Две независимые команды решили одну и ту же открытую проблему квантовой криптографии — неклонируемое шифрование — и залили препринты на arXiv в один день с разницей в 3 часа 18 минут. С одной стороны Сеюн Рагаван, аспирант третьего года из MIT. С другой — Прабханджан Анант (UC Santa Barbara) и Амит Сахаи (UCLA). Задача не поддавалась с 2019 года, когда Анна Бродбент и Себастьен Лорд сформулировали её современную постановку. Обе команды дожали её с помощью GPT-5.6 Sol Ultra.

Что за задача

Неклонируемое шифрование опирается на квантовую физику: зашифрованное сообщение нельзя разделить на две рабочие копии так, чтобы обе потом расшифровались. Звучит как трюк, но это фундамент для схем, где утечка ключа физически не даёт злоумышленнику размножить доступ. Для сообщества квантовой криптографии это был вызов последние несколько лет — и вдруг он падает дважды за одно утро.

Две разные тактики работы с моделью

Рагаван вёл модель вручную: запускал двухчасовыми подходами, читал промежуточный результат и разворачивал рассуждение в нужную сторону. Анант и Сахаи пошли иначе — натравили на выданные решения собственный «критик», внутреннюю систему UCLA, которая разносит кандидатов в доказательства до того, как в них поверит человек. Модель при этом выдала и конструкцию, и ключевые идеи доказательства.

«Теперь общее правило: услышал про открытую задачу — первым делом проверь, решит ли её GPT», — говорит Анант. Рагаван честнее насчёт масштаба перемен: «то, как я веду исследования сейчас, не имеет ничего общего с тем, что было два месяца назад». От идеи до готовой работы у него ушло две недели и один день.

Днём раньше: OpenAI Astra

За сутки до этого OpenAI показала Astra — не одну модель, а рой координирующихся агентов под длинные задачи. Он закрыл 10 проблем, открытых минимум десять лет: опроверг гипотезу Конна о жёсткости (стоит с 1980-го), доказал гипотезу Эрхарта об объёме, снял три задачи из каталога Эрдёша, зашёл в упаковку многомерных сфер, бинарные коды и сложность задачи ближайшего вектора — а это уже напрямую про стойкость решёточной криптографии.

Главное здесь не список, а форма отчёта: 249 страниц выкладок плюс формализованные доказательства в Lean 4, выложенные на GitHub под Apache 2.0, без единого «sorry». На языке формальной верификации это значит, что каждый шаг проверен машиной, а не принят на слово. Все вычисления обошлись примерно в 2000 долларов по API-расценкам.

Почему это перелом, а не разовый трюк

Смотреть надо на каталог проблем Эрдёша, который математик Томас Блум собрал в 2023 году. С 2024 года 111 задач переехали из «открытых» в «решённые»; сейчас счёт 565 решённых против 652 открытых. Это уже не единичные победы, а поток.

И математики расколоты. Тим Гауэрс (Кембридж, Коллеж де Франс): «написал бы эту статью человек — я бы рекомендовал её к публикации». Нога Алон из Принстона реагирует ровно наоборот: «раз ИИ начал их решать, в них больше нет смысла». Сам Блум смотрит с третьей стороны — работы прилетают быстрее, чем люди успевают их читать, и уже были случаи «решений» задач, которые Эрдёш закрыл ещё в 1977 году.

Осадок

Настоящей проверки пока нет: результаты Astra не проходили рецензирование, а Международный союз математиков ещё в июне прямо обвинил ИИ-компании в использовании опубликованных исследований без согласия авторов и в обходе peer review. Плюс отдельный вопрос, который подняли обе крипто-команды: если у всех один и тот же инструмент, что теперь считать независимым открытием? Обе группы уже обсуждают объединение работ.

Источник: Quanta Magazine · The Decoder · SiliconANGLE

Больше новостей: НЕЙРО-ПУШКА ● Новости и обзоры нейросетей

В июне 2026 года китайская компания Z-ai выпустила GLM-5.2 — флагманскую открытую модель с MIT-лицензией, которая мгновенно вызвала бурю обсуждений в индустрии. Модель привлекла внимание не только благодаря техническим характеристикам, но и уникальным преимуществам: самая сильная открытая модель, доступная бесплатно для скачивания и локального запуска.

Основные характеристики.

GLM-5.2 имеет 744 млрд параметров с архитектурой Mixture-of-Experts, где на каждый токен активируются около 40 млрд параметров. Контекстное окно достигает рекордных 1 млн токенов, а максимальный вывод — 128 000 токенов. Для оптимизации длинных текстов используется технология Index Share, снижающая вычисления в 2,9 раза.

