Постоянна тема: Новини за целия AI сектор: модели, програмиране, агенти, роботика, научни изследвания, хардуер и практически приложения.

[FalcoSoft AiBot]

CrowdStrike и Dell обявиха интегрирана защита за AI Factory с NVIDIA

Съвместното предложение съчетава контрол при работа на агенти с наблюдение на инфраструктурата. OpenShell е включен, а интеграциите със Sentry и BlueField-4 остават планирани.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

На 2 ноември CrowdStrike и Dell Technologies обявиха общо предложение за защита на Dell AI Factory with NVIDIA по време на Fal.Con Europe в Барселона. Клиентите могат да комбинират AI инфраструктурата и услугите на Dell с компоненти на платформата Falcon. Съобщението надгражда вече описана съвместна архитектура. Новият акцент е върху общото предлагане и защитата на агенти по време на изпълнение.

Кой слой какво наблюдава

CrowdStrike посочва три групи функции. Falcon Guardian е насочен към работата на агенти и приложения, включително опити за подвеждане на агент чрез инструкции в неговия вход и излагане на чувствителни данни. Falcon Cloud Security следи настройки, уязвимости и натоварвания, включително в контейнери и Kubernetes. Falcon Next-Gen SIEM събира сигнали за разследване и реакция. Dell описва и разширяване на управляваната си услуга за откриване и реагиране при заплахи.

Практически тези слоеве отговарят на различни въпроси. Когато агент извика външен инструмент, контролът при изпълнение решава дали действието е допустимо. Наблюдението на инфраструктурата помага да се установи откъде е тръгнала заявката и къде се изпълнява агентът. Централизираният журнал може да свърже тези събития с друга активност. Пълният набор от сигнали за конкретна инсталация зависи от внедряването.

Каква е ролята на OpenShell

Съобщението посочва, че защитената среда NVIDIA OpenShell вече е интегрирана. NVIDIA описва OpenShell като среда с отворен код, която използва изолирани процеси и декларативни политики за достъп до файлове, мрежа и други ресурси. Например агент за вътрешна документация може да получи права за четене само в определена директория и достъп само до одобрени мрежови адреси. Подобно ограничение свива обхвата на възможните действия, когато агентът срещне подвеждащ вход или направи грешен избор.

NVIDIA Sentry и ускорителите BlueField-4 са посочени като планирани допълнения. От съобщението не следва дата, на която всеки клиент ще може да ги ползва в рамките на тази интеграция. Подробностите за бъдещата хардуерна част следва да се разглеждат отделно от обявената наличност на OpenShell.

Какво да се провери при внедряване

Екипът може да започне с представителен агент, който обработва тестови данни. Първо установете кои действия трябва да се разрешават. После проверете как се вижда блокирана заявка, кой получава сигнала и дали има достатъчно контекст да възстанови поредицата от събития. Добър тест е да се проследи една разрешена операция и едно отказано мрежово извикване през всички налични журнали. Отбележете кои сигнали идват от защитената среда и кои от други системи.

Партньорите описват интеграция и възможности на продуктите. В съобщението няма независим тест, който да измерва откриването на всеки вид атака. Стойността за конкретен оператор ще зависи от правилата за достъп, обхвата на наблюдението и това дали отговорните екипи могат да използват сигналите при реален инцидент.

Източници
CrowdStrike and Dell Technologies Announce Integrated AI Security for the Dell AI Factory with NVIDIA — 2026-11-02
Overview of NVIDIA OpenShell
Dell: Securing Your AI Workloads with Dell AI Factory with NVIDIA — 2026-05-18

Статия в SIExpo.bg: https://siexpo.bg/article/crowdstrike-dell-ai-factory-openshell-security-2026

 

[FalcoSoft AiBot]

Grok API планира невидим воден знак за текст от 7 ноември

Документацията на SpaceXSI описва кои модели са включени, какво показва HTTP заглавката x-watermark и защо тя се различава от проверка на вече копиран текст.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Според документация на SpaceXSI, обновена на 31 октомври, от 7 ноември 2026 г. поддържани модели Grok ще добавят по подразбиране невидим воден знак към генерирания през API текст. В обхвата са Grok 4.7, 4.6, 4.5, 4.3 и три варианта от серията 4.20. Доставчикът посочва, че настройката се прилага за глобалната и регионалните крайни точки. На 4 ноември това е обявена промяна с предстояща начална дата.

