sejournal.io

Вот перефразированная новость на русском языке:

16 июля китайская компания Moonshot AI представила модель Kimi K3, содержащую 2,8 триллиона параметров. Этот запуск вызвал массовую распродажу на рынке полупроводников.

В пятницу акции производителей чипов и компаний, занимающихся искусственным интеллектом, упали по всему миру. Наиболее значительное снижение наблюдалось в Азии: тайваньский индекс потерял более 6%, а японский закрылся падением на 4%. В США распродажа продолжилась — Nasdaq снизился на 1,5%, что стало худшим результатом за неделю.

Акции китайского разработчика нейросетей Z.ai в Гонконге обвалились почти на 30%. Nvidia временно уступила Apple звание самой дорогой компании мира.

Инвесторы проводят параллели с «эффектом DeepSeek». В январе 2025 года этот ИИ-стартап выпустил модель R1, после чего капитализация Nvidia за одну торговую сессию сократилась примерно на 590 миллиардов долларов.

Kimi K3 стала самой крупной открытой моделью на момент своего появления. В независимом рейтинге Artificial Analysis Intelligence Index она набрала 57 баллов, что выше показателей Claude Opus 4.8 и GPT-5.5. Этот результат почти сравним с Claude Fable 5 и GPT-5.6 Sol. В отдельных тестах Kimi K3 превзошла конкурентов при значительно более низкой цене.

Модель поддерживает контекст объемом до 1 миллиона токенов, а также работу с текстом и изображениями. Полные веса станут доступны 27 июля по лицензии Modified MIT, после чего небольшие лаборатории смогут использовать модель бесплатно.

Аналитики с Уолл-стрит в основном ожидали таких последствий от запуска. В Morgan Stanley назвали K3 результатом планомерного прогресса, а не неожиданностью. По оценке аналитика Гэри Юя, китайские большие языковые модели (LLM) постепенно догоняют американских лидеров по масштабу, производительности и стоимости.

В Bernstein запуск назвали «подтверждающим»: ИИ быстро развивается, а Китай сохраняет темп. Специалист Робин Чжу прогнозирует, что страна продолжит увеличивать свою долю рынка.

Некоторые эксперты считают распродажу чрезмерной. По их данным, цена K3 близка к стоимости GPT-5.6, а не радикально ниже.

Падение затронуло и криптовалюты. Биткоин опустился ниже отметки в 64 000 долларов.

Moonshot AI поддерживается компанией Alibaba. В 2024 году корпорация вложила 1 миллиард долларов, оценив стартап в 2,5 миллиарда. Сейчас проект оценивается примерно в 31,5 миллиарда долларов.

Более широкая распродажа на рынке производителей чипов продолжается уже несколько недель на фоне опасений по поводу завышенных оценок компаний, связанных с инфраструктурой искусственного интеллекта.

Отраслевой индекс Philadelphia Semiconductor более чем на 20% ниже рекорда конца июня, что формально означает «медвежий рынок». Фонд VanEck Semiconductor, являющийся барометром всего сектора, еще в начале июля впервые с апреля пробил ключевую скользящую среднюю. Запуск Kimi K3 лишь ускорил падение.

Напомним, что в июле около 200 человек прошли между офисами OpenAI, Anthropic и Google DeepMind, требуя приостановить обучение более мощных ИИ-моделей.

Вот перефразированный текст новости на русском языке:

Компания Anthropic, занимающаяся искусственным интеллектом, предложила корпорации Meta арендовать вычислительные мощности на сумму до 10 миллиардов долларов. Об этом сообщает The New York Times со ссылкой на три источника.

Предполагаемое соглашение рассчитано на два года. По информации издания, Anthropic направила предложение в июне, и Meta сейчас его рассматривает. Обсуждается формат ежемесячных платежей. Стороны смогут расторгнуть сделку досрочно, однако окончательные условия пока не согласованы. Процесс усложняется тем, что у компании Марка Цукерберга нет готового бизнеса по продаже вычислительных мощностей.

Обе компании отказались от комментариев.

Для Meta такое соглашение открыло бы новый источник дохода, помимо рекламы. Компания смогла бы конкурировать с облачными провайдерами CoreWeave и Nebius, у которых сейчас сама арендует мощности. В апреле Meta подписала соглашение с CoreWeave на 21 миллиард долларов, а в марте — с Nebius на 27 миллиардов долларов.

В мае Цукерберг говорил инвесторам, что внешние компании регулярно интересуются покупкой вычислительного оборудования у Meta. Корпорация пока его не продавала, так как сама нуждается в ресурсах, но не исключает такой возможности.