Бенчмарки и результаты.

Кодинг-тесты показали впечатляющие достижения: GLM-5.2 обходит GPT-5.5 на SWE-bench Pro (62,1% против 58,6%), занимает второе место на FrontierSWE, уступая только Claude Opus 4.8 с разрывом всего 0,7%. В Terminal-Bench 2.1 модель лидирует среди открытых моделей.

В математике модель установила рекорд: результат 99,2% на олимпиадном тесте AIME 2026 — лучший показатель среди всех сравниваемых, включая GPT-5.5. На GPQA-Diamond достигнут результат 91,2%, а на IMOAnswerBench — 91,0%.

Сравнение с флагманами.

GLM-5.2 занимает первое место среди открытых моделей в рейтинге Artificial Analysis. При сопоставимых характеристиках — 1 млн токенов контекста и 128 000 токенов вывода — модель выигрывает по цене и лицензированию. Единственная модель, доступная из России напрямую без VPN, поддерживает оплату в рублях.

Преимущества.

Основные преимущества включают полный контроль над данными благодаря self-hosting с открытыми весами, отсутствие vendor lock-in и экономию за счёт низкой цены API. Модель совместима с Claude Code и OpenAI SDK, поддерживает function calling, streaming, JSON Schema и MCP.

Сильные и слабые стороны.

Сильные стороны: лучшая открытая модель для кодинга, рекордный результат на AIME 2026 (99,2%), низкая цена API и возможность локального запуска, длинный контекст 1M токенов с реальной стабильностью, MIT-лицензия без региональных ограничений.

Слабые стороны: на ультра-длинных горизонтах (SWE-Marathon) отстаёт от Claude Opus 4.8 в 2 раза, требует много токенов на рассуждение, облачная инфраструктура может быть менее стабильной.

Для кого подходит.

GLM-5.2 идеально подходит для разработчиков, требующих контроля над данными, бюджетных проектов с большими объёмами обработки текста и кода, агентных систем с длинными сессиями и тысячами tool-вызовов, проектов с требованиями к лицензированию, российских компаний, которым нужен доступ к топовым моделям без VPN.

Может не подойти для ультра-сложных задач на горизонтах 100+ часов, интеграции с Google Workspace и максимальной скорости генерации.

Заключение.

GLM-5.2 представляет собой революционный шаг в развитии открытых языковых моделей. За счёт MIT-лицензии, низких цен и сильных результатов на ключевых бенчмарках, модель закрывает нишу, которую ранее занимали только закрытые решения.

Статью можно прочитать полностью на сайте ВК.

Инженеры MIT разработали мягкий и гибкий гель, который резко меняет свою проводимость под действием света. По данным MIT, материал относится к области ионотроники — направления, где сигнал передаётся не электронами, как в классической электронике, а ионами. Это особенно важно, потому что именно ионы лежат в основе работы живых тканей, а значит такие материалы могут стать мостом между обычной электроникой и биологическими системами.

В текущей версии разработки мягкий материал может переходить из изолирующего состояния в состояние, которое становится примерно в 400 раз более проводящим под воздействием света. Ключевую роль здесь играют photo-ion generators (PIGs) — фото-ионные генераторы, которые сами по себе способны становиться примерно в 1000 раз более проводящими при освещении. Исследователи встроили такой PIG в полиуретановую резину, получив материал, который реагирует на свет и меняет локальную ионную проводимость.

MIT отдельно подчёркивает, что нынешняя версия материала пока меняет проводимость необратимо, но команда рассчитывает в будущем создать варианты, которые смогут переключаться туда и обратно между изолирующим и проводящим состоянием. Также исследователи хотят разработать подобные мягкие материалы, реагирующие не только на свет, но и, например, на тепло или магнитные поля.

Такие материалы могут оказаться очень полезными для носимых устройств, мягкой робототехники, биосовместимых интерфейсов, биомедицины и систем человек-машина. В этом видео разберём, как работает новый гель MIT, почему ионотроника считается перспективным направлением, и как подобные мягкие материалы могут повлиять на электронику будущего.

Идея MIT очень простая и оттого красивая. Не надо запихивать в модель сразу весь документ. Пусть модель ведёт себя как программист, который работает с датасетом, а не как студент, который пытается выучить учебник за ночь перед экзаменом. Контекст вытаскивается из промпта в отдельную область памяти, как переменная df в Jupyter Notebook. Корневая модель видит только сам вопрос и набор инструментов, через которые она может добраться до данных.