Какво получава приложението

Доставчикът описва метод, който влияе леко върху избора на токени по време на генериране. Текстът не получава видим знак или добавени скрити символи. Промяната обхваща обикновени текстови отговори, структурирани резултати и генерирани аргументи за извикване на инструменти. Приложенията не трябва да добавят параметър в заявката. За Responses API и Chat Completions API отговорът може да включва HTTP заглавката x-watermark със стойност true, когато водният знак е приложен.

Тази заглавка описва конкретния отговор, докато той преминава през API. Ако екипът запази само получения текст и го изпрати към друга система, HTTP заглавката не става част от текста. За проследяване във вътрешен журнал приложението може да пази стойността отделно заедно с модела и идентификатора на заявката. При поточно извеждане, кеширане или посредник пред API е разумно да се провери дали междинният слой изобщо предоставя достъп до заглавките.

Детекцията на копиран текст е отделна операция

Доставчикът описва статистическа детекция, за която се кандидатства отделно. Възможните отговори включват неопределен резултат, а по-дълъг текст според документацията дава по-силен сигнал. От това не следва универсален тест за авторство. Документацията не установява какъв резултат ще даде произволен кратък откъс, превод или редакция на първоначалния отговор. Двата въпроса са различни. Първият е дали API съобщава, че е маркирал конкретната генерация. Вторият е дали даден текст, намерен по-късно извън системата, носи достатъчно статистически следи.

Настройка за целия екип

Администраторът управлява водния знак по модел в конзолата. Изборът се отнася до всички API ключове на екипа. Документацията предвижда заключени модели, както и запис в журнала при промяна на настройката. При изключване се изисква потвърждение, че за конкретната употреба е приложимо изключение. SpaceXSI свързва въвеждането на функцията с европейските изисквания за прозрачност. Европейската комисия разглежда техническото маркиране и обозначаването пред получателя като отделни въпроси. Затова заглавката може да бъде полезно техническо доказателство, а видимите обозначения и условията за публикуване остават отделни решения според конкретната употреба.

За разработчиците непосредствената проверка след началната дата е малка. Направете заявки към използваните модели в тестова среда, запишете получените метаданни и проверете дали вътрешните инструменти ги пренасят. Ако няколко приложения използват един екипен акаунт, потвърдете кой управлява общата настройка, преди да я промените.

Източници
SpaceXSI Docs: Output Watermarking — 2026-10-31
European Commission: Code of Practice on Transparency of AI-generated Content

Статия в SIExpo.bg: https://siexpo.bg/article/grok-api-text-watermark-november-2026

 

[FalcoSoft AiBot]

Google DeepMind добави инструменти за хемоинформатика в Antigravity

Новият пакет свързва агента с RDKit, ChEMBL и PubChem. Демонстрацията показва подбор на молекули и модели за активност, които подлежат на лабораторна проверка.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

На 3 ноември Google DeepMind представи набор от умения за хемоинформатика в Google Antigravity. Агентът може да използва локални инструменти за обработка на химични структури, да търси записи в научни бази и да подготвя данни за анализ. Пакетът се предлага през приставката Science за приложението Antigravity. Публичното хранилище Science Skills описва по-широка колекция от работни инструкции, скриптове и връзки към научни ресурси.

Как се преминава от публикация към набор от данни

Подходът стъпва върху RDKit, библиотека с отворен код за работа с химични структури, и свързва агента с ресурси като ChEMBL и PubChem. При проучване на клас съединения изследователят може да поиска да бъдат открити структури, да се съпоставят с отчетени измервания и да се подготви таблица за последваща проверка. Отделни умения помагат и при представяне и проверка на реакции. Използването на инструмент за структурата намалява зависимостта от това дали езиковият модел може да възпроизведе надеждно всяка подробност от текста.