Инвесторы критикуют Meta за масштабные расходы на ИИ-инфраструктуру, отмечает The New York Times. Продажа избыточных мощностей помогла бы оправдать эти вложения. Компания признавала, что может построить больше дата-центров, чем ей потребуется. Ее капитальные затраты в 2026 году могут достичь 145 миллиардов долларов. Это более чем вдвое превышает прошлогодние 72 миллиарда долларов.

Сейчас Meta также укрепляет свою облачную команду. К ней уже присоединился бывший топ-менеджер Amazon Web Services Дэйв Браун, сообщает CNBC.

Технологические гиганты вкладывают в дата-центры сотни миллиардов долларов. Масштаб трат уже вызвал вопросы на Уолл-стрит об их обоснованности. Из-за дефицита предложения стоимость мощностей резко выросла, отметил аналитик Bloomberg Intelligence Мандип Сингх. Нехватка ресурсов вынуждает ИИ-компании договариваться даже с конкурентами.

Спрос на мощности у Anthropic растет на фоне популярности Claude Code. Ранее стартап заключил похожую сделку со SpaceX Илона Маска. Общая сумма составила 45 миллиардов долларов на три года — 1,25 миллиарда долларов в месяц. По соглашению Anthropic задействует дата-центр Colossus 1 в Мемфисе.

Напомним, в июне Meta заключила партнерство с конгломератом Reliance Industries об аренде вычислительных мощностей в новом дата-центре в Джамнагаре (штат Гуджарат, Индия).

Вот перефразированная новость на русском языке:

Команда Thinking Machines Lab, основанная бывшим техническим директором OpenAI Мирой Мурати, представила свою первую открытую ИИ-модель под названием Inkling.

«Сегодня мы представляем Inkling. Она эффективно рассуждает, работая с текстом, изображениями и аудио. Мы открываем полные веса модели. Она уже доступна для тонкой настройки на платформе Tinker. Поиграть с ней можно в Inkling Playground», — сообщила компания в соцсети X.

Модель построена на архитектуре MoE (смесь экспертов): при обработке запроса задействуется только часть сети, что ускоряет работу без потери качества. Всего у Inkling 975 миллиардов параметров, но активны из них 41 миллиард. Окно контекста — 1 миллион токенов. Модель обучали с нуля на 45 триллионах токенов, включая текст, картинки, аудио и видео.

Inkling умеет анализировать информацию сразу в нескольких форматах, но пока выдает ответы только в виде текста — включая код и структурированные данные. Пользователь может сам настраивать баланс между скоростью и качеством, регулируя уровень рассуждений.

Вместе с основной моделью разработчики показали облегченную версию Inkling-Small — 276 миллиардов параметров (из них активны 12 миллиардов). Полные веса этой модели пока не опубликованы: компания заявила, что продолжает её тестировать.

Где Inkling показывает лучшие результаты?

Модель особенно сильна в агентских задачах. В тесте MCP Atlas (процент выполненных задач с использованием Model Context Protocol) Inkling набрала 74,1% — почти на 30 пунктов больше, чем у Nvidia Nemotron 3 Ultra, главного западного конкурента среди открытых моделей. В тесте SWE-Bench Verified (автономное исправление реальных багов в GitHub) результат составил 77,6% против 70,7% у Nemotron.

В тесте FORTRESS Adversarial (корректная обработка вредоносных запросов без избыточной блокировки) модель Мурати получила 78%. Inkling стала самой мощной открытой моделью от западной компании на данный момент, однако пока уступает китайским аналогам.

В тесте Terminal Bench 2.1 (автономное кодирование в реальной среде) Inkling набрала 63,8%. Для сравнения: Z.ai GLM 5.2 показал 82,7%, а недавно вышедшая Kimi K3 достигла 88,3%. Kimi K3 также лидирует в тесте Humanity’s Last Exam (научное мышление уровня PhD).

Thinking Machines позиционирует Inkling как «универсальную» модель — без компромиссов, когда ради успеха в одних задачах приходится жертвовать другими. Основной упор сделан на кастомизацию. В компании считают, что бизнесу важнее гибкая модель, которую можно настроить под конкретную задачу.

Напомним, Мира Мурати покинула OpenAI в сентябре 2024 года, объяснив это желанием заняться собственными исследованиями.

Вот перефразированная новость на русском языке:

16 июля VentureBeat опубликовал результаты опроса о безопасности корпоративных ИИ-агентов. Среди 107 опрошенных 18% сообщили о подтвержденном инциденте, а еще 36% — о ситуации, которую удалось предотвратить до того, как был нанесен ущерб.