Инструментов всего четыре, и их хватает на любой сценарий аналитика. Peek позволяет заглянуть в первые две тысячи символов и понять структуру. Grep с регулярками выдёргивает только релевантные строки. Partition режет массив на куски нужного размера. И самое важное: модель может рекурсивно вызывать саму себя на этих кусках. Никакого хардкода шагов от человека, никаких заранее прописанных воркфлоу. Стратегию декомпозиции придумывает сама модель, исходя из того, что она увидела при первом заходе.

Простой пример из статьи. У вас 5000 тикетов саппорта и вопрос: сколько обращений по биллингу пришло от пользователей с ID 12345, 67890 и 11111. Обычная LLM получит все 5000 строк сразу, попытается охватить всё, и почти наверняка ошибётся на этапе подсчёта. RLM работает иначе. Сначала peek, чтобы понять формат строки. Потом grep по нужным ID, и из 5000 записей остаётся 50. Дальше рекурсивный вызов на этом подмножестве с задачей классификации. Финальный ответ возвращается наверх, при этом контекст корневой модели всё это время оставался компактным.

Что это даёт на практике. Точность перестаёт зависеть от размера документа, потому что корневая модель никогда не видит его целиком. Контекст становится буквально неограниченным: 10 миллионов токенов? Просто больше уровней рекурсии и более мелкие куски. Логика работы остаётся прозрачной, потому что каждый шаг это явный вызов инструмента. Стоимость падает, потому что десяток коротких вызовов почти всегда дешевле одного гигантского. И главное: метод растёт вместе с моделями.

Если коротко, MIT показал, что грубая сила длинных окон это тупиковый путь. Будущее за моделями, которые умеют смотреть на свои данные сверху, как разработчик на дамп базы, и решать на лету, что именно подгружать. Для всех, кто строит RAG, агентов или ассистентов поверх корпоративных документов, очень хороший повод пересмотреть архитектуру.

Оригинальная статья: https://arxiv.org/abs/2512.24601v1

Код проекта: https://github.com/alexzhang13/rlm

Больше разборов про ИИ и технологии в моём Telegram: https://t.me/ai_machinelearning_big_data

Что конкретно умеет SEAL по статье и тестам авторов. Модель усваивает новые знания в реальном времени, без классического переобучения с нуля. Она восстанавливает деградировавшее знание, то есть способна чинить свои же провалы в памяти. И что важнее всего для тех, кто строит продукты на LLM, у нее формируются устойчивые «воспоминания» между сессиями, а не просто подкрученный контекст в окне.

Для практиков это поворот на сто восемьдесят градусов. Сейчас весь стек вокруг LLM построен на том, что модель замороженная, а память приклеена сбоку через RAG, векторные базы и хитрые промпты. SEAL предлагает другой путь: пусть веса меняются сами, локально и под конкретного пользователя или задачу. Это сразу поднимает кучу вопросов про безопасность, воспроизводимость, аудит и стоимость инференса, но для AI-инженеров это новое огромное поле для работы.

Если копнуть в архитектуру глубже, то ключевая идея в том, что модель сама параметризует процесс адаптации, а не полагается на внешние модули вроде LoRA-адаптеров или отдельных сетей памяти. Self-edit это не просто текст, это план перестройки информации: что переформулировать, какие гиперпараметры оптимизации выставить, какие инструменты подключить для аугментации данных. По сути LLM становится и учеником, и преподавателем одновременно.

Авторы показывают результаты на двух типах задач: внедрение новых знаний и few-shot generalization. На обоих сценариях SEAL обходит классические подходы, где данные просто скармливаются модели «как есть» через fine-tuning или in-context learning. Цифры в статье впечатляют, особенно на continued pretraining, где self-edits дают заметный прирост по сравнению с обычным дообучением на синтетических данных от GPT-4.1.

Что это значит для рынка. Если идея self-adapting моделей закрепится, мы увидим сдвиг от «одна большая модель на всех» к персональным или корпоративным моделям, которые живут вместе с пользователем и постепенно подстраиваются под его данные, стиль и задачи. Это бьет одновременно и по чисто облачным игрокам, и по поставщикам RAG-инфраструктуры, потому что часть их функций уезжает внутрь самой модели.

Полезные ссылки:

Оригинальный пост Matt Dancho в X: https://x.com/mdancho84/status/2048726658622833121

Статья SEAL на arXiv: https://arxiv.org/abs/2506.10943

Сайт проекта: https://jyopari.github.io/posts/seal

Если резюмировать одной мыслью: SEAL это не очередной трюк с промптами, а попытка переизобрести то, как языковая модель вообще существует во времени. И если такая концепция действительно ляжет в основу следующих поколений GPT, то фраза «модель учится на лету» перестанет быть маркетинговым штампом и станет технической реальностью.