Плотная матрица тратит вычисления на нули, которые ничего не значат. Block-sparse ядра пропускают целые блоки нулей и разгоняют инференс, если разреженность структурирована. Разбираем, где выигрыш реален.
На тысячах нод узкими местами становятся не поды, а etcd, DNS и API-сервер. Разбираем, что тюнить, какие лимиты помнить и где кластер начинает трещать.
Классический подход к disambiguation опирается на готовый список типов вроде «человек» и «город». Новый метод предлагает модели самой открывать типы под конкретный корпус — и это меняет цену ошибки.
Подход «interpretable ML through teaching» переворачивает задачу: вместо того чтобы вскрывать чёрный ящик, одну сеть заставляют объяснять решения так, чтобы вторая сеть по объяснениям училась быстрее.
Microsoft, Nvidia, SoftBank, Oracle — вокруг OpenAI собралась экосистема инвесторов и поставщиков инфраструктуры на десятки миллиардов долларов. Разбираем, кто на чём зарабатывает и где риски.
Дипфейки, автоматизированный фишинг и генерация вредоносного кода перестали быть теорией. Разбираем, какие угрозы реальны сейчас и что делают против них разработчики моделей и регуляторы.
OpenAI и её партнёры проводят хакатоны с призовыми в десятки тысяч долларов и кредитами на API. Разбираем, как в них попасть, что строят участники и почему одного доступа к GPT недостаточно для победы.
Что нужно для работы над роботами: от одноплатника и приводов до симулятора и датасета. Разбираем компоненты стека и на чём чаще всего спотыкаются те, кто начинает с нуля.
OpenAI Scholars запускалась как способ ввести в ML-исследования людей из смежных областей. Разбираем, что программа давала участникам, кто её вёл и почему история этих стипендий поучительна для тех, кто ищет вход в отрасль.
Мультицелевое обучение с подкреплением заставляет агента добиваться не одной цели, а любой из заданного множества. Разбираем, зачем это нужно в робототехнике и почему разреженные награды ломают привычные подходы.
Reptile — алгоритм мета-обучения от OpenAI, который учит модель быстро адаптироваться к новым задачам без второй производной. По качеству близок к MAML, но проще в реализации.
Обычный RL-агент осваивает одну задачу за миллионы шагов. Мета-RL учит агента учиться быстро — но упирается в проблему исследования. Разбираем, где это ломается и что с этим делают.