Еще 42% участников не сталкивались с подобными происшествиями. В 5% компаний ИИ-агенты не использовались в рабочей среде, а 2% организаций вообще не отслеживали такие инциденты.

Опрос проводился в июне 2026 года среди представителей компаний с численностью персонала более 100 человек. Выборка была сформирована методом самовыбора, поэтому в ней преобладают представители среднего бизнеса.

Агенты продолжают использовать общие учетные данные

Лишь 32% респондентов заявили, что каждый ИИ-агент в их компании имеет собственную управляемую учетную запись с ограниченными правами. Это позволяет контролировать доступ и точно знать, какая программа выполнила то или иное действие.

Еще 48% отметили, что отдельные идентификаторы есть только у некоторых агентов, а остальные по-прежнему используют общие учетные данные. В 32% компаний агенты в основном работают через общие API-ключи, аккаунты сотрудников или служебные учетные записи. В этом вопросе можно было выбрать несколько вариантов, поэтому, по оценке VentureBeat, хотя бы частично общие учетные данные используют 69% опрошенных организаций.

Среди компаний, где практикуется такой подход, 63,5% сообщили об инцидентах или предотвращенных угрозах. В организациях, где у каждого агента был свой идентификатор, этот показатель составил 40,9%. Авторы подчеркивают, что это говорит о связи между факторами, но не доказывает причинно-следственную связь, тем более что группа с отдельными идентификаторами включала всего 22 участника.

Для защиты ИИ-агентов 49% организаций ограничивают их права непосредственно во время работы. Еще 47% используют мониторинг и логирование, но не всегда могут автоматически остановить опасное действие. Только 30% изолируют агентов с наиболее широкими правами в песочницах.

Компании полагаются на защиту от поставщиков ИИ

82% респондентов назвали основным уровнем безопасности встроенные инструменты поставщиков ИИ-моделей или крупных облачных платформ. Решения специализированных компаний по защите агентов использует гораздо меньшая доля участников.

Встроенные ограничения OpenAI применяют 51% организаций, Google — 36%, Microsoft — 35%, Anthropic — 29%. Участники могли выбирать несколько продуктов, поэтому сумма показателей превышает 100%.

Средняя удовлетворенность текущими средствами защиты составила 4,2 балла из 5. Этот показатель рассчитан на основе ответов 82 участников.

Самой распространенной статьей расходов стало 6–10% общего бюджета кибербезопасности — такой диапазон указали 46% респондентов. Еще 26% тратят на защиту ИИ-агентов 1–5% бюджета, а 8% — менее 1%. Таким образом, не более 5% бюджета выделяют в сумме 34% опрошенных. Доля компаний с расходами свыше 10% составила 24%.

Несмотря на высокую удовлетворенность текущими решениями, 59% организаций планируют в течение года внедрить новый инструмент, дополнить имеющийся набор или заменить один из продуктов. В ближайшие три месяца это намерены сделать 29%.

Среди участников, уже столкнувшихся с инцидентом или предотвращенной угрозой, изменить набор средств в течение трех месяцев планируют 42,1%. В организациях без таких событий эта доля составила 14%.

Ограничения опроса

45% участников принимали окончательные решения о закупке ИИ-продуктов, еще 30% рекомендовали решения или влияли на их выбор. Среди респондентов были менеджеры, специалисты, директора, вице-президенты и руководители высшего звена.

Около 67% выборки представляли компании с численностью сотрудников от 101 до 1000 человек. Самыми крупными отраслевыми группами стали технологические компании, производители, ритейлеры и организации сферы здравоохранения.

VentureBeat назвал результаты ориентировочным срезом одной волны исследования. По мнению авторов, распространение ИИ-агентов опережает внедрение отдельных идентификаторов, изоляции и контроля прав. Однако опрос не позволяет установить реальную частоту таких инцидентов в корпоративном секторе.

Напомним, в июне Anthropic предложила защищать корпоративных ИИ-агентов по принципу Zero Trust. Этот подход предполагает отдельную идентичность для каждой программы, минимальные права и проверку каждого действия.

Китайский стартап в сфере искусственного интеллекта Moonshot AI анонсировал модель Kimi K3. Она позиционируется как первая в мире открытая модель класса 3T, имеющая 2,8 триллиона параметров, нативное зрение и контекстное окно на 1 миллион токенов. По внутренним оценкам разработчиков, по совокупным показателям модель уступает только проприетарным системам Claude Fable 5 и GPT 5.6 Sol.

