Machinelearning

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

без подписи

📌 OpenAI впервые опубликовала статистику использования ChatGPT по странам Статистика опубликована на Signals - площадке экономической исследовательской группы компании и охватывает второй квартал 2026 года. В выборку вошли только аккаунты подписок Free, Go, Plus и Pro, корпоративные подписки не учитывались. 🟡Главный вывод В рабочем контексте люди вдвое чаще просят ChatGPT что-то сделать (написать текст, код, провести анализ), чем вне работы. За пределами офисов по-прежнему преобладают вопросы и поиск информации. OpenAI описывает это как сдвиг "от вопросов к действиям". 🟡Разрыв между странами сокращается По подсчётам компании, во втором квартале Латинская Америка, Африка и Океания росли быстрее остального мира, сильнее всего в рейтинге сообщений на душу населения поднялись Перу, Уругвай и Коста-Рика. Северная Америка и Европа тоже растут, но медленнее. 🟡Типы контента Быстрее всего набирает вес работа с изображениями и другим мультимедийным контентом. После выхода ChatGPT Images 2.0 в апреле доля таких запросов по всему миру достигла 7,8%. В Бразилии и Колумбии на них приходится больше каждого десятого сообщения. 🟡Возрастной состав Доля сообщений от пользователей старше 35 лет за год выросла почти во всех странах - в среднем на 5%, а во Франции и Чехии больше чем на 10 процентных пунктов. В Юго-Восточной Азии рост слабее - в шести из восьми стран региона доля этой группы увеличилась незначительно, а в Сингапуре зафиксирована обратная динамика. OpenAI утверждает, что ChatGPT пользуются больше миллиарда человек, и адресует новые данные исследователям и регуляторам. С методикой можно ознакомится тут, а данные приведенной статистики можно загрузить здесь. @ai_machinelearning_big_data #AI #ML #Research #ChatGPT #OpenAI

⚡️ Qwen выпустил мультимодальный tool layer для AI-агентов Идея в том, чтобы мультимодальные возможности подключались к агенту как набор инструментов, а не были жёстко зашиты в конкретную модель. Агент, запущенный внутри Claude Code, Codex, Qwen Code, Gemini CLI или другого harness, может сам обнаружить нужный capability, вызвать его и встроить результат в более длинный workflow. GitHub-репозиторий при этом устроен как коллекция отдельных plugins/capabilities. Например, базовый плагин даёт агенту инструменты вроде: - read_image - read_video - visualize - OCR - object grounding - segmentation - speech transcription - cropping То есть вместо схемы: агент → одна мультимодальная модель получается: агент → набор специализированных multimodal tools → цепочка действий Например, агент может: 1. прочитать изображение; 2. найти нужный объект; 3. вырезать конкретную область; 4. прогнать OCR; 5. сопоставить результат с видео; 6. транскрибировать аудио; 7. собрать всё в единый ответ. https://github.com/QwenLM/Qwen-MM-Plugins #AI #Qwen #Agents #Multimodal #ClaudeCode #Codex

✔️ Kimi поймали на следах Claude: модель могла обучаться на его скрытых рассуждениях Исследователи нашли способ восстанавливать зашифрованные reasoning-блоки закрытых моделей и решили проверить, помнят ли другие LLM эти скрытые цепочки. Самая сильная аномалия оказалась у Kimi-K3. Если дать Kimi начало конкретного рассуждения Claude, модель продолжает его намного точнее, чем другие LLM. В некоторых тестах разница доходила примерно до шести порядков. На примере с Opus 4.8 это видно особенно хорошо: Kimi получает несколько первых токенов скрытого reasoning и дальше идёт почти по той же логике решения. Без этой подсказки рассуждает иначе. Исследователи сначала восстановили скрытые reasoning-трассы Claude Opus 4.8 и GPT-5.6 Sol, а затем подставили первые токены этих цепочек в Kimi. Иногда хватало меньше 1% исходного reasoning, чтобы Kimi начинал рассуждать заметно ближе к Opus или Sol, а финальный ответ тоже смещался в ту же сторону. Дальше выяснилось, что конкретные фрагменты reasoning Claude и GPT извлекались из Kimi примерно на шесть порядков легче, чем из большинства других открытых моделей. Но это всё ещё не прямое доказательство дистилляции, но сигнал выглядит очень сильным. Это ещё не доказательство того, что Moonshot напрямую использовала приватные данные Claude. Но выглядит так, будто Kimi могла видеть похожие скрытые траектории во время обучения. Модель могла перенять сам способ решения задач. https://x.com/kotekjedi_ml/status/2087147093735714919 #AI #Kimi #Claude #LLM

без подписи

без подписи

без подписи

без подписи