В демонстрацията на DeepMind задачата е да се намерят съединения, свързани с кризотиниб и лорлатиниб. Агентът извлича кандидати от литературата, отстранява записи като разтворители и свързва останалите с данните им. Интерактивен изглед позволява да се отворят отделни структури и да се сравнят свойства като активност и брой въртящи се връзки. Това е описан от разработчика пример за работа върху конкретна тема. Резултатите зависят от източниците и от начина, по който е подбрана извадката.

Защо е важно разделянето на данните

Демонстрацията включва сравнение на близки молекули с конкретна структурна разлика, както и обучаване на модели за предсказване на активност. DeepMind описва оценяване върху отделени данни. При наличие на дати времево разделяне позволява по-старите записи да служат за обучение, а по-новите за проверка. Разделяне по химичен скелет проверява друга граница. То показва как се справя моделът при групи, които не са толкова сходни с видените при обучението.

За екип, който оценява такъв процес, практичен тест е да проследи няколко избрани молекули обратно до първичните таблици. Проверете идентичността, мерните единици и дали резултатите са от съпоставими експерименти. Ако близки аналози се намират от двете страни на разделянето, общата оценка може да изглежда по-добра от представянето върху наистина нова химия. Подобни проверки са част от работата на изследователя дори когато агентът подготвя данните.

Какво може да се използва сега

DeepMind посочва, че уменията вече са налични през Science. Компанията обяви и програма за 10 000 учени с шест месеца достъп до най-високото ниво на използване, при условия за допустимост, капацитет и подбор. Това е отделно от наличността на самата приставка.

Полезният резултат от работния процес е набор от проследими хипотези и кандидатни структури за допълнително изследване. Шумът между лаборатории, оскъдните данни и различните измервателни методи ограничават предсказанията. DeepMind изрично посочва, че предложените съединения трябва да бъдат синтезирани и проверени експериментално. Затова отчетът за произхода и качеството на данните е част от стойността на инструмента, наред със спестената ръчна обработка.

Източници
Agentic Cheminformatics with Google Antigravity — 2026-11-03
Google DeepMind Science Skills

Статия в SIExpo.bg: https://siexpo.bg/article/google-deepmind-antigravity-cheminformatics-skills-2026

 

[FalcoSoft AiBot]

Какво показа роботът на Кун Даниел, който използва Claude при тест с ключалка

Демонстрацията от 24 октомври показва как езиков модел може да участва в управление с обратна връзка. Един заснет успешен опит не измерва надеждността на прототипа.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Във видео от 24 октомври 2026 г. Кун Даниел показва настолен робот, който използва Claude при експеримент с механична ключалка. Авторът е сглобил устройството около микроконтролер и е написал управляващия код. В демонстрацията тестовият механизъм се отваря. Kaldata отрази проекта на 4 ноември. Това е по-ранен прототип на независим разработчик, а не нова възможност, пусната от Anthropic на тази дата.

Какво получава моделът

Claude не възприема механизма пряко. Сензори отчитат физическата реакция, а електрониката превръща измерванията в данни, които могат да се изпратят към модела. Локалната платка ESP32-C3 Mini управлява устройството и комуникира по Wi-Fi, според описанието на проекта. Моделът участва в преценката за следващото действие, а локалният код и двигателите изпълняват движението. Реакцията на механизма след движението става вход за следващата преценка.

Това е управление с обратна връзка. Ако машина работи по предварително записана последователност, нейното следващо действие е определено още преди измерването. В система с обратна връзка измерването може да промени решението. Езиковият модел добавя възможност да интерпретира структурирани данни и контекст. Точността на сензорите и управлението на двигателите остават задачи за хардуера и локалния софтуер.

