Dev48
ЯЗЫК
  • О нас
  • Услуги
  • Индустрии
  • Технологии
  • Статьи
  • Контакты
Забронировать звонок
    Главная/Статьи/Uskorenie issledovaniy nerovnyy frontir
Dev48
info@dev48.org+375 29 320-40-96WhatsApp@isky_by

© 2026 · Все права защищены.

Ускорение исследований: неровный фронтир

Источник: OpenAI•18 ноября 2026 г. в 23:40

Ускорение исследований: неровный фронтир

OpenAI оценивает, как агенты для написания кода ускоряют исследования в области ИИ, в каких аспектах их производительность остается неравномерной и что это означает для рекурсивного самосовершенствования.

Введение

В течение этого года системы ИИ становились все более функциональными, потенциально увеличивая свою способность самостоятельно вносить вклад в исследования и разработки в области ИИ. Сегодня мы представляем обновленную информацию о состоянии ускорения исследований в OpenAI, основанную на внутренних измерениях того, как агенты для написания кода ускорили и изменили цикл разработки ИИ.

Этот отчет дополняет наш сентябрьский пост в блоге об ускорении исследований в OpenAI и содержит новые количественные и качественные показатели (1) повышения эффективности ИИ в различных областях исследований и (2) того, как люди продолжают участвовать в исследовательском процессе. В целом, мы считаем, что это обновление дает более широкую, хотя все еще частичную, картину того, как меняются исследования в OpenAI.

Мы делимся этой работой, потому что, как мы писали в нашем проекте политики в отношении фронтирных моделей и повторяли в нашем первом отчете об ускорении исследований , мы считаем, что лаборатории ИИ должны быть обязаны отслеживать и публично сообщать о показателях рекурсивного самосовершенствования (RSI) — процесса, посредством которого ИИ ускоряет разработку будущих систем ИИ.

По мере улучшения возможностей и роста вероятности значительного ускорения исследований за счет ИИ, нам потребуется решать новые технические и управленческие задачи, чтобы сохранить контроль со стороны человека и безопасно масштабировать системы ИИ . Поэтому прозрачность в отношении показателей RSI необходима для информирования общественной дискуссии о возможностях, рисках и необходимых мерах безопасности для все более мощных систем ИИ; однако наш отчет не следует рассматривать как намерение стремиться к полному RSI. Нас обнадеживает тот факт, что несколько других организаций недавно внесли свой вклад в растущий объем работ по измерению ускорения НИОКР в области ИИ. Мы надеемся, что этот расширенный отчет поможет поддерживать и развивать эти общие стандарты измерений во всей отрасли.

Мы структурировали этот отчет в трех разделах, каждый из которых посвящен отдельному аспекту исследований в области ИИ:

  • Входные данные для исследований в области ИИ (мы фокусируемся на агентах для написания кода; другие входные данные включают данные, человеческий труд и вычислительные мощности)
  • Процесс, посредством которого исследователи преобразуют эти входные данные в возможности моделей (исследования в области ИИ)
  • Результаты, которые мы наблюдаем в процессе исследований в области ИИ (улучшения возможностей моделей).

Мы считаем, что такая организация результатов обеспечивает полезную основу для рассуждений о том, как ИИ используется в исследованиях и как это использование может способствовать улучшению возможностей моделей.

Входные данные

В исследованиях в области ИИ используются несколько видов входных данных, включая данные, инструменты ИИ (например, агенты для написания кода), человеческий труд и вычислительные мощности. В этом отчете мы фокусируемся на инструментах ИИ как на входных данных для исследований. В частности, мы документируем, как интенсивность использования агентов для написания кода варьируется между командами и меняется с течением времени. Кроме того, хотя мы не сообщаем напрямую об изменениях в затратах на оплату труда, мы анализируем, как доля расходов на исследовательский труд изменилась по сравнению с расходами на другие факторы с течением времени.

