VegaX – чат-бот без ограничений и ещё 6 новости

VegaX – чат-бот без ограничений

VegaX – это новый чат-бот с искусственным интеллектом, который призван предоставить пользователям свободу в общении. В отличие от многих стандартных ботов, он не накладывает жестких ограничений на темы и стили разговора.\r \r Бот адаптируется к стилю общения пользователя, запоминая предпочтения и настраиваясь на нужный тон. Разработчики подчеркивают, что VegaX уважает личные границы, избегая нежелательных форматов связи, например, телефонных звонков. Платформа позволяет вести беседу в комфортном для вас ключе, даже переходя от нейтральных тем к более откровенным.\r \r VegaX предлагает пользователям возможность общаться с виртуальными "AI-подругами", предлагая разнообразные личности и интересы для более реалистичного взаимодействия. При этом особое внимание уделяется конфиденциальности и безопасности переписки. Доступна бесплатная версия с ограничениями, а также платные подписки.

NVIDIA представляет Nemotron-3-Nano-30B в формате NVFP4

NVIDIA выпустила Nemotron-3-Nano-30B-A3B-NVFP4 модель для логических рассуждений с 30 миллиардами общих параметров (из них ~3.2–3.5 млрд активных на проход), работающую в 4-битном формате NVFP4. При этом точность практически не уступает базовой версии BF16 разрыв составляет менее 1% на ключевых бенчмарках.\r \r Модель сочетает гибридную архитектуру на основе Mamba-2, Transformer и механизма Mixture of Experts (MoE). Для квантования в NVFP4 применяется метод Quantization-Aware Distillation (QAD), который минимизирует KL-дивергенцию между выходными распределениями "учителя" (модели в BF16) и "ученика" (модели в NVFP4). Это позволяет добиться до 4-кратного увеличения пропускной способности (throughput) на GPU B200 архитектуры Blackwell.\r \r Согласно тестам, новая версия NVFP4 восстанавливает производительность до уровня BF16, сокращая разрыв всего до нескольких процентов в различных тестах на рассуждение и программировании.

Новые открытые модели ИИ: Arcee, LiquidAI и другие

Январь был относительно спокойным месяцем для новых открытых моделей, если сравнивать с рекордным 2025 годом. При этом индустрия ждет анонсов в ближайшее время, включая новую версию DeepSeek V4 с впечатляющими возможностями. \r \r Среди интересных новинок — модель LFM2.5-1.2B-Instruct от LiquidAI, которая по своим характеристикам приближается к Qwen3 1.7B (более чем в три раза меньше параметров чем 4B), при этом она более чем в три раза меньше. Разработчики также выпустили версии на японском языке, для работы с изображениями и аудио.\r \r Появилась и Trinity-Large-Preview от arcee-ai — ультра-разреженная MoE модель с 400 миллиардами параметров, а также Kimi-K2.5 от moonshotai, которая теперь умеет работать с изображениями. Также стоит отметить GLM-4.7-Flash и K2-Think-V2 от zai-org и LLM360 соответственно.\r \r В целом, экосистема открытых моделей продолжает развиваться и предлагает решения для самых разных задач — от распознавания текста до генерации музыки.

Snowflake и OpenAI объединили усилия для работы с корпоративными данными

Snowflake и OpenAI объявили о многолетнем партнерстве на сумму 200 миллионов долларов, цель которого - сделать возможности OpenAI более доступными для сценариев работы с корпоративными данными в Snowflake. В рамках сотрудничества модели OpenAI будут глубже интегрированы в продукты Snowflake, включая Snowflake Cortex AI и Snowflake Intelligence.\r \r Это позволит компаниям создавать приложения и AI-агентов для работы с данными, автоматизировать часть аналитических и операционных процессов и получать инсайты на основе данных, оставаясь в управляемом контуре Snowflake с учетом требований безопасности и governance. Корректнее говорить так, чем утверждать, что данные "вообще никуда не уходят" - детали зависят от конкретной конфигурации и условий использования.\r \r Часть возможностей уже доступна, а новые функции и расширения будут разворачиваться по мере совместной разработки. Конкретные сроки для будущих обновлений публично не уточнялись.

Новая теория для KAN: оптимизация 1/T, обобщение 1/n

Сети Kolmogorov-Arnold (KAN) недавно предложены как более структурированная альтернатива стандартным MLP, при этом теоретическое понимание их динамики обучения, обобщения и приватности оставалось ограниченным. Новое исследование анализирует градиентный спуск (GD) для обучения двухслойных KAN и выводит общие оценки, описывающие динамику обучения, обобщение и полезность в режиме дифференциальной приватности (DP).\r \r Далее авторы рассматривают конкретизацию: логистическая функция потерь при предположении NTK-separable. В этих условиях показано, что полилогарифмическая ширина сети достаточна, чтобы GD достигал скорости оптимизации порядка 1/T и скорости обобщения порядка 1/n, где T - число итераций GD, n - размер выборки.\r \r В приватном режиме исследователи характеризуют уровень шума, необходимый для (ε,δ)-дифференциальной приватности, и получают оценку полезности порядка sqrt(d)/(nε), где d - размерность входа. В тексте работы заявлено, что этот порядок соответствует классическим нижним границам для общих выпуклых липшицевых задач (DP-ERM).\r \r Также делается вывод, что при дифференциальной приватности полилогарифмическая ширина является не только достаточной, но и необходимой, что подчеркивает различие между непубличным режимом (достаточность) и приватным (появляется необходимость).

Марсоход Perseverance проехал по Красной планете, используя ИИ

Марсоход Perseverance впервые в истории совершил поездку по Марсу, маршрут для которой был спланирован искусственным интеллектом, а не операторами на Земле. ИИ, способный анализировать изображения и данные о местности, самостоятельно определил безопасный путь, учитывая такие препятствия, как камни и песчаные волны.\r \r Перед этим система была тщательно протестирована в виртуальной среде. Марсоход успешно проследовал по маршрутам, сгенерированным ИИ, преодолев несколько сотен футов автономно. Это стало важным шагом на пути к более независимой работе аппарата на Марсе.\r \r Разработчики NASA надеются, что использование ИИ позволит Perseverance преодолевать большие расстояния и исследовать более сложные участки планеты. Это повысит эффективность миссии и позволит ученым получить больше данных о Красной планете.

UA-DBO: AI-метод оптимизации аэродинамики

Новый подход к оптимизации формы объектов, например, для улучшения аэродинамических характеристик, использует предварительно обученную модель для быстрых оценок. Однако, точность такой модели напрямую зависит от качества данных, на которых она обучалась. Неизвестные ранее данные могут приводить к ошибкам и сбивать процесс оптимизации.\r \r Предложенный метод, названный UA-DBO, отслеживает и минимизирует неопределенность модели во время оптимизации. Он использует вероятностную модель “кодировщик-декодировщик”, которая оценивает возможные погрешности своих предсказаний. Эти оценки затем используются для корректировки целевой функции, чтобы “штрафовать” образцы с высокой вероятностью ошибок.\r \r Испытания на задачах оптимизации профилей крыла показали, что UA-DBO снижает количество ошибок в конечных результатах и дает лучшие улучшения по сравнению с обычной оптимизацией на основе данных. При этом скорость работы нового метода значительно выше, чем при использовании полных вычислительных симуляций.