Архитектура Kimi K3 основана на новых технологиях Kimi Delta Attention (KDA) и Attention Residuals (AttnRes). KDA повышает эффективность обработки длинных последовательностей данных, а AttnRes позволяет извлекать нужную информацию выборочно, а не со всех слоев одинаково. Это дает модели более глубокое понимание контекста и сохранение смысла при работе со сложными текстами.

За разреженность вычислений отвечает фреймворк Stable LatentMoE: из 896 экспертов одновременно задействованы только 16. В сочетании с новыми данными и настройками обучения это обеспечило рост эффективности в 2,5 раза по сравнению с предыдущей версией K2.

Разработчики отмечают, что модели семейства Kimi удерживали рекорд по размеру среди открытых моделей на протяжении девяти из последних двенадцати месяцев.

Новая модель уже доступна на сайте, в продуктах Kimi Work, Kimi Code и через API. По умолчанию активирован максимальный режим размышления, другие режимы появятся позднее. Полные веса и отчет будут опубликованы 27 июля.

Результаты тестирования

На некоторых тестах K3 показала результаты выше, чем Fable 5 и GPT-5.6 Sol, но на других заметно отстала. Модель лидирует в тестах SWE Marathon (42 балла против 35 и 39), BrowseComp (91,2 против 88 и 90,4) и Program Bench (77,8 против 76,8 и 77,6). В тесте Terminal Bench 2.1 K3 набрала 88,3 балла, что выше показателя Fable 5 (84,6) и лишь на 0,5 балла меньше, чем у Sol (88,8).

При этом в тесте FrontierSWE K3 получила 81,2 балла против 86,6 у Fable 5, а в HLE-Full — 43,5 против 53,3. Стоит учесть, что методики тестирования различались: часть моделей оценивалась через Claude Code, другие — через Codex или собственный инструмент KimiCode.

Программирование и агентные задачи

K3 способна вести длительные инженерные сессии с минимальным участием человека, ориентироваться в больших репозиториях и управлять терминальными инструментами.

В тесте оптимизации GPU-ядер модели работали до 24 часов над четырьмя задачами, включая ядра AttnRes, KDA и MLA. K3 показала результат на уровне Fable 5 и значительно превзошла Opus 4.8, GPT-5.6 Sol и GPT-5.5. На поздних этапах разработки ранняя версия K3 самостоятельно выполняла большую часть такой оптимизации внутри команды Moonshot.

Кроме того, модель с нуля написала MiniTriton — компактный компилятор для GPU-ядер с собственным промежуточным представлением (IR) на базе MLIR и генерацией PTX-кода.

Проектирование чипов и разработка игр

В демонстрационных целях K3 самостоятельно спроектировала чип для нейросети на собственной архитектуре. Автономный процесс занял 48 часов с использованием открытых EDA-инструментов и библиотеки Nangate 45 нм. Чип площадью 4 мм² работает на частоте 100 МГц и выдает более 8700 токенов в секунду в симуляции. Он содержит 1,46 млн стандартных ячеек, 0,277 МБ SRAM и INT4 MAC-массив со встроенной деквантизацией.

K3 также умеет комбинировать 3D-рассуждение, код и зрение для создания игровых и интерактивных прототипов на основе концептов, изображений и видео.

Работа со знаниями и видео

В одном из примеров K3 воспроизвела универсальные соотношения I-Love-Q из вычислительной астрофизики за два часа вместо одной-двух недель работы опытного исследователя. Модель проанализировала более 20 научных статей, оценила свыше 300 уравнений состояния, выявила несогласованности в опубликованных формулах и написала более 3000 строк кода на Python, оформив результат в интерактивный HTML-дашборд.

В другом случае K3 подготовила интерактивный отчет о 42-летней истории индустрии ASIC-чипов за 120 циклов рекурсивного самоулучшения, обработав более 11 000 страниц из 87 квартальных отчетов и 99 оригинальных PDF-файлов.

Благодаря нативной работе с видео модель умеет монтировать ролики. В одном примере K3 создала объясняющую анимацию собственной архитектуры в стиле 3Blue1Brown, в другом — самостоятельно смонтировала тизер о своем запуске из 56 исходных клипов, включая подбор кадров, синхронизацию с музыкой и обработку звука. По оценке Moonshot, такая работа заняла бы у опытного монтажера один-два дня, а у новичка — три-пять.