Внутреннее использование агентов

С момента нашего первого отчета использование агентного ИИ в исследовательской организации продолжало расти в геометрической прогрессии. По прейскурантным ценам API, медианный исследователь теперь тратит около 2400 долларов США в день на инструменты агентного ИИ, а исследователь на 90-м процентиле — около 23 000 долларов США в день, что на 62% и 105% больше, чем 1500 и 11 000 долларов США в сентябре соответственно. Эта тенденция к увеличению использования агентов отражает широкий спектр изменений, включая повышение активности, переход на более дорогие модели и изменения в поведении моделей и агентных обвязках.

Агентные рабочие дни

Далее мы переходим к среднему количеству «агентных рабочих дней» на одного исследователя в день, где мы определяем каждые восемь часов использования агента как один агентный рабочий день. В отличие от расходов на агентов, агентные рабочие дни лучше отражают количество «реального времени», которое агенты тратят на работу, но не учитывают изменения в возможностях моделей или ценообразовании.

В целом, количество агентных рабочих дней на одного исследователя выросло с 0,5 до 5,7, что является одиннадцатикратным увеличением, причем наибольший рост наблюдается в командах, занимающихся предварительным и последующим обучением. В этих командах время работы агентов составляло в среднем около восьми рабочих дней на исследователя в календарный день. В области масштабирования и инфраструктуры средний показатель составлял около четырех. Отметим, что этот показатель рабочих дней обычно включает только интерактивное использование, поэтому он может занижать данные об автоматизации.

Параллельное использование агентов

Наш сентябрьский анализ подчеркнул растущее использование параллельных агентов исследователями, включая субагентов и несколько сессий. Мы расширяем этот анализ во времени и предоставляем более детальную разбивку. К середине октября более двух третей включенных в исследование специалистов имели средний дневной пик не менее четырех одновременно работающих агентов, а более 10% — в среднем не менее шестнадцати параллельных агентов.

Внутреннее использование агентов по отношению к затратам на человеческий труд

Далее мы сравниваем ежемесячные расходы, эквивалентные API, на использование агентного ИИ с ежемесячной неакционерной компенсацией для исследователей-людей. Мы отслеживаем это соотношение, чтобы увидеть, как меняется распределение между агентным и человеческим трудом по мере того, как модели становятся более функциональными. Хотя отчетное соотношение исключает акции, которые обычно составляют от 70 до 80% целевой компенсации для исследователей в OpenAI, мы считаем, что оно все же дает частичное, но информативное представление об этом распределении расходов.

По состоянию на сентябрь 2026 года стоимость использования агентного ИИ в исследовательской организации OpenAI, эквивалентная API, была примерно в два раза выше, чем неакционерная компенсация, при этом в командах предварительного и последующего обучения это соотношение было выше, чем в других частях исследовательской организации. Несмотря на это, внутреннее развертывание, которое объединяет внутреннее использование Codex, ChatGPT и API, составляет всего 2% от общих вычислительных мощностей для исследований.

Затраты на оплату труда включают заработную плату, сверхурочные, бонусы, льготы и налоги работодателя. Акции, которые обычно составляют от 70 до 80% целевой компенсации для исследователей, исключены.

Как исследователи распределяют свое время

Наконец, мы анализируем, как исследователи распределяют свое время между областями исследований. Сначала мы собрали данные о вкладе отдельных исследователей в виде публичных сообщений в Slack, пулл-реквестов и внутренних документов компании за период с января по сентябрь 2026 года. Затем мы использовали классификаторы для группировки этих вкладов по областям исследований, и каждая исследовательская неделя была разделена поровну между подтвержденными проектами этого исследователя за неделю. Это дает косвенный показатель того, на что исследователи направляли свое внимание.

Важно отметить, что, в отличие от других наших анализов, «область исследований», которую мы классифицируем здесь, не соответствует формальным линиям отчетности. Например, исследователь в команде по последующему обучению, который тратит половину своего времени на улучшение инфраструктуры, будет оцениваться как вносящий вклад в размере половины рабочей недели в «Масштабирование / Инфраструктурный вклад» и половины — в «Вклад в последующее обучение». Это позволяет нам создать надежный показатель того, на что исследователи активно тратят время, даже если они формально не меняют команды.

Мы обнаружили, что объем времени исследователей, уделяемого каждой из определенных нами областей, увеличился в течение 2026 года. Примечательно, что с помощью этой методологии мы установили, что область «Безопасность и согласование» (Safety & Alignment) показала наибольший абсолютный рост среди всех областей исследований, почти удвоившись по количеству задокументированных рабочих часов с начала года благодаря сочетанию найма новых сотрудников и переориентации существующих исследователей на проекты по безопасности. Эта область исследований охватывает такие рабочие процессы, как оценка согласования, мониторинг и исследования в области взлома вознаграждений (reward hacking). Значимый переломный момент, который мы фиксируем в росте направления «Безопасность и согласование», совпадает с последствиями инцидента с Hugging Face в июле и последующей работой OpenAI по разработке и улучшению обоснований безопасности для обучения передовых систем ИИ.

Мы отмечаем, что различие между областями исследований, особенно между посттренингом и безопасностью/согласованием, является нетривиальным, и мы можем со временем уточнять эти определения. В разделе методов ниже описаны примеры высокоуровневых рабочих процессов.

Процесс

Чтобы лучше понять, как использование агентов может повлиять на продуктивность исследований, мы далее рассматриваем, как меняется процесс проведения исследований в области ИИ в OpenAI. Повышение продуктивности за счет новых технологий частично зависит от того, как вокруг них реорганизуется работа. По мере совершенствования агентов исследователи могут менять задачи, которые они делегируют ИИ, способы контроля и координации работы агентов, а также проекты, которыми они занимаются. Ниже мы приводим как количественные, так и качественные показатели того, как ИИ меняет процесс проведения исследований в OpenAI. В совокупности эти различные типы данных способствуют формированию (частичного) представления о том, как исследователи реорганизуют свою работу вокруг агентов и как они остаются вовлеченными в процесс сегодня.

Показатели исследовательской деятельности

Задачи, делегированные моделям, и показатели успеха

Наш сентябрьский анализ показал, что агенты стали чаще успешно выполнять задачи без вмешательства человека, включая задачи, требующие, по оценкам, нескольких часов человеческого труда. Используя обновленную методологию (см. раздел методов ниже), мы обнаружили, что эта тенденция в целом сохраняется. Важно отметить, что по мере того, как агенты становились более способными, исследователи могли также менять типы задач, делегируемых в рамках каждого временного интервала. В результате изменения в показателях успеха без вмешательства человека в этих категориях могут отражать как улучшение возможностей, так и изменение выбора исследователей относительно того, когда и как использовать агентов.

Наряду с этими тенденциями по предполагаемой длительности, мы также изучаем, как успех варьируется в зависимости от различных типов задач, которые исследователи могут делегировать. Мы приводим оценочные показатели успеха по категориям и задачам, используя таксономию O*NET AI R&D(открывается в новом окне), разработанную Epoch AI. Неудивительно, что наши результаты показывают, что модели не одинаково хороши во всех категориях задач: например, с 1 августа 2026 года по 18 октября 2026 года оценочные показатели успеха без вмешательства человека были выше для категорий «Общение» (69%) и «Анализ» (58%), чем для категории «Создание» (43%). Аналогично, на уровне задач оценочные показатели успеха были выше для таких задач, как мониторинг запусков на предмет проблем (79%) и ответы на технические вопросы (72%), тогда как они были ниже для написания кода для вывода и обслуживания стеков (25%) и создания сред для оценки, обучения с подкреплением и работы агентов (29%). Пока производительность моделей в задачах, связанных с R&D в области ИИ, неоднородна, менее эффективные категории и задачи могут стать «узкими местами» для общего высокого прироста продуктивности.

Для каких задач исследователи используют агентов

В нашем сентябрьском анализе сообщалось, как использование ИИ сотрудниками исследовательского отдела распределялось по выходным токенам с использованием той же таксономии O*NET AI R&D(открывается в новом окне). Ниже мы приводим данные о том, как часто исследователи использовали агентов для написания кода для отдельных задач. Это придает относительно больший вес коротким задачам, таким как ответы на технические вопросы, по сравнению с задачами, требующими большого количества токенов, такими как запуск и мониторинг процесса обучения или реализация сложной функции.

Взгляд исследователей на использование ИИ

Далее мы переходим к оценкам самих исследователей относительно того, как ИИ меняет их работу. С помощью опросов и интервью мы изучаем, как исследователи оценивают агентов для написания кода, как они придумывают исследовательские идеи и как они адаптировали свои рабочие процессы.

Самооценка ценности агентов для написания кода

С конца августа по начало сентября 2026 года мы провели опрос 101 сотрудника исследовательского отдела, чтобы понять прирост продуктивности от ИИ, сосредоточившись на следующей гипотезе: «Предположим, что доступ вашей команды ко всем агентам для написания кода, превосходящим GPT-5.2, был отозван на следующие 3 месяца. Чем бы вы пожертвовали, чтобы вернуть передовых агентов для написания кода?» Медианный исследователь сообщил, что готов пожертвовать:

  • 40% численности команды
  • 30% текущих вычислительных мощностей команды
  • 50% вычислительных мощностей команды, если бы вопрос был задан в январе 2027 года (учитывая их ожидания относительно того, как модели улучшатся к 2027 году)

Исследователи также сообщили, что их команде потребовалось бы в среднем три месяца, чтобы выполнить работу равной ценности по сравнению с их последним месяцем работы, если бы им не разрешили использовать агентов для написания кода (т.е. если бы им разрешили использовать только GitHub Copilot + ChatGPT). Хотя важно отметить потенциальные проблемы с точностью самоотчетов, а также ситуативный характер нашей стратегии выборки для опроса, эти результаты согласуются с тем, что исследователи приписывают значительную ценность приросту продуктивности от ИИ в своей работе.

Столбцы показывают взвешенную долю ответов в каждом диапазоне. Пунктирные линии обозначают взвешенные медианы.

В отдельном опросе в конце октября мы также спросили, ожидают ли респонденты большей продуктивности в своей повседневной работе с нашей новейшей внутренней моделью или с помощью как инженера-исследователя среднего уровня, так и модели 2024 года, такой как o1-preview. 27 из 28 респондентов выбрали или склонились к новейшей внутренней модели. Оставшийся респондент не стал выбирать между двумя предложенными вариантами и сказал, что выбрал бы GPT-6 Astra вместо варианта с участием человека.

Откуда берутся большие идеи

Нас также интересует отслеживание прогресса в генерации идей с помощью ИИ, поскольку способность разрабатывать и проверять концептуальные исследовательские идеи («исследовательский вкус») может быть «узким местом» для рекурсивного самосовершенствования. Чтобы измерить это, мы попросили от одного до четырех исследователей, внесших ключевой вклад в каждую из трех областей (предварительное обучение, посттренинг и мониторинг безопасности), назвать одну-три идеи, которые они сочли наиболее важными для релизов GPT-6 Astra и GPT-6.2 Astra. Затем мы спросили, как возникли эти идеи и какую роль, если таковая имелась, сыграл ИИ в их разработке.

Для обоих релизов исследователи в области посттренинга и мониторинга безопасности заявили, что, насколько им известно, все названные ими идеи были предложены людьми, а модели помогли их реализовать. Исследователи в области предварительного обучения также приписали идеи, которые они определили для GPT-6 Astra, исключительно людям.

