ИИ новости: 24 октября 2026

Фундаментальные тренды

Hugging Face выпустила Carbon-X: открытая ИИ-модель на 14,8 млрд параметров позволяет задавать вопросы о ДНК

22 октября Hugging Face совместно с Zhongguancun Academy и Университетом Неаполя имени Федерико II представила Carbon-X — открытую языковую модель для анализа ДНК. Система с 14,8 млрд параметров принимает генетический код прямо в диалоге и отвечает на естественном языке: например, оценивает возможное влияние мутации или объясняет особенности участка генома. Веса опубликованы под лицензией Apache 2.0. Это самостоятельный выпуск специализированной модели, а не продолжение исследований клеток мозга OpenAI или белков Anthropic.

Разработчики взяли за основу Qwen3-14B и расширили её словарь, научив обрабатывать ДНК группами по шесть нуклеотидов. Затем модель дополнительно обучали на 302 млрд токенов, объединявших генетические последовательности, биологические материалы и тексты. Carbon-X обрабатывает вопрос и ДНК одним механизмом, без отдельного кодировщика генома. По данным авторов, веса помещаются на одном графическом ускорителе с 80 ГБ памяти в формате bfloat16, что допускает локальную обработку чувствительных данных.

В пяти специализированных тестах Carbon-X набрала в среднем 66,7%, а GPT-6.1 Sol — 67,5% при выбранных авторами настройках. Это собственные измерения Hugging Face, а не независимая проверка медицинской точности. Результаты неоднородны: распознавание участков сплайсинга достигло лишь 29,8%, а признаков модификации гистонов — 34,6%. Разработчики предупреждают о возможных ошибках в координатах и числе оснований, неподтверждённых объяснениях и ухудшении качества на длинных последовательностях.

Главное значение Carbon-X — открытый инструмент для исследования генетических вариантов без обязательной отправки данных внешнему поставщику. Однако модель ещё не прошла клиническую и экспериментальную проверку; её ответы нельзя применять для диагностики или назначения лечения. Она также не обучалась целенаправленному проектированию новых последовательностей ДНК. Практическую ценность предстоит установить независимыми испытаниями.

Источник: huggingface.co

Риски и контроль

LiteLLM раскрыла причину взлома: забытый ключ позволил выпустить заражённую версию ИИ-шлюза

23 октября разработчики LiteLLM опубликовали итоговую реконструкцию атаки на цепочку поставки своего ИИ-шлюза. Ещё 21 октября злоумышленник выпустил через официальный процесс сборки заражённую версию 1.107.0 в PyPI и реестры контейнеров. В пакет был встроен код для кражи ключей доступа; он мог запускаться уже при старте Python, даже без обращения приложения к LiteLLM. Новым событием 23 октября стало подтверждение механизма проникновения, а не повторное объявление о заражённом релизе.

Расследование установило, что 27 мая в открытый репозиторий случайно попал мастер-ключ экспериментальной LiteLLM Agent Platform, который не отозвали. 10 октября атакующий воспользовался им и получил через API токен GitHub CLI владельца организации. Затем через подставные задания CI похитил ключи ещё двух сопровождающих, обошёл защиту ветки и перенаправил сборку на похожий вредоносный репозиторий. Полученные права позволили имитировать запуск и одобрение штатного релиза.

Заражённые пакеты PyPI распространялись около двух часов 21 октября; также пострадали некоторые официальные образы Docker и GHCR. Microsoft установила, что вредоносные файлы Python собирали ключи облаков, разработчиков, ИИ-провайдеров и другие секреты. Возможность загрузки дополнительного кода присутствовала, но её фактическое использование не подтвердили. Разработчики удалили заражённые артефакты; отдельный закрытый корпоративный выпуск, по их данным, не затронут.

Администраторам, запускавшим затронутые версии, следует изолировать окружения, проверять их с чистой системы, пересоздавать установки и отзывать потенциально доступные ключи. Простой откат библиотеки недостаточен: вредоносные файлы могли остаться среди стартовых компонентов Python. История показывает, как один неотозванный секрет и чрезмерные права токена превратили защищённый процесс выпуска в канал распространения вредоносного ПО.

Источник: docs.litellm.ai; www.microsoft.com; docs.litellm.ai

Где ИИ становится продуктом

inDrive, Pony.ai и NVIDIA договорились испытать беспилотные такси в Казахстане: первым городом станет Астана

23 октября inDrive, Pony.ai и NVIDIA объявили о подписании меморандума о сотрудничестве для изучения запуска беспилотных такси в Казахстане. Первой площадкой выбрана Астана. Стороны намерены оценить техническую, правовую и коммерческую возможность поездок через приложение inDrive. Это соглашение о подготовке проекта, а не запуск сервиса: роботакси ещё не начали перевозить пассажиров в Казахстане, а для старта потребуется согласование с государством.

По предполагаемой схеме Pony.ai предоставит роботакси седьмого поколения Gen-7 и систему автономного вождения четвёртого уровня, inDrive займётся приложением и эксплуатацией сервиса, а NVIDIA обеспечит технологическую основу. Платформа Hyperion объединяет вычислительные средства и датчики; также заявлены программный комплекс Alpamayo и система безопасности Halos. По данным участников, технологии Pony.ai уже используются в коммерческих беспилотных поездках в Китае, но это не подтверждает их готовность к дорогам Казахстана.

Компании объясняют выбор Казахстана появлением правовой базы для испытаний беспилотного транспорта. Для Астаны дополнительная задача — долгие зимы, снег и гололёд, затрудняющие распознавание дорожной обстановки. По сообщению TechCrunch со ссылкой на технического директора inDrive, испытания намечены на первую половину 2027 года; сначала в автомобиле предусмотрен оператор безопасности. Официальное заявление партнёров не раскрывает число машин, стоимость проекта и дату начала коммерческих поездок.

Если испытания состоятся, проект станет проверкой применимости автономного такси за пределами рынков, где Pony.ai уже накопила опыт. После Астