AI: дайджест за 27 мая 2026

1. Anthropic отчиталась о Mythos/Project Glasswing: резкий рост обнаружения критических уязвимостей

Anthropic опубликовала промежуточные результаты Mythos и Project Glasswing: партнёры нашли десятки тысяч уязвимостей, а скорость обнаружения багов у некоторых выросла более чем в 10 раз; Cloudflare сообщила о 2000 найденных уязвимостях, включая 400 high/critical, с меньшей долей ложных срабатываний, чем у людей. В опенсорсе при сканировании 1000+ крупных репозиториев заявлено 6202 high/critical (из 23 тыс. всего), а независимая проверка подтвердила 90% из 1752 проверенных, что подчёркивает как потенциал ИИ для защиты, так и риск злоупотребления такими моделями.

Источники: t.me/cgevent

2. ElevenLabs обновила генерацию музыки до Music V2 и пообещала API

ElevenLabs выпустила Music V2: добавлены inpainting для перегенерации фрагментов трека, быстрые смены стиля внутри одной композиции и поддержка немузыкальных шумовых эффектов. Компания также обещает API, что может упростить интеграцию генерации музыки в продукты по сравнению с конкурентами без официального API.

Источники: t.me/cgevent

3. PrismML показала 1-битную квантизацию FLUX.2 Klein 4B для запуска на телефонах и в браузере

Стартап PrismML представил Bonsai Image 4B — 1-битно квантизированную версию FLUX.2 Klein 4B: Diffusion Transformer занимает 930 МБ (1-bit) или 1.2 ГБ (ternary), а полный комплект с текстовым энкодером около 3.5 ГБ. Заявлено, что модель можно запускать в браузере и на смартфонах с ~2 ГБ ОЗУ; пример — генерация 512×512 на iPhone 17 Pro Max за 9.4 секунды при 4 шагах, что делает локальный инференс более практичным.

Источники: t.me/cgevent, t.me/ai_newz

4. Новая работа предлагает «Shannon Scaling Law» для объяснения немонотонного масштабирования LLM

В статье «LLMs as Noisy Channels» предложен единый фреймворк масштабирования LLM через аналогию с теоремой Шеннона—Хартли: параметры модели трактуются как «полоса пропускания», а обучающие токены — как «мощность сигнала» в зашумлённом канале. Подход призван объяснять наблюдаемые на практике немонотонные эффекты (например, деградацию при низкобитном квантовании и катастрофическое переобучение) и помочь точнее планировать ресурсы обучения.

Источники: t.me/gonzo_ML