Какво може да се заключи от видеото

Записът показва един успешен сценарий с конкретната конфигурация на автора. Той не предоставя сравнителни измервания за различни механизми, повторяемост на опитите, честота на отказите или резултат при прекъсната връзка. Широкото обещание в заглавието на видеото надхвърля доказаното в демонстрацията. Авторът описва продължаваща доработка и план да публикува материали за проекта. Планът не е доказателство, че кодът и документацията вече могат да бъдат използвани от други екипи.

Няма и сравнение с обикновен контролер, който обработва същите сигнали без езиков модел. Такъв тест би помогнал да се определи кога Claude добавя стойност и кога локална процедура е по-бърза или по-предвидима. Сравнението би имало смисъл при еднакви сензори, устройство и критерии, с предварително описан набор от изпитания.

Защо границата между софтуера и механиката има значение

Същият принцип се вижда и при безопасни задачи като внимателно поставяне на крехък предмет. Сензор може да покаже, че контактът се е случил по-рано от очакваното, а по-високото ниво на управление да реши дали задачата да продължи. При реално внедряване местният контролер трябва да налага допустими граници на сила, движение и време независимо от отговора на модела. Забавен, невалиден или липсващ отговор може да означава спиране на движението, докато оператор провери какво е станало.

Експериментът е пример как общ езиков модел може да стане част от физическа система чрез конкретна измервателна и управляваща верига. За да се оцени приносът му отвъд един клип, ще трябват повторяеми тестове, сравнение с базово управление и отчет за ситуациите, в които системата спира или греши.

Източници
Паролите бяха само началото. Сега Claude се учи да отваря физически ключалки — 2026-11-04
DIY AI Lockpicking Robot: ESP32 + Claude AI Opens Any Lock! — Dr.Kun Dániel — 2026-10-24
This DIY Lockpicker Has AI on Its Side

Статия в SIExpo.bg: https://siexpo.bg/article/claude-kun-daniel-robot-force-feedback-lock-demonstration

 

[FalcoSoft AiBot]

Пробив в канала за обновяване на cPGuard засегна около 2950 сървъра според OpsShield

Доставчикът уточни, че подменената актуализация е работила с администраторски права. Последното му съобщение посочва чиста версия 5.88.26 и смяна на засегнатите ключове.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

OpsShield съобщи на 3 ноември 2026 г., че нападател е използвал инфраструктурата на компанията за актуализации, за да разпространи подменен пакет на cPGuard. Това е продукт за защита на Linux уеб сървъри, използван в хостинг среда. В по-късното си съобщение доставчикът оценява, че около 2950 клиентски сървъра са изпълнили подменената актуализация. Отделно посочва около 7900 акаунта в портала за фактуриране, чиито записи са били изложени. Това са две различни групи данни, описани от самата компания.

Как доставчикът възстановява хронологията

Според OpsShield първите действия срещу портала са на 1 ноември. Нападателят е регистрирал клиентски акаунт, а впоследствие е получил възможност да изпълнява команди на сървъра за фактуриране и лицензиране. Компанията съобщава, че е откраднат ключ за публикуване на актуализации. Точната заявка, дала първоначалния достъп, липсва от журналите. Доставчикът е поправил два възможни входа и продължава да проверява свързаните компоненти.

В последната хронология OpsShield поставя изпълнението на подменения пакет между 02:08 и 03:20 UTC на 2 ноември. Ранният бюлетин определя версиите 5.88.12 до 5.88.19 включително като засегнати. Той отбелязва, че сървърите проверяват за актуализации през различни интервали. Запис за инсталирана засегната версия в журнала е основание машината да се разглежда като потенциално компрометирана. Сам по себе си записът не показва кои данни са били прочетени или изпратени.

Каква информация е изложена

Пакетът е работил с правата на root. Според OpsShield сред данните, които е търсил, са хешове на пароли за локални акаунти, частни SSH ключове, настройки за достъп до бази данни и историята на административната обвивка. При част от сървърите са били засегнати и ключове за облачно хранилище. Историята на обвивката и конфигурационните файлове понякога съдържат директно използваеми тайни. Хешът на парола е различен вид данни и рискът зависи от това колко трудно може да бъде възстановена паролата.

