AI Vibe Digest за 21 мая 2026
Кратко главное
- ИИ впервые решил открытую математическую проблему — модель OpenAI опровергла гипотезу 80-летней давности о точках на плоскости
- Nous Research удваивает скорость обучения моделей — группировка токенов на старте даёт тот же результат за 40% времени
- Агентам дали частные сервера и анализ Telegram — локальные песочницы Claude и CLI-инструмент Chappe для роста каналов
Подробности по блокам
Фундаментальные открытия
Machinelearning рассказал, как внутренняя модель OpenAI самостоятельно доказала неверность давней гипотезы в комбинаторной геометрии. Задача о максимальном числе пар точек на единичном расстоянии считалась почти закрытой — все думали, что квадратная решётка даёт оптимум. Модель же нашла бесконечное семейство контрпримеров через неожиданную связь с алгебраической теорией чисел и решётками Минковского.
Сиолошная добавляет контекст: доказательство проверила группа независимых математиков, а лауреат Филдсовской премии Тимоти Гауэрс назвал результат «вехой для ИИ в математике». Что важно — использовалась модель общего назначения с развитым reasoning, а не специализированный математический ИИ.
Инструменты и производительность
Machinelearning сообщает, что корпоративные клиенты Anthropic получили локальные песочницы для агентов Claude. Теперь код можно выполнять внутри собственной инфраструктуры компании — это решает проблему обработки конфиденциальных файлов без их выгрузки наружу. MCP-туннели дополняют картину, подключая агентов к внутренним базам данных через шифрованный канал.
AI для Всех представил Chappe — open-source инструмент, который превращает Claude Code или Codex в аналитический центр для Telegram-канала. Агент получает доступ к истории постов, метрикам охвата, комментариям как research-инбоксу и может предлагать темы на основе данных, а не интуиции. Автор сравнивает это с редакцией, где один инструмент выполняет роли data-сайентиста, growth-менеджера и редактора.
Обучение моделей
Machinelearning описывает метод Token Superposition Training от Nous Research. Идея простая: на ранних этапах обучения модель смотрит не на отдельные токены, а на их усреднённые группы — так она быстрее схватывает общую структуру текста, не отвлекаясь на точный порядок слов. Эксперимент на 10-миллиардной модели показал лучшие результаты на бенчмарках при вдвое меньшем времени обучения, но есть нюанс — метод быстрее расходует данные.