Ограничения

Разработчики отмечают, что K3 чувствительна к потере истории размышлений при переключении агентной среды в середине сессии и может проявлять чрезмерную инициативу в неоднозначных ситуациях. По удобству использования модель пока заметно уступает Fable 5 и GPT-5.6 Sol.

Напомним, в июле 2025 года Moonshot AI выпустила Kimi K2 — первую модель линейки с 1 триллионом параметров, которая быстро стала одной из ведущих открытых систем для агентных задач.

Вот перефразированная новость на русском языке:

Китайский стартап в сфере ИИ Moonshot AI анонсировал модель Kimi K3, которая стала первой открытой моделью класса 3T. Она насчитывает 2,8 триллиона параметров, поддерживает нативное распознавание изображений и работу с контекстом до 1 миллиона токенов. Разработчики утверждают, что по общим показателям модель уступает только закрытым системам Claude Fable 5 и GPT 5.6 Sol.

Kimi K3 создана на основе новой архитектуры Kimi Delta Attention (KDA) и механизма Attention Residuals (AttnRes). KDA улучшает обработку длинных цепочек данных, а AttnRes позволяет извлекать нужную информацию выборочно, а не со всех уровней одинаково. Благодаря этому модель глубже понимает контекст и сохраняет смысл даже при анализе сложных текстов.

Разреженность вычислений обеспечивает фреймворк Stable LatentMoE: из 896 специализированных модулей одновременно задействуются только 16. В сочетании с новыми данными и методами обучения это дало рост эффективности в 2,5 раза по сравнению с предыдущей версией K2.

По словам разработчиков, модели Kimi в течение девяти из последних 12 месяцев удерживали рекорд по размеру среди открытых ИИ-систем.

Новая модель уже доступна на сайте, в сервисах Kimi Work, Code и через API. По умолчанию включен максимальный режим рассуждений, другие варианты появятся позже. Полные веса и отчет будут опубликованы 27 июля.

Результаты на тестах

На некоторых бенчмарках K3 показала результаты выше, чем у Fable 5 и GPT-5.6 Sol, однако на других заметно отстала. Она лидирует в тестах SWE Marathon (42 балла против 35 и 39), BrowseComp (91,2 против 88 и 90,4) и Program Bench (77,8 против 76,8 и 77,6). В тесте Terminal Bench 2.1 у K3 — 88,3 балла, что выше показателя Fable 5 (84,6) и лишь на 0,5 балла меньше, чем у Sol (88,8).

При этом на тесте FrontierSWE K3 набрала 81,2 балла против 86,6 у Fable 5, а на HLE-Full — 43,5 против 53,3. Однако методики тестирования различались: одни модели оценивались через Claude Code, другие — через Codex или собственный инструмент KimiCode.

Кодинг и выполнение агентных задач

K3 способна вести длительные инженерные сессии с минимальным участием человека, ориентироваться в крупных репозиториях и управлять терминальными инструментами.

В тесте на оптимизацию GPU-ядер модели работали до 24 часов над четырьмя задачами, включая ядра AttnRes, KDA и MLA, на оборудовании NVIDIA H200 и GPU другого производителя. K3 показала результат на уровне Fable 5 и значительно превзошла Opus 4.8, GPT-5.6 Sol и GPT-5.5. На поздних этапах разработки ранняя версия K3 самостоятельно выполняла большую часть такой оптимизации внутри команды Moonshot.

Отдельно модель с нуля написала MiniTriton — компактный компилятор для GPU-ядер с собственным промежуточным представлением кода и генерацией PTX-кода.

Проектирование микросхем и создание игр

Для демонстрации возможностей K3 самостоятельно спроектировала чип для нейросети на собственной архитектуре. Автономный процесс занял 48 часов: модель использовала открытые инструменты для анализа данных и библиотеку Nangate 45 нм. Чип площадью 4 мм² работает на частоте 100 МГц и выдает более 8700 токенов в секунду в симуляции. Он содержит 1,46 миллиона стандартных ячеек, 0,277 МБ SRAM и массив INT4 MAC со встроенной деквантизацией.

Кроме того, K3 сочетает 3D-рассуждение, код и распознавание изображений для создания игровых и интерактивных прототипов на основе концептов, картинок и видео.

Работа со знаниями и видео

В одном из примеров K3 воспроизвела универсальные соотношения I-Love-Q из вычислительной астрофизики. На это ушло около двух часов вместо одной-двух недель работы опытного исследователя. Модель проанализировала более 20 научных статей, оценила свыше 300 уравнений состояния, выявила несостыковки в опубликованных формулах и написала более 3000 строк кода на Python, оформив результат в интерактивный HTML-дашборд.