Для GPT-6.2 Astra исследователи этапа предварительного обучения описывали процесс развития идей в диалоге с Codex. Один из них отметил вклад Codex в выявление ключевых идей в ходе совместной работы над замыслом. Другой сказал, что основная идея принадлежала ему, но она начала хорошо работать только после того, как Codex предложил изменение.

Изменения в исследовательских рабочих процессах

Наконец, чтобы зафиксировать качественные свидетельства об изменениях в рабочих процессах, мы также опросили десять исследователей из групп предварительного обучения, дообучения и обеспечения безопасности об их использовании агентов. По результатам этих интервью выделились пять основных тем, которые мы обобщаем ниже:

  • Исследователи используют агентов для реализации кода, отладки и контроля экспериментов: «Я как-то портировал опенсорсный эввал, и там было гораздо больше возни с проведением исследований и абляций на тему „хороший ли это эввал“. На то, чтобы реально дойти до стадии „можем мы это использовать или нет“, ушло бы недели полторы-две. Тогда как сейчас, в зависимости от эввала, от нуля до запуска проходит день, ну может пара дней». — Исследователь 7, безопасность, работа над оценками
  • «Я как-то портировал опенсорсный эввал, и там было гораздо больше возни с проведением исследований и абляций на тему „хороший ли это эввал“. На то, чтобы реально дойти до стадии „можем мы это использовать или нет“, ушло бы недели полторы-две. Тогда как сейчас, в зависимости от эввала, от нуля до запуска проходит день, ну может пара дней». — Исследователь 7, безопасность, работа над оценками
  • У агентов слабый вкус в исследовательских идеях, качестве кода, качестве данных и текстов: «Модель в целом не способна с ходу выдавать хорошо сформулированные задачи, которые она не может решить сама. И если попросить модель сгенерировать точку данных сто раз, она каждый раз будет генерировать похожие точки данных». — Исследователь 2, безопасность, работа над средами обучения с подкреплением
  • «Модель в целом не способна с ходу выдавать хорошо сформулированные задачи, которые она не может решить сама. И если попросить модель сгенерировать точку данных сто раз, она каждый раз будет генерировать похожие точки данных». — Исследователь 2, безопасность, работа над средами обучения с подкреплением
  • Рабочие процессы требуют тесного участия человека во избежание низкого качества результатов и пустой траты циклов: агенты с трудом эффективно запускали эксперименты, уходили в дебри на ненужных шагах, писали PR со «случайным мусором от ИИ», производили непригодные для использования артефакты данных и делали неверные допущения для анализа. «Я пытался говорить: „Просто сделай эту задачу как вот эту другую“, и слишком много раз обжигался, когда получалось не совсем то и приходилось вносить правки. Теперь я говорю: „Иди сделай одну. Я проверю и внесу правки. А потом делай все остальное“». — Исследователь 1, дообучение, работа над оценками
  • «Я пытался говорить: „Просто сделай эту задачу как вот эту другую“, и слишком много раз обжигался, когда получалось не совсем то и приходилось вносить правки. Теперь я говорю: „Иди сделай одну. Я проверю и внесу правки. А потом делай все остальное“». — Исследователь 1, дообучение, работа над оценками
  • Исследователи ожидали значительных улучшений в текущих областях „бутылочных горлышек“: «Я действительно считаю, что у меня лучше развит вкус в плане идей. Но у меня нет никакой уверенности, что это будет продолжаться в течение какого-либо значительного времени». — Исследователь 8, предварительное обучение, работа над архитектурой и данными
  • «Я действительно считаю, что у меня лучше развит вкус в плане идей. Но у меня нет никакой уверенности, что это будет продолжаться в течение какого-либо значительного времени». — Исследователь 8, предварительное обучение, работа над архитектурой и данными
  • Исследователи видят большой прирост от сканирования и генерации контента в масштабе: исследователи использовали модели для сканирования тысяч образцов с целью диагностики проблем в экспериментах, выявления вызывающих опасения случаев поведения моделей, а также создания и контроля качества новых наборов данных. «Недавно я делал следующее: просмотрел все наши данные… я заставил модель пройти пару раундов и откалибровал то, что она мне выдавала. … Она выдала мне классную огромную таблицу, где все было организовано. … Без ИИ это было бы жутко мучительно». — Исследователь 3, дообучение, работа над качеством данных
  • «Недавно я делал следующее: просмотрел все наши данные… я заставил модель пройти пару раундов и откалибровал то, что она мне выдавала. … Она выдала мне классную огромную таблицу, где все было организовано. … Без ИИ это было бы жутко мучительно». — Исследователь 3, дообучение, работа над качеством данных