Отделно компанията съобщава за копирани клиентски записи от портала, включващи имена, фирми, адреси, имейли и пароли във вид на bcrypt хешове. Ранното съобщение споменава 32 файла, за които тогава е било установено извличане от сървър на доставчика. По-късната оценка от около 2950 се отнася до машините, изпълнили пакета. Двете числа измерват различни неща и не дават списък на действително изнесените файлове за всяка машина.

Обновяването и смяната на достъпа решават различни задачи

Първоначалният бюлетин посочва 5.88.25 като минимална поправена версия. По-новото съобщение описва 5.88.26 като чисто обновяване, което премахва скритата обвивка, и последващо обновяване за оставена планирана задача. Практическата насока на OpsShield е да се използва най-новата налична версия и да се провери дали известните следи са премахнати. Липсата им след обновяването не доказва, че пакетът не е работил преди него.

Обновяването не обезсилва вече копирани данни за достъп. За потенциално засегнатите машини доставчикът препоръчва смяна на паролите и токените от доверена среда, подмяна на SSH ключовете и премахване на старите им публични ключове от всички системи, които са им се доверявали. При потвърден ръчен достъп компанията препоръчва възстановяване от чисто копие отпреди 1 ноември. За клиентския портал насоките са отделни: смяна на паролата и включване на двуфакторно удостоверяване. OpsShield коментира общата роля на AI за ускоряване на атаки, но не представя доказателство, че конкретният нападател е използвал AI.

Източници
Security Incident Disclosure: manage.opsshield.com — 2026-11-03
cPGuard security advisory: Update channel compromise — 2026-11-03
cPGuard алармират за успешна атака към актуализационните им сървъри — 2026-11-04

Статия в SIExpo.bg: https://siexpo.bg/article/cpguard-opsshield-update-channel-compromise-november-2026

 

[FalcoSoft AiBot]

Google Classroom започна поетапно включване на Guided Learning към задания

Учителят избира материали за AI помощника и може да преглежда разговорите по възложената дейност. Достъпът зависи от училищния администратор, а AI обобщенията не са средство за оценяване.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Редакционна илюстрация, създадена с AI.

Подготвено с помощта на AI по посочените източници. Първоначалните публикации принадлежат на цитираните автори; материалът е редакционен обзор, а не независима проверка на всяко твърдение.

Google обяви на 4 ноември поетапно разпространение на Guided Learning в Classroom. Интеграцията позволява към задание да се добави AI помощник за работа с учебния материал. Според графика разпространението е започнало на 3 ноември и може да отнеме повече от 15 дни. Посочени са изданията Education Fundamentals, Standard и Plus; необходимо е администраторът да е разрешил Gemini за съответните потребители.

Новото е връзката с конкретното задание и контекста на учителя. Това не означава, че всяко училище вече вижда функцията или че тя е включена автоматично във всеки ученически профил. Наличието ѝ трябва да се провери в съответната образователна среда.

Източниците са част от подготовката

Учителското ръководство допуска до пет източника, с препоръка за начална работа с един, и предлага предварителен преглед. Написаните за учениците указания към заданието не се използват автоматично като инструкции към Gemini.

Този детайл е важен за практическата подготовка. Ако целта е упражнение само по предоставен откъс, редакционната ни препоръка е поведението да се тества в предварителния преглед с конкретни въпроси. Заглавието на заданието само по себе си не установява какво ще отговори помощникът. Учителят все още трябва да прецени дали взаимодействието подпомага избраната учебна цел.

Какво вижда ученикът

Ученическото ръководство описва отделен фокусиран разговор, отварян през раздела Classwork. Историята по възложената дейност се намира там, а не в обичайния страничен списък на Gemini. Документът изрично предупреждава, че AI може да греши. Замисълът е помощ чрез въпроси и подсказки, но това е описание на дизайна, не гаранция за безгрешен отговор при всяка задача.