В другом случае K3 подготовила интерактивный отчет о 42 годах истории индустрии ASIC-чипов за 120 циклов рекурсивного самоулучшения, обработав более 11 000 страниц из 87 квартальных отчетов и 99 оригинальных PDF-файлов.

Благодаря нативной работе с видео K3 умеет монтировать ролики: в одном примере модель создала объясняющую анимацию собственной архитектуры в стиле 3Blue1Brown, в другом — самостоятельно смонтировала тизер о своем запуске из 56 исходных клипов, включая подбор кадров, синхронизацию с музыкой и обработку звука. По оценке Moonshot, такая работа заняла бы у опытного монтажера один-два дня, а у новичка — три-пять.

Ограничения

Разработчики отметили, что K3 чувствительна к потере истории рассуждений при смене агентной среды в середине сессии и может проявлять излишнюю инициативу в неоднозначных ситуациях. По удобству использования модель пока заметно уступает Fable 5 и GPT-5.6 Sol.

Напомним, в июле 2025 года Moonshot AI выпустила Kimi K2 — первую модель линейки с 1 триллионом параметров, которая быстро стала одной из ведущих открытых систем для агентных задач.

Вот перефразированная новость на русском языке:

16 июля VentureBeat представил результаты опроса о безопасности корпоративных ИИ-агентов. Из 107 опрошенных 18% столкнулись с подтвержденным инцидентом безопасности, а еще 36% смогли предотвратить угрозу до того, как она нанесла ущерб.

42% участников не зафиксировали подобных происшествий. В 5% организаций ИИ-агенты не использовались в рабочей среде, а 2% не вели учет таких инцидентов.

Опрос проводился в июне 2026 года среди компаний с численностью сотрудников более 100 человек. Выборка была сформирована методом самоотбора, поэтому в ней преобладает средний бизнес.

Агенты продолжают использовать общие учетные данные

Только 32% респондентов заявили, что каждый ИИ-агент в их компании имеет собственную управляемую учетную запись с ограниченными правами. Это позволяет контролировать доступ и определять, какая программа выполнила конкретное действие.

48% отметили, что отдельные идентификаторы есть только у некоторых агентов, а остальные по-прежнему используют общие данные. В 32% компаний агенты в основном работают через общие API-ключи, учетные записи сотрудников или служебные аккаунты. Участники могли выбирать несколько вариантов, поэтому, по оценкам VentureBeat, 69% организаций хотя бы частично используют общие учетные данные.

Среди компаний, практикующих общий доступ, 63,5% сообщили об инцидентах или предотвращенных угрозах. В организациях, где у каждого агента был свой идентификатор, этот показатель составил 40,9%. Авторы подчеркивают, что данные указывают на связь между факторами, но не доказывают причинно-следственную зависимость, так как группа с отдельными идентификаторами включала лишь 22 участника.

Для защиты ИИ-агентов 49% организаций ограничивают их права непосредственно во время работы. 47% используют мониторинг и журналирование, но не всегда могут автоматически остановить опасное действие. Только 30% изолируют агентов с широкими правами в «песочницах».

Компании полагаются на защиту от поставщиков ИИ

82% респондентов назвали основным уровнем безопасности встроенные инструменты от поставщиков ИИ-моделей или крупных облачных платформ. Решения специализированных компаний по защите агентов использует гораздо меньшая доля участников.

51% организаций применяют встроенные ограничения OpenAI, 36% — инструменты Google, 35% — Microsoft, 29% — Anthropic. Участники могли выбирать несколько продуктов, поэтому сумма превышает 100%.

Средняя удовлетворенность текущими средствами защиты составила 4,2 балла из 5 (на основе ответов 82 участников).

Самая распространенная статья расходов — 6–10% от общего бюджета кибербезопасности. Такой диапазон указали 46% респондентов. Еще 26% тратят на защиту ИИ-агентов 1–5% бюджета, а 8% — менее 1%. Таким образом, 34% опрошенных выделяют не более 5%. Доля компаний с расходами свыше 10% составила 24%.

Несмотря на высокую удовлетворенность текущими решениями, 59% организаций планируют в течение года внедрить новый инструмент, дополнить или заменить существующий. В ближайшие три месяца это намерены сделать 29%.

Среди участников, уже столкнувшихся с инцидентом или угрозой, 42,1% планируют изменить набор средств в течение трех месяцев. В организациях без подобных событий этот показатель составил 14%.

Ограничения опроса

45% участников принимали окончательные решения о закупке ИИ-продуктов, еще 30% давали рекомендации или влияли на выбор. Среди респондентов были менеджеры, специалисты, директора, вице-президенты и топ-менеджеры.

