# Сопутствующие статьи по теме Эффективность

Новостной центр HTX предлагает последние статьи и углубленный анализ по "Эффективность", охватывающие рыночные тренды, новости проектов, развитие технологий и политику регулирования в криптоиндустрии.

Apple заново изобретает сжатие изображений с помощью ИИ: такое же качество, но файл в три раза меньше

В феврале 2025 года группа JPEG утвердила новый международный стандарт JPEG AI — первый полностью обучаемый кодек для сжатия изображений. Однако даже он не решает ключевую проблему — оптимизацию под человеческое восприятие (перцептивное сжатие), а фокусируется на математических метриках, таких как PSNR. Компания Apple представила ответ на этот вызов — кодек PICO (Perceptual Image Codec). Его цель — не улучшение численных показателей, а прямое улучшение визуального качества для человеческого глаза. Команда решила три основные проблемы: 1. **Скорость энтропийного кодирования:** Вместо медленного авторегрессивного подхода PICO использует «одношаговую контекстную модель» для параллельных вычислений, сохраняя точность без потери скорости. 2. **Артефакты и «галлюцинации» ИИ:** При перцептивном обучении с использованием GAN часто искажаются критически важные детали, например, текст. PICO вводит специальную функцию потерь TextFidelityLoss, которая строго сохраняет точность в текстовых областях, снижая ошибки наполовину. 3. **Границы между фрагментами изображения (тайлами):** Для работы на мобильных чипах изображение обрабатывается частями. PICO применяет TilingArtifactLoss, чтобы устранить видимые цветовые различия на стыках этих фрагментов. Результаты масштабного слепого тестирования (74 925 сравнений) показали, что при одинаковом визуальном качестве PICO создаёт файлы в 2–3 раза меньше (на 30–43%), чем современные стандарты (AV1, VVC, JPEG AI). На iPhone 17 Pro Max кодирование 12-мегапиксельного фото занимает 230 мс, декодирование — 150 мс. При этом PICO намеренно жертвует высокими баллами в PSNR, что подтверждает его ориентацию на восприятие, а не на математику. Хотя для синтетических изображений (мультфильмы, схемы) традиционные кодеки остаются эффективнее, PICO знаменует поворотный момент — первое системное решение для перцептивного сжатия, реализуемое на мобильном устройстве в реальном времени.

marsbit05/30 02:48

Apple заново изобретает сжатие изображений с помощью ИИ: такое же качество, но файл в три раза меньше

marsbit05/30 02:48

Альма-матер 'Цинхуа' выпускник 00-х Ван Гуан представил новую работу: разрушение парадигмы предобучения Transformer с использованием 1/900 токенов и 1/432 вычислительной мощности

Новая работа выпускника Университета Цинхуа, Ван Гуана (р. 2000), предлагает альтернативу дорогому и ресурсоёмкому предварительному обучению больших языковых моделей. Исследователи представили HRM-Text — эффективную модель, основанную на иерархической рекуррентной архитектуре (HRM), которая заменяет стандартный Transformer. Ключевые инновации включают: 1. **Архитектура HRM:** Использует модули с медленной (H) и быстрой (L) временной шкалой, выполняющие несколько рекуррентных обновлений на один токен. Это увеличивает вычислительную глубину без роста числа параметров. 2. **Целевая функция обучения:** Модель обучается непосредственно на парах "инструкция-ответ", вычисляя потери только для ответной части с использованием маски PrefixLM (двунаправленное внимание для инструкции, причинное — для ответа). 3. **Методы стабилизации:** MagicNorm (гибридная нормализация) и Warmup Deep Credit Assignment (постепенное увеличение глубины обратного распространения градиента) обеспечивают стабильность глубокого рекуррентного обучения. Эксперименты показывают, что HRM-Text 1B, обученная всего на 40B уникальных токенах с бюджетом около $1500, демонстрирует производительность, сопоставимую с открытыми моделями размером от 2B до 7B параметров. При этом она требует до 900 раз меньше токенов и до 432 раз меньше вычислений для обучения. Модель достигает, например, 60.7% на MMLU и 84.5% на GSM8K. Основные направления будущих исследований: разделение "знаний" и "рассуждений", внедрение адаптивного времени вычислений для снижения затрат на вывод, проверка масштабируемости на больших моделях и оптимизация развёртывания архитектуры PrefixLM.

