработки, однако не может служить альтернативой средствам обеспечения соответствия нормативным требованиям в сферах, требующих особого внимания к конфиденциальности.
Крупномасштабное валидационное исследование с участием 246 человек показало, что потребительские смарт-часы являются высоконадежной платформой для оценки ключевых показателей походки, таких как скорость ходьбы и длина шага. Благодаря использованию новой модели глубокого обучения, смарт-часы, носимые на запястье, достигли точности, сопоставимой с методами на основе смартфонов. Это позволяет проводить практический непрерывный анализ походки вне лабораторных условий для мониторинга здоровья и оценки риска падений.
Крупномасштабное валидационное исследование с участием 246 человек показало, что потребительские смарт-часы являются высоконадежной платформой для оценки ключевых показателей походки, таких как скорость ходьбы и длина шага. Благодаря использованию новой модели глубокого обучения, смарт-часы, носимые на запястье, достигли точности, сопоставимой с методами на основе смартфонов. Это позволяет проводить практический непрерывный анализ походки вне лабораторных условий для мониторинга здоровья и оценки риска падений.