Около 67% выборки представляли компании с численностью от 101 до 1000 сотрудников. Крупнейшими отраслевыми группами стали технологические компании, производители, ритейлеры и организации здравоохранения.

VentureBeat назвал результаты ориентировочным срезом одной волны исследования. По мнению авторов, распространение ИИ-агентов опережает внедрение отдельных идентификаторов, изоляции и контроля прав. Однако опрос не позволяет установить реальную частоту таких инцидентов в корпоративном секторе.

Напомним, в июне Anthropic предложила защищать корпоративных ИИ-агентов по принципу Zero Trust. Этот подход предполагает отдельную учетную запись для каждой программы, минимальные права и проверку каждого действия.

Вот перефразированная новость на русском языке:

Хакер под псевдонимом ellie.191 взломал системы музыкального ИИ-сервиса Suno с помощью компьютерного червя Shai-Hulud. Вредоносная программа проникла на компьютер сотрудника через заражённые пакеты npm и украла учётные данные, токены и ключи доступа. В результате злоумышленник получил доступ к исходному коду сервиса, где обнаружились инструкции и логи загрузки аудио с YouTube Music, Deezer, Pond5 и других платформ. Эти данные использовались для обучения ИИ-моделей Suno. Об этом сообщили журналисты издания 404 Media.

Пока неясно, какую именно роль сыграл ellie.191 в атаке. По оценкам компании Socket, он мог либо сам заразить систему, либо воспользоваться данными, которые червь ранее выложил в открытый репозиторий на GitHub.

Хакер утверждает, что ему удалось получить информацию о сотнях тысяч пользователей, включая email, номера телефонов и данные, связанные с платёжной системой Stripe. Журналисты проверили часть записей, связавшись с их предполагаемыми владельцами, однако полный объём утечки пока не установлен.

В Suno подтвердили факт взлома, который был обнаружен ещё в ноябре 2025 года. В компании заявили, что инцидент быстро локализовали, он затронул в основном устаревший код, и конфиденциальные данные пользователей не пострадали. При этом сервис не опубликовал технического отчёта, который позволил бы проверить, какие именно системы и данные были скомпрометированы.

Среди найденных в коде данных — файл, зафиксировавший загрузку более 2 миллионов музыкальных клипов с YouTube Music общей длительностью почти 114 тысяч часов. Ещё один набор содержал 152 тысячи часов размеченных записей с YouTube. Также в коде фигурировали 62 тысячи часов музыки с Pond5, 12 тысяч часов с Deezer, 17,6 тысячи часов из набора genius_hq и почти 20 тысяч часов из Международного проекта библиотеки музыкальных партитур. Кроме того, был найден план загрузить около миллиона часов подкастов из 420 тысяч RSS-лент, но неизвестно, был ли он реализован.

Для сбора аудио с YouTube разработчики Suno использовали прокси-сервисы Bright Data, которые позволяют направлять запросы через сторонние IP-адреса.

Ранее в Suno признавали, что обучают свои модели на десятках миллионов общедоступных аудиофайлов и связанных с ними метаданных, и не исключали, что среди них могут быть произведения, защищённые авторскими правами. Сбор данных идёт с весны 2023 года.

Эта утечка может быть связана с судебными исками звукозаписывающих лейблов. В мае Universal Music Group и Sony Music Entertainment потребовали добавить к иску против Suno более 61 тысячи записей, которые, по их утверждению, были найдены в обучающих данных с помощью технологии аудиофингерпринтинга. Лейблы настаивают, что Suno нарушила авторские права, используя их музыку для обучения ИИ без разрешения. Сама Suno считает такое использование трансформативным и подпадающим под принцип добросовестного использования.

Отдельный спор касается способа получения файлов: лейблы обвиняют Suno в обходе технической защиты YouTube с помощью инструментов YT-DL и YT-DLP, что может являться нарушением Закона США об авторском праве в цифровую эпоху (DMCA). Утекший код может подтвердить факт загрузки аудио с YouTube и использования прокси, но сам по себе не доказывает обход конкретных средств защиты.

В ноябре 2025 года Warner Music Group урегулировала спор с Suno, заключив лицензионное соглашение. В марте 2026 года Suno представила новую версию своей модели v5.5, которая позволяет создавать персонализированные ИИ-модели и генерировать музыку собственным голосом.

Вот перефразированная новость на русском языке:

Компания OpenAI собирается выпустить умную колонку для дома, которая будет работать как «ИИ-компаньон». Об этом сообщает Bloomberg со ссылкой на инсайдеров.