marsbit05/26 03:17

Альма-матер 'Цинхуа' выпускник 00-х Ван Гуан представил новую работу: разрушение парадигмы предобучения Transformer с использованием 1/900 токенов и 1/432 вычислительной мощности

marsbit05/26 03:17

Путь DeepSeek к 10 триллионам долларов: Используя открытый код, чтобы затронуть триллионные аппаратные экосистемы

Статья анализирует стратегию компании DeepSeek, предполагая, что её конечная цель выходит за рамки прямой монетизации моделей через подписки или API. Вместо этого, DeepSeek, по мнению автора, стремится радикально изменить экономику искусственного интеллекта за счёт фундаментальных инноваций в архитектуре моделей, что позволит снизить зависимость от дорогих и дефицитных компонентов, таких как HBM и мощные GPU. Ключевые технические достижения DeepSeek — это модели смешанных экспертов (MoE), механизмы MLA, DSA, CSA и Engram, которые значительно сокращают объём KV Cache и потребность в вычислительных ресурсах. Это открывает возможность эффективного использования более доступных аппаратных компонентов: NAND/SSD для длительного хранения кэша и LPDDR для потоковой загрузки весов моделей и хранения Engram. Такие инновации могут стимулировать развитие нового, более доступного аппаратного экосистемы для ИИ, в частности, в Китае, где есть сильные производители памяти, но отставание в передовых чипах. Таким образом, стратегия DeepSeek видится как игра на создание экосистемы стоимостью в триллионы долларов. Делая обучение и вывод ИИ-моделей значительно дешевле и менее зависимым от западных технологий, компания может претендовать на долю в этом будущем рынке, достигая собственной оценки в $1 трлн. Её открытый подход и сотрудничество с производителями оборудования (по аналогии со сделками OpenAI и AMD) могут стать основой для долгосрочного успеха, а не просто сиюминутной прибыли.

marsbit05/25 13:15

Путь DeepSeek к 10 триллионам долларов: Используя открытый код, чтобы затронуть триллионные аппаратные экосистемы

marsbit05/25 13:15

Экономия 3 миллиардов токенов в неделю: руководство по кэшированию Claude Code от инженера Anthropic

Авторы из Anthropic объясняют, как система кэширования (prompt caching) в Claude Code позволяет значительно экономить токены. Кэшированные токены стоят лишь 10% от обычных. Например, 91 миллион кэшированных токенов эквивалентны по стоимости примерно 9 миллионам обычных. Кэш делится на три уровня: системный (инструкции, инструменты), проектный (CLAUDE.md, правила) и диалоговый (история общения). Ключевой принцип — префиксное соответствие: если начало нового запроса совпадает с уже обработанным, модель использует кэш. Время жизни кэша (TTL) в подписке Claude Code составляет 1 час. Для API и Sub-agent по умолчанию — 5 минут. Основные советы пользователям: 1. Не оставлять сессию бездействующей более часа. 2. При смене задачи выполнять четкий «handoff» (резюмировать прогресс) и начинать новую сессию. 3. Помещать большие документы в Projects, а не в диалог. 4. Избегать переключения моделей (включая режим «opus plan»), так как это сбрасывает кэш. Эти привычки помогают поддерживать высокий процент повторного использования кэша, что снижает затраты, увеличивает эффективность сессий и уменьшает нагрузку на сервис. Мониторинг показателя cache read в панели управления помогает оценить эффективность использования кэша.

marsbit05/24 00:38

Экономия 3 миллиардов токенов в неделю: руководство по кэшированию Claude Code от инженера Anthropic

marsbit05/24 00:38

Генеральный директор Cloudflare: Как я решил, каких сотрудников заменить искусственным интеллектом?

Генеральный директор Cloudflare Мэтью Принс объясняет, как и почему он уволил более 20% сотрудников компании, несмотря на рекордный рост выручки и приток клиентов. Основываясь на идеях Питера Друкера, он разделяет роли в компании на «создателей» (разработчики), «продавцов» и «оценщиков» (финансы, аудит, операции, средний менеджмент). Принс утверждает, что искусственный интеллект (ИИ) радикально меняет бизнес, но не угрожает «создателям» и «продавцам», чьи навыки остаются критически важными. Вместо этого ИИ нацелен на автоматизацию функций «оценщиков» — задач по измерению, контролю и администрированию, которые ИИ теперь может выполнять непрерывно, объективно и с большей точностью. В Cloudflare ИИ уже ускоряет финансовое закрытие, улучшает аудит и оценку эффективности. Сокращения затронули в основном «оценщиков»: средний менеджмент, операционные и маркетинговые роды, а также часть финансового отдела, где нашлись возможности для консолидации. Цель этих изменений — не просто сокращение затрат, а перераспределение ресурсов в пользу «создателей» и «продавцов». Компания продолжает активно нанимать, а новый набор стажеров, «родных для ИИ», состоит почти исключительно из этих двух категорий. Принс верит, что ИИ не уничтожит рабочие места, а трансформирует компании, позволив людям сосредоточиться на том, где они создают реальную ценность: на создании продукта и продажах.

