😱 ПК-производители в панике скупают ОЗУ

Рынок оперативной памяти лихорадит: производители ПК столкнулись с быстрым ростом цен на DRAM и вынуждены экстренно пополнять запасы. Даже такие крупные компании, как Asus и MSI, начали закупать память на спотовом рынке – обычно туда обращаются только в особенных случаях из-за непредсказуемых цен.

Причина скачка проста: центры обработки данных для ИИ активно выкупают огромные объёмы памяти, фактически выметая рынок. Из-за этого обычным производителям ПК становится всё сложнее обеспечить стабильные поставки.

В Asus признают, что текущих запасов хватит примерно до конца года. Если ситуация не изменится, уже в 2026-м компания может столкнуться с прямым дефицитом, а это значит новый виток подорожания техники. Рост цен уже ощутим: вслед за ОЗУ дорожают и SSD, и видеокарты 📈

Когда промпт слишком человеческий: как ИИ провалили тест на часы ⏰

Брайан Мур устроил забавный стресс-тест для нейросетей – AI World Clocks. Он взял девять моделей, от старенькой GPT-3.5 до Grok 4 и GPT-5, и попросил их раз в минуту генерировать новый HTML-код часов, которые должны показывать правильное текущее время.

И тут выяснилось неожиданное: ни одна модель не справилась стабильно. Иногда код получался почти идеальным, но на длинной дистанции все они ошибались.

Фокус в том, что задание было максимально «человеческое» и простое: им просто говорили «сделай часы». Никаких подсказок про математику углов стрелок, про то, где в CSS находится ноль градусов, и как проверять результат.

Эксперимент вскрывает любопытную проблему: нередко именно так большинство людей взаимодействуют с ИИ – дают короткие, туманные запросы вроде «сделай красиво». И в будущем разработчикам придётся улучшать не только модели, но и сами интерфейсы взаимодействия, чтобы нейросети умели уточнять неполные задачи и сами запрашивать недостающие детали.

Всем привет!

Смотрите двадцать первый выпуск подкаста "Капитанский мостик". В этом выпуске обсуждаются последние новости в области искусственного интеллекта, включая децентрализованные вычисления и аренду вычислительных мощностей. Ведущие подкаста - Валентин Малых и Дмитрий Колодезев. Приглашенный участник выпуска -Даниель Щебентовский.
Смотрите видео на каналах ⤵️
ODS VK Video
ODS YouTube

📩 Присылайте новости для обсуждения в канал "Дата-капитаны" в mattermost (авторизуйтесь через ODS.ai).

OpenAI планирует потреблять больше энергии, чем Германия за пять лет и Индия за восемь лет

Telegram | Дзен | MAX

🚀 We're excited to announce #SemEval2026 Task 3: DimABSA!

This year, we're introducing a new shared task on Dimensional Sentiment and Stance Analysis, designed to push sentiment analysis beyond simple polarity to richer, more expressive representations.

🔹 Track A — DimABSA
Focuses on Dimensional Aspect-Based Sentiment Analysis, where systems predict continuous valence–arousal (VA) values for specific aspects. This gives a more nuanced picture of emotion than just "positive" or "negative.".

- Languages: English, Japanese, Russian, Tatar, Ukrainian, Chinese

🔹 Track B — DimStance
Explores stance detection as a "stance-as-aspect" problem, modeling stance in the same continuous VA space — bridging sentiment and stance Analysis.

- Languages: English, German, Hausa, Kinyarwanda, Swahili, Twi, Chinese

💡 Why DimABSA & DimStance?

Traditional sentiment analysis captures only coarse, categorical judgments (e.g., positive/negative), missing the emotional richness found in human affect.
DimABSA adopts continuous valence–arousal representations inspired by psychological models of emotion, distinguishing not only how positive or negative a sentiment is, but also how intense or calm it feels.

This finer granularity opens new directions for research and applications:

- Detecting high-arousal misinformation or emotionally charged posts
- Differentiating mental health signals (e.g., anxiety vs. depression)
- Modeling emotion dynamics in dialogue and personalized, empathetic systems
- Bridging sentiment and stance analysis across domains like politics or environmental protection

🗓 Key Dates

Evaluation Start: January 10, 2026
Evaluation End: January 31, 2026
System Denoscription Paper Due: February 2026
Camera Ready Due: April 2026

The SemEval Workshop 2026 will be co-located with #ACL2026 in San Diego.

📄 All details, datasets, and participation info:
👉 https://github.com/DimABSA/DimABSA2026

We're organizing this task together with:
Liang-Chih Yu • Shamsuddeen H. Muhammad, PhD • Idris Abdulmumin • Jonas Becker • Lung-Hao Lee • Jin Wang • Jan Philip Wahle • Terry Ruas • Alexander Panchenko • Kai-Wei Chang • Saif M Mohammad

A huge thanks to this incredible team for their collaboration and ideas — it's been amazing shaping this together.

If you're working on sentiment analysis, stance detection, affective computing, or emotion modeling, we'd love to have you join us.

See you at SemEval 2026! 🌍💬

Это настоящее откровение. 😆

Авторы статьи показывают, что превращение вредоносных запросов в поэзию заставляет многие чат-боты сбрасывать свои правила безопасности.

В эксперименте тестируют 25 моделей - и получают небезопасные ответы примерно в 60% случаев, а у некоторых моделей показатель превышает 90%.

Джейлбрейком считается ситуация, когда модель, которая должна отказать, вместо этого выдаёт чёткие шаги или советы для вредоносных действий.

Методика предельно простая: берут один пользовательский запрос, переписывают 20 опасных инструкций в виде стихов, затем превращают 1200 вредных запросов из стандартного набора для тестирования безопасности в поэзию с помощью фиксированной инструкции.

Каждый ответ проверяют три модель-судьи и люди-оценщики, помечая, помогает ли реплика выполнить опасный запрос.

Темы охватывают хакерство, опасные химические вещества и биологию, манипуляции, утечки приватных данных и сценарии потери контроля — и почти везде поэтическая форма вызывает резкий рост небезопасных ответов.
Это показывает, что обучение безопасности на обычном тексте плохо справляется с изменением стиля.

Источник: arxiv.org/abs/2511.15304

Follow-up статья: что придумали помимо базовых декодерных авторегрессионных моделей в современных LLM. Спойлер: не особо много чего.

Linear Attention Hybrids – замена базового квадратичного аттеншена на линейный. KV-кэш оптимизирован лучше, но метрики немного просели. Первые вариации придумали еще в 2020, хех (см. Qwen3-Next, DeepSeek V3.2 и т.д.).

Text Diffusion Models – теоретически дают выигрыш за счёт параллельной генерации, но на практике результаты хуже из-за проблем с моделированием сложных условных вероятностей. К тому же не работает Chain of Thought, про который рассказывают уже даже на бизнесовых докладах.

Small Recursive Transformers – красиво решают головоломки. Возможно, будут использоваться как тулзы для больших моделей, но пока это больше красивая история – хотя модели сильно меньше 100млн

Code World Models – LLM для кодинга, которые внутри себя моделируют то, как будет работать код. На деле – увеличение compute, и результат выходит то на то по сравнению с классическими подходами, но звучит красиво