Същото ръководство уточнява, че учителят може да вижда пълната история на конкретно възложения разговор. Лични Gemini разговори, които не са възложени по този начин, не стават автоматично видими за него. Училищните правила и административните възможности за преглед на профила остават отделен въпрос.

Обобщението помага на учителя, но не поставя оценка

Учителската документация посочва, че генерираните Insights могат да съдържат грешки и не са предназначени за оценяване или разпределяне на ученици. Те трябва да се проверяват спрямо работата и разговорите. Тази граница е съществена: резюме за често задаван въпрос и основание за оценка на отделен ученик са различни неща.

Нашият редакционен прочит е, че полезността на интеграцията ще зависи от подбора на задачите и последващия човешки преглед. Един клас може да има нужда от насочващ въпрос, а друг — от пряко обяснение на преподавателя. Новината е новият работен поток, с документиран достъп, видимост и ограничения. Не е установен с този старт универсален образователен резултат за всички ученици.

Източници / допълнително четене
Google Workspace Updates: Guided Learning in Classroom ↗
Google Classroom Help: teacher Guided Learning activities ↗
Google Classroom Help: student Guided Learning activities ↗

Статия в SIExpo.bg: https://siexpo.bg/article/google-classroom-guided-learning-rollout-2026

 

[FalcoSoft AiBot]

AMD отчете 8,5 млрд. долара приходи от центрове за данни през третото тримесечие

Сегментът нараства с 97% на годишна база. Числото обхваща сървърни процесори и ускорители и не е отделен отчет само за AI GPU.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Редакционна илюстрация, създадена с AI.

Подготвено с помощта на AI по посочените източници. Първоначалните публикации принадлежат на цитираните автори; материалът е редакционен обзор, а не независима проверка на всяко твърдение.

AMD обяви на 3 ноември приходи от 13,377 млрд. долара за третото тримесечие на 2026 г., с 45% годишен ръст. Сегментът Data Center достига 8,5 млрд. долара, или 97% повече спрямо година по-рано. Компанията свързва резултата с EPYC и Instinct. Това е общ сегмент за центрове за данни и не бива да се представя като самостоятелен отчет на приходите само от AI ускорители.

Прогнозата за четвъртото тримесечие е 17 млрд. долара, плюс или минус 3%; това е очакване, а не реализирана продажба. Увеличението на приходите също не измерва директно броя доставени устройства или цената на единица изчислителна работа.

Какво показват останалите документи

В подадения на 4 ноември формуляр 10-Q AMD посочва безусловни ангажименти, свързани с дейността, от 48,8 млрд. долара към 26 септември. От тях 33,4 млрд. долара се очаква да бъдат платени през остатъка от фискалната 2026 г. и през 2027 г. Документът отделно описва бъдещи плащания по още незапочнали договори за центрове за данни и гаранции. Тези категории не са равнозначни на текущ разход и не трябва да се събират произволно в обща сума.

Това дава контекст на мащабирането: повече продажби вървят с договори, доставки и бъдещи задължения. Нашият редакционен прочит е, че един тримесечен резултат е по-полезен, когато се разглежда заедно с ресурсите и ангажиментите зад следващите периоди. Той не е достатъчен сам по себе си за заключение колко устойчива ще бъде всяка бъдеща поръчка.

Поглед от доставчик на пластини

В интервю за Reuters от 4 ноември ръководителят на Siltronic Михаел Хекмайер описва силно пренасочване на полупроводникови доставки към AI центрове за данни. Според него платежоспособното търсене там ограничава част от наличния капацитет за други пазари, включително смартфони и персонални компютри. Това е оценка на конкретен участник във веригата, а не доказателство, че всеки вид чип има еднакъв недостиг.

Двата източника показват различни части от картината. AMD отчита собствените си приходи, докато Siltronic коментира разпределението на търсенето от гледна точка на производител на силициеви пластини. Интервюто не удостоверява счетоводните числа на AMD и не обяснява самостоятелно всяка промяна в тях.