marsbit05/22 02:27

Генеральный директор Cloudflare: Как я решил, каких сотрудников заменить искусственным интеллектом?

marsbit05/22 02:27

Прорыв в области совместной работы ИИ! Стэнфорд и Nvidia устраняют издержки общения между ИИ, скорость рассуждений взлетела в 2.4 раза

Прорыв в области искусственного интеллекта! Исследователи из UIUC, Стэнфорда, NVIDIA и MIT представили метод RecursiveMAS, который устраняет ключевую проблему взаимодействия множества ИИ-агентов — «налог на язык». Традиционно агенты общаются через текстовые сообщения, что требует двойного преобразования «мысль → текст → мысль». Это замедляет работу (до 60% задержки), увеличивает затраты на токены и приводит к потере информации. RecursiveMAS предлагает революционный подход: агенты передают не текст, а «мысли» — векторные представления в латентном пространстве, используя легковесные модули RecursiveLink. Это похоже на «телепатическое» общение. Обучение требует обновления всего 0,31% параметров (около 13 миллионов), при этом базовые модели остаются замороженными. **Результаты испытаний:** * **Точность:** повышение на 8,3% в среднем, до +18,1% на задачах AIME2025. * **Скорость:** ускорение вывода в 1.2–2.4 раза (чем больше шагов рекурсии, тем выше прирост). * **Эффективность:** потребление токенов снижено на 34,6–75,6%. Этот метод меняет парадигму масштабирования мульти-агентных систем, смещая фокус с увеличения числа агентов на углубление рекурсивного взаимодействия. Однако остаются вопросы по воспроизводимости, совместимости разнородных моделей и интерпретируемости процесса. RecursiveMAS открывает путь к созданию более быстрых, дешевых и эффективных коллективов искусственного интеллекта.

marsbit05/21 00:11

Прорыв в области совместной работы ИИ! Стэнфорд и Nvidia устраняют издержки общения между ИИ, скорость рассуждений взлетела в 2.4 раза

marsbit05/21 00:11

Популярное на GitHub: Обязательное руководство для пользователей Claude Code

Руководство по использованию файла CLAUDE.md для повышения эффективности работы с Claude Code. Статья объясняет, как избежать основных ошибок при использовании Claude Code, таких как необходимость каждый раз заново объяснять контекст проекта, что приводит к потерям времени и денег. Предлагается решение — создать в корне проекта файл `CLAUDE.md`, который автоматически читается при каждом запуске. Этот файл служит инструкцией для ИИ, фиксируя технический стек, код-стайл, принятые решения и ограничения. Основано на 4 правилах Андрея Карпати, повысивших точность кодирования с 65% до 94%: 1) Спрашивать, если что-то неясно. 2) Начинать с самого простого решения. 3) Не трогать несвязанный код. 4) Четко указывать на неопределенности. В статье подробно описываются три раздела для `CLAUDE.md`: 1. **Контекст по умолчанию:** Описание разработчика, проекта и стиля общения, чтобы избежать повторных объяснений. 2. **Ограничения поведения:** Правила, запрещающие ИИ вносить несанкционированные изменения, выполнять деструктивные действия без явного подтверждения и выходить за рамки задачи. 3. **Память и техстек:** Механизмы для сохранения важных решений (в `MEMORY.md`), записи ошибок (в `ERRORS.md`) и фиксации технологического стека, чтобы ИИ не предлагал несовместимые инструменты. Итог: Настройка `CLAUDE.md` занимает около 2 часов, но может сэкономить отдельному разработчику до 975 долларов в неделю, устраняя рутинные потери, и сделать взаимодействие с Claude Code стабильным и контролируемым. Рекомендуется начать с 4 правил Карпати.

marsbit05/18 09:40

Популярное на GitHub: Обязательное руководство для пользователей Claude Code

marsbit05/18 09:40

Разоблачение: «Супер-магазинчик» с дневной выручкой свыше 10 тысяч? Как Xinyi Robot перестраивает бизнес в сфере кофе и чайных напитков