Результаты

Помимо изменений в исследовательских входах и рабочих процессах, мы также хотим понять, ускоряет ли использование ИИ исследовательский прогресс. Для ответа на этот вопрос мы приводим три показателя. Два из них — строки кода и количество исследовательских экспериментов — были включены в наш сентябрьский анализ. Эти показатели легко отслеживать, но их рост не обязательно означает более быстрый прогресс в исследованиях. Поэтому мы также представляем OpenAI ECI — внутреннюю версию Индекса возможностей Epoch (Epoch Capabilities Index), адаптированную для OpenAI, которая представляет собой методологию отслеживания изменений возможностей моделей в качестве более прямого измерения результатов исследований.

Измененные строки кода

Сначала мы сообщаем, сколько строк кода изменяется в расчете на одного активного участника с течением времени. Этот показатель продолжал резко расти в течение 2026 года по сравнению со средним значением до 2025 года. Обратите внимание, что мы внесли несколько методологических обновлений со времени нашего сентябрьского анализа. Теперь мы показываем 28-дневное скользящее среднее вместо квартальных средних, что обеспечивает более детальное представление об изменениях с течением времени. Мы также пересмотрели критерии включения изменений кода (в частности, исключив тесты), как описано в разделе «Методы».

Исследовательские эксперименты

Как и в нашем сентябрьском отчете, мы также отслеживаем количество экспериментов, проводимых одним активным экспериментатором с течением времени. За четыре недели, закончившиеся 18 октября, количество зарегистрированных экспериментов на одного активного экспериментатора в среднем составило 1,68 от базового уровня 2025 года.

OpenAI ECI

Наконец, мы сообщаем о прогрессе по метрике, призванной отражать достижения в возможностях наших моделей. Индекс возможностей Epoch⁠(открывается в новом окне) широко используется для измерения тенденции прогресса в общих возможностях ИИ. Методология OpenAI ECI (OECI) очень похожа на методологию Epoch, но в OECI используется комбинация публичных бенчмарков и внутренних бенчмарков OpenAI. Здесь мы строим график OECI для 20 публично выпущенных моделей OpenAI и 28 других моделей.

Мы обнаруживаем, что граница OECI для моделей OpenAI росла на 16,4 пункта в год начиная с августа 2025 года, по сравнению с тенденцией, отмеченной Epoch для 14 points per year⁠(opens in a new window) с конца 2024 года. Обратите внимание, что модели OpenAI набирают больше очков относительно конкурентов по OECI, чем по ECI от Epoch, что, вероятно, связано с различиями в составе бенчмарков.

Мы планируем продолжать мониторинг OpenAI ECI и других ключевых метрик возможностей, чтобы определить, ускоряется ли прогресс возможностей благодаря RSI.

Вертикальные линии представляют собой 90-процентные интервалы бутстрэпа. Трендлайн построен по 19 рекордным релизам OpenAI.

Заключение

В целом, наши выводы дополняют картину из нашего сентябрьского отчета: исследователи используют агентов более интенсивно, делегируют больше работы и адаптируют свои рабочие процессы под возможности и ограничения моделей. Тем не менее, этот прирост неравномерен во всех исследовательских рабочих процессах, и сегодняшние агенты все еще имеют существенные недостатки.