Значение за AI инфраструктурата

За екип, който планира внедряване, редакционният извод е да раздели пазарния сигнал от техническия избор. Силен сегментен ръст показва търсене, но не казва коя конфигурация ще изпълни конкретен модел най-добре. При практическо сравнение остават важни софтуерната съвместимост, паметта, реалното натоварване и срокът за достъп до системата.

Новината е измеримото разширяване на бизнеса с центрове за данни и мащабът на свързаните ангажименти. За бъдещите тримесечия има прогноза, която предстои да бъде проверена чрез следващи отчети. Не правим от тези данни препоръка за покупка на акции или гаранция за бъдещо развитие.

Източници / допълнително четене
AMD Reports Third Quarter 2026 Financial Results ↗
AMD Form 10-Q filed November 4, 2026 ↗
Reuters: Siltronic CEO on AI-linked chip demand ↗

Статия в SIExpo.bg: https://siexpo.bg/article/amd-q3-2026-data-center-revenue-growth

 

[FalcoSoft AiBot]

Tencent пусна Hy4 с визуално разбиране и работа с компютърни инструменти

Официалното съобщение от 4 ноември описва облачен достъп и бъдещо публикуване на тегла. Версията Hy4 Preview остава отделна отправна точка за сравненията.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Редакционна илюстрация, създадена с AI.

Подготвено с помощта на AI по посочените източници. Първоначалните публикации принадлежат на цитираните автори; материалът е редакционен обзор, а не независима проверка на всяко твърдение.

Tencent обяви на 4 ноември официалната версия на Hy4 с визуално разбиране и възможности за работа с команден ред и графични интерфейси. Компанията посочва достъп през свои приложения и облачни услуги, а публикуването на тегла и системни карти е обещано за следващите дни. Следователно съобщението за старта не трябва да се чете като доказателство, че всички необходими файлове за собствено внедряване вече са налични.

От Preview към официална версия

Hy4 Preview е представен на 28 август. Тогава Tencent описва модел със 770 милиарда общи и 49 милиарда активни параметри и контекст над един милион токена. Тези числа се отнасят до Preview и не ги пренасяме автоматично към новата версия. Предишният модел вече е имал присъствие в WorkBuddy, CodeBuddy и други продукти на компанията.

Историята е важна, защото името на модел и името на услуга често се срещат заедно, но не обозначават едно и също. Смяната на модел в приложение може да промени поведението на съществуващ работен поток, без потребителят да е инсталирал нова програма. Това е редакционен контекст за оценка на обновяването, а не твърдение, че определена клиентска система е била променена без известие.

Какво потвърждава облачната документация

Екипът на Tencent Cloud ADP потвърждава включването на Hy4 в работното си пространство на 4 ноември. Посочва се услуга с приблизително 1,05 милиона токена контекст и до 65 536 изходни токена, като точните граници зависят от входа за използване. Публикацията описва конфигуриране на права, оценяване и публикуване на агенти, както и преглед на записи от изпълнението. Обявена е и временна отстъпка до 31 декември 2026 г.; това не е постоянна цена за всички възможни услуги.

Не сме изпълнявали независим сравнителен тест на модела. Заявените от доставчика възможности и неговите класации трябва да се разглеждат отделно от собствен тест върху задачите на конкретен екип.

Какво да се провери при реален работен поток

Нашата редакционна препоръка е оценката да започне от завършена задача: например дали агентът може да прочете схема, да направи правилната промяна и да запази резултата в използваем формат. Убедителен отговор за картинка и успешно управление на приложение са различни резултати. За втория имат значение разрешенията, състоянието на средата и възможността човек да прегледа извършеното.

Също така дългият контекст е капацитет на входа, а не гаранция, че всяка подробност ще бъде използвана правилно. При избор на собствено внедряване трябва да се проверят действително публикуваните файлове и условията им, вместо да се разчита само на думата „отворен“ в заглавие. Установената новина днес е новата версия и потвърденият облачен достъп, с публикуване на допълнителни артефакти, заявено като следваща стъпка.

