Никто не готов к тому, что раскрывает эта статья Стэнфорда о многопользовательском ИИ. "Латентное сотрудничество в многопользовательских системах" показывает, что агентам не нужны сообщения, протоколы или явные инструкции по командной работе. Они начинают координировать действия внутри своих скрытых представлений, создавая полный слой сотрудничества, который существует только в латентном пространстве. И поведение просто безумное: • Агенты молча передают задачи в зависимости от того, кто лучше • Роли появляются из ниоткуда: лидер, исполнитель, поддержка • Политики кодируют сигналы, которые никогда не проявляются в действиях • Команды адаптируются к новым условиям без повторного обучения • Сотрудничество остается стабильным, даже когда связь невозможна Самый дикий момент: Даже когда вы убираете все каналы для общения, агенты все равно сотрудничают. "Командная работа" не живет в сообщениях. Она живет в сети. Это переворачивает всю стратегию многопользовательского взаимодействия. Мы строили механизмы координации сверху… в то время как настоящая координация происходит внизу. Новая эра возникающего командного интеллекта разворачивается — и это происходит в тех местах, где мы даже не искали. Проект: github. com/Gen-Verse/LatentMAS

DeepSeek только что осуществил такое обновление, о котором каждый модель рассуждения только и мечтал. Вместо того чтобы выдавать длинную цепочку размышлений и надеяться, что это имеет смысл, DeepSeek Math V2 проводит полное расследование своей логики. Он строит доказательство, атакует его, проверяет атаку, проверяет проверяющего, исправляет недостатки и повторяет процесс, пока не сможет сломать себя больше. Эта единственная идея полностью изменила его производительность. Вот что произвело такое самоанализ: • Золотой уровень производительности на IMO 2025 • Золотой уровень производительности на CMO 2024 • 118/120 на Putnam 2024 — самый высокий зарегистрированный балл • Лучшие результаты, чем у GPT-5 Thinking и Gemini 2.5 Pro в самых сложных категориях Секрет не в масштабе. Он в архитектуре вокруг модели: — проверяющий, который ищет логические пробелы — мета-проверяющий, который ставит под сомнение проверяющего — генератор доказательств, настроенный на избежание слабого рассуждения — цикл, который заставляет каждую часть системы становиться острее Процесс работает как шлифовальный станок: - Создать доказательство - Протестировать его - Протестировать тестировщика - Исправить рассуждение - Повторить Они нацелились на настоящую проблему в математическом рассуждении: модель может получить правильный ответ по неправильным причинам. Поэтому DeepSeek обучил проверяющего, который оценивает рассуждение, а не результаты. Дикая часть заключается в том, что происходит со временем: каждый цикл улучшает качество собственных доказательств модели без человеческой доработки. Она становится лучше, потому что отказывается принимать свой первый черновик за правильный. Это новое направление для моделей рассуждения. Не больше размышлений. Лучше размышлений. Если вы хотите понять, куда движется рассуждение ИИ, эта статья является предварительным обзором следующей эпохи.

Я читаю этот отчет от Anthropic о реальном использовании Claude, и цифры поражают. Они проанализировали 100 000 разговоров. Вот часть, которая меня остановила: Большинство задач, которые люди ставят перед Claude, обычно занимают около 90 минут. С Claude эти же задачи выполняются на 80 процентов быстрее. Это значит, что кто-то экономит часы каждую неделю, даже не стараясь. Затем отчет становится еще более масштабным. Если применить эти достижения к экономике США, сегодняшние модели сами по себе увеличивают производительность труда на 1,8 процента в год в течение следующего десятилетия. Почти вдвое быстрее недавнего темпа. И это еще не включает лучшие модели. Это просто то, как люди уже сейчас используют Claude. Возможно, это первый раз, когда мы видим твердые доказательства того, что AI делает в реальных профессиях. Тихой сдвиг. Огромное влияние. Уже происходит.