Мы отмечаем, что исторические тенденции и показатели, которые мы приводим (включающие значительное сотрудничество человека и ИИ), могут не предсказывать будущий прогресс, движимый ИИ. Например, недавно мы стали свидетелями внезапных и быстрых прорывов в математике, достигнутых с помощью передовых моделей. Поскольку наши модели становятся все более автономными и способными к исследованиям, мы отслеживаем аналогичные быстрые прорывы в области глубокого обучения.

Важно отметить, что по мере того, как ИИ становится все лучше в самосовершенствовании, конкурентное давление и проблемы управления будут возрастать, и ключевой задачей будет обеспечение того, чтобы человечество оставалось частью этого процесса. Мы надеемся, что публикация этих данных поможет в дискуссиях о темпах развития возможностей моделей и управлении рекурсивным самосовершенствованием.

В дальнейшем мы продолжим совершенствовать методы, лежащие в основе представленных здесь показателей. Мы также надеемся расширить нашу отчетность, чтобы предоставить дополнительную информацию по ряду направлений, включая, помимо прочего:

  • Дифференциальное ускорение исследований в области возможностей по сравнению с исследованиями в области безопасности
  • Опережающие индикаторы ускорения исследований (т.е. обнаружение роста эффективности без необходимости завершения полного цикла разработки и оценки модели)
  • Тенденции в общих возможностях с течением времени и влияние ускорения исследований с помощью ИИ на эти тенденции

Цитирование

← Все статьи

О чём эта статья

Ещё в разделе «AI и машинное обучение»

Все →
Что такое векторная база данных? Как ИИ-поиск находит смысл
ElevenLabs

Что такое векторная база данных? Как ИИ-поиск находит смысл

Представляем Gemini 4 Neon
DeepMind

Представляем Gemini 4 Neon

ElevenAgents для здравоохранения: агенты, которым доверяют пациенты и медицинские команды в клинических условиях
ElevenLabs

ElevenAgents для здравоохранения: агенты, которым доверяют пациенты и медицинские команды в клинических условиях

Почему ваша задача дообучения занимает больше времени, чем предсказывают FLOPs
Hugging Face

Почему ваша задача дообучения занимает больше времени, чем предсказывают FLOPs

DaisyRose-27B: расширение границ эффективности пост-тренировки
Hugging Face

DaisyRose-27B: расширение границ эффективности пост-тренировки

Акции Nvidia упали после публикации отчетности, потянув за собой неоклауд-компании CoreWeave и IrenПресса
CoreWeave

Акции Nvidia упали после публикации отчетности, потянув за собой неоклауд-компании CoreWeave и Iren

Ещё от OpenAI

Генеральный директор OpenAI Сэм Альтман говорит, что «трудно представить индустрию ИИ без Дженсена»Пресса
OpenAI

Генеральный директор OpenAI Сэм Альтман говорит, что «трудно представить индустрию ИИ без Дженсена»

Совершенствование проектирования чипов с помощью моделей OpenAI
OpenAI

Совершенствование проектирования чипов с помощью моделей OpenAI

Le Groupe Figaro и OpenAI объявляют о партнерстве, чтобы сделать журналистику Le Figaro доступной в ChatGPT
OpenAI

Le Groupe Figaro и OpenAI объявляют о партнерстве, чтобы сделать журналистику Le Figaro доступной в ChatGPT

Обвиняемый по делу об установке жучков в OpenAI Альфозан предстанет перед судом в январеПресса
OpenAI

Обвиняемый по делу об установке жучков в OpenAI Альфозан предстанет перед судом в январе

ChatGPT Ads расширяет свое присутствие на рынке в 44 странах
OpenAI

ChatGPT Ads расширяет свое присутствие на рынке в 44 странах

Astra for Law — лидер в области юридического интеллекта
OpenAI

Astra for Law — лидер в области юридического интеллекта