"Новый роботизированный магазин 'Новый Кофе' (TEA^COFFEE^BAKING) открылся в Пекине, представляя революционную для рынка чая и кофе модель бизнеса 'один человек, один робот, один магазин'. Используя собственную интеллектуальную систему Robot in store, которая автоматизирует весь процесс от приема заказа до приготовления, магазину удается достигать дневной выручки в 10 000+ юаней при минимальных затратах на персонал. Ключевые преимущества модели: сверхвысокая эффективность труда ('1 человек + 1 робот'), низкие затраты на аренду благодаря компактным площадям (от 10 кв. м), комплексный ассортимент (кофе, чай, выпечка) для прибыльной работы в течение всего дня, а также использование больших данных и ИИ для быстрого анализа трендов и обновления меню. Проект также делает ставку на цифровизацию и работу с приватной аудиторией (private traffic), помогая партнерам заранее накапливать клиентскую базу. Для первых партнеров предлагается программа франчайзинга с ускоренной окупаемостью, минимальными первоначальными инвестициями и без скрытых платежей. Эта модель позиционируется как решение для малых предпринимателей, снижающее риски и открывающее доступ к высокотехнологичному, автоматизированному бизнесу в сфере общественного питания."

marsbit05/16 02:46

Разоблачение: «Супер-магазинчик» с дневной выручкой свыше 10 тысяч? Как Xinyi Robot перестраивает бизнес в сфере кофе и чайных напитков

marsbit05/16 02:46

Рынок репо на 13 триллионов долларов тихо переписывается блокчейном

В статье обсуждается, как технология блокчейна постепенно трансформирует рынок репо объёмом в 13 трлн долларов США. Хотя ранее блокчейн не оправдал ожиданий радикальных перемен в финансах, сейчас он находит практическое применение именно в сфере репо — ключевого механизма краткосрочного финансирования под залог ценных бумаг. Такие институты, как JPMorgan Chase, HSBC, Broadridge и Tradeweb, активно внедряют решения для токенизированных операций репо. Платформа JPMorgan уже обработала сделок на 3 трлн долларов. Преимущества блокчейна включают круглосуточную работу (24/7), автоматизацию расчетов, отслеживаемость транзакций и снижение операционных издержек и потребности в капитале. Например, по данным Broadridge, переход 15% операций на блокчейн может сократить потребность банков в буферной ликвидности на 8-17%. Несмотря на быстрый рост, объем токенизированного репо пока мал по сравнению с традиционным рынком. Препятствиями остаются фрагментация блокчейн-сетей, необходимость адаптации регуляторных норм и отсутствие проверки системы в условиях резких рыночных потрясений. Тем не менее, отрасль рассматривает эти проблемы как решаемые и считает, что блокчейн стал реальным инструментом для повышения эффективности важнейшего сегмента финансовой системы.

marsbit05/13 09:41

Рынок репо на 13 триллионов долларов тихо переписывается блокчейном

marsbit05/13 09:41

Японский рынок облигаций полностью «встанет на блокчейн»

В августе 2025 года произошла первая расчетная операция с казначейскими облигациями США (repo) на блокчейне с участием крупных институциональных игроков, таких как Bank of America и DTCC. Это событие ознаменовало начало трансформации базовой инфраструктуры финансовых рынков. В апреле 2026 года Япония запустила пилотный проект по переносу японских государственных облигаций (JGB), ключевого залогового актива Азии объемом более $9 трлн, в сеть Canton Network. Это ответ на инициативы США по токенизации казначеек, направленный на сохранение конкурентоспособности JGB. Традиционные системы перемещения залога неэффективны, работают в ограниченные часы и "замораживают" капитал. Блокчейн, обеспечивающий атомарные расчеты 24/7, может разблокировать миллиарды долларов и снизить операционные издержки. Сеть Canton была выбрана из-за архитектуры, отвечающей строгим требованиям конфиденциальности и соответствия нормативным актам для суверенных облигаций. Переход на круглосуточное расчетное обслуживание залога может смягчить кризисы ликвидности, устранив необходимость принудительной продажи активов и снизив риск контрагента. Хотя эта трансформация повышает эффективность рынков, она консолидируется вокруг существующих финансовых институтов, а не децентрализует власть.

marsbit05/11 03:21

Японский рынок облигаций полностью «встанет на блокчейн»

marsbit05/11 03:21

活动图片