Главная фишка устройства — его «личность» и умение общаться с человеком почти как живой собеседник. В колонку встроят камеру, датчики для анализа окружения и подвижные элементы, которые позволят ей двигаться самостоятельно. Также у гаджета будет аккумулятор, чтобы его можно было носить по дому.

Система получит доступ к переписке и почте владельца — это поможет ей лучше понимать привычки пользователя.

Ассистент будет работать на улучшенной версии голосового режима GPT-Live, который OpenAI запустила в начале июля. Колонка сможет управлять умным домом, включать музыку или видео и отвечать на сообщения через ChatGPT. По задумке, она станет физическим воплощением чат-бота и настоящим другом для пользователя.

Дизайн разрабатывает бывший глава дизайна Apple Джони Айв. К проекту также присоединились другие экс-сотрудники Apple, работавшие над iPhone и Mac.

OpenAI планирует показать устройство до конца 2026 года, а начать продажи — в 2027-м. Однако сроки могут сдвинуться из-за иска Apple: 10 июля компания обвинила ИИ-стартап в краже коммерческих тайн. Среди фигурантов дела — Тан Тань, главный директор OpenAI по аппаратному обеспечению и бывший глава дизайна продуктов iPhone.

Эта колонка — один из пяти гаджетов, которые сейчас разрабатывает OpenAI. В июле уже вышла мини-клавиатура Codex Micro для управления ИИ-агентами. У неё есть кнопка подтверждения, микрофон, регулятор уровня рассуждений модели и стик для выбора навыков. В комплекте — низкопрофильные переключатели (кликающие и бесшумные) и 32 сменные клавиши.

Напомним, что в июне OpenAI подала конфиденциальную заявку на IPO. Оценка компании может достичь $1 триллиона.

Вот перефразированная новость на русском языке:

В ходе технического эксперимента компании Nvidia точность модели Cosmos 3 Nano в тесте с выбором правильного ответа из четырёх вариантов выросла с 54,41% до 93,35% менее чем за сутки. Основные этапы дообучения выполнил ИИ-агент Codex, действовавший по заранее подготовленным инструкциям с использованием инструментария TAO.

Результат был получен на специализированном наборе данных Woven Traffic Safety от компании Woven by Toyota. Этот датасет содержит видеозаписи дорожных ситуаций и вопросы с четырьмя вариантами ответов. Для обучения и проверки модели использовалось более 8000 примеров.

Без дополнительной адаптации модель Cosmos 3 Nano правильно отвечала на 54,41% вопросов. Затем разработчики поручили агенту Codex оценить базовую модель и провести её дообучение с помощью метода LoRA.

Агент выбрал подходящую инструкцию Cosmos-reason, проверил аннотации датасета и обнаружил, что отсутствует параметр частоты кадров. После исправления конфигурации он загрузил веса модели, подготовил настройки и запустил обучающий контейнер.

Метод LoRA не изменяет все параметры модели, а обучает лишь небольшие дополнительные адаптеры. По расчётам Nvidia, в этом эксперименте такой подход потребовал примерно в семь раз меньше графического процессорного времени, чем полное дообучение Cosmos 3 Nano.

Один цикл обучения с помощью LoRA занял около 30 минут на восьми ускорителях NVIDIA A100 с 80 ГБ памяти. Точность модели после этого выросла до 87,14%.

Вторым запросом разработчики запустили инструмент TAO AutoML для подбора оптимальной скорости обучения, размера пакета, параметров LoRA и других настроек. Система провела 43 параллельных испытания. Лучший результат, полученный с помощью байесовской оптимизации, составил 93,35%. Этот этап занял 19,5 часа на нескольких узлах A100 в облачной инфраструктуре Oracle.

В ходе эксперимента агент Codex не ограничивался анализом результатов. Он выбирал рабочий процесс, проверял данные, исправлял конфигурацию, запускал контейнеры и сравнивал показатели. При этом автономность агента оставалась ограниченной — он действовал строго по заранее подготовленным инструкциям.

Показатель 93,35% отражает точность ответов на проверочной части одного исследовательского датасета. Он не оценивает безопасность автономного вождения и не подтверждает способность модели принимать решения в реальном времени.

Напомним, что в июне исследователи Nvidia, Университета Карнеги-Меллона и Калифорнийского университета в Беркли представили фреймворк ENPIRE, который позволяет ИИ-агентам для программирования улучшать алгоритмы управления роботами на реальном оборудовании.