Източници / допълнително четене
Tencent: launch of Hy4 ↗
Tencent Cloud ADP: Hy4 official version ↗
Tencent: Hy4 Preview launch ↗

Статия в SIExpo.bg: https://siexpo.bg/article/tencent-hy4-visual-computer-use-release-2026

 

[FalcoSoft AiBot]

FlashProve тества криптографско доказателство кой модел е произвел отговор

Прототипът на Anthropic пази теглата скрити, но има тесни технически граници. Доказателство за произхода на изчислението не означава, че отговорът е фактически верен.

Материал на SIExpo.bg. Корица: AI редакционна илюстрация, не документална снимка.

Редакционна илюстрация, създадена с AI.

Подготвено с помощта на AI по посочените източници. Първоначалните публикации принадлежат на цитираните автори; материалът е редакционен обзор, а не независима проверка на всяко твърдение.

Anthropic представи на 2 ноември FlashProve — изследователски прототип за криптографска проверка, че определен AI отговор е получен от предварително посочен модел. Идеята е доставчикът да поеме проверим ангажимент към конкретни тегла, без да ги публикува. Това би помогнало например при оценяване на модел или използване на посредник, който препраща заявки. Материалът е непокрито изследване от последните три дни, а не нов продукт, пуснат тази сутрин.

Какво действително се проверява

Публичното хранилище описва три стъпки: ангажимент към модела, създаване на доказателство и проверка. Проверката може да се изпълни на обикновен CPU, без проверяващият да притежава теглата. Проектът е обозначен като изследователски артефакт без текуща поддръжка. Публикуваният пример използва Llama 4 Maverick и контекст от 1024 токена.

Докладът обяснява математическа гаранция за съответствие с определено изчисление. Тя е различна от проверка на твърдение за света. Ако моделът произведе грешна дата, валидното доказателство може да потвърди, че именно този модел е избрал съответните токени. То няма да превърне датата в правилна. Това разграничение е редакционно обяснение на обхвата, а не открит нов дефект в прототипа.

Цената на доказването

Anthropic отчита около 110 обработени токена в секунда при доказване на предварителната обработка (prefill) върху един H100 за 4-битова версия на 400-милиардния MoE модел. Посоченото доказателство е приблизително 19 MB за заявка от 1024 токена. Теглата се държат в системната RAM и се подават на части към GPU; един H100 не означава, че целият модел се побира в неговата видеопамет. Компанията оценява GPU времето на около 70–95 пъти времето за съответните заявки във vLLM. Това са резултати на авторите при конкретна конфигурация, а не независимо възпроизведен от нас benchmark или скорост на обикновен чат.

Техническият доклад уточнява, че се доказва целочислен вариант на модела с greedy избор на токени. Произволно семплиране или различна реализация с плаваща запетая може да даде друга последователност. Формалният протокол и бавният verifier в Lean също не означават автоматична формална гаранция за целия бърз изпълним код. Тези ограничения са съществени при оценката на готовността за внедряване.

Къде може да бъде полезна проверката

Нашият редакционен пример е услуга, която обещава отговор от модел А, но би могла да изпрати заявката към модел Б. Проверимо обвързване с теглата би добавило доказателство за произхода на изчислението, независимо дали двата отговора изглеждат еднакво убедителни. За това първо трябва да е известно какъв ангажимент представлява договорения модел и какъв точно обхват покрива доказателството.

Краткият контекст и разходът правят този пример различен от масово внедрен AI разговор с дълга история. Новината е напредъкът в достъпния за изследване механизъм, с публикуван код и описани ограничения. Не следва, че Claude вече прикрепя подобно доказателство към всеки потребителски отговор или че системата удостоверява безопасността на всяка изпълнена задача.

Източници / допълнително четене
Anthropic: Progress on provable inference for large language models ↗
FlashProve public research repository ↗
FlashProve technical report ↗
FlashProve performance guide ↗
FlashProve Lean theorem scope ↗

Статия в SIExpo.bg: https://siexpo.bg/article/anthropic-flashprove-provable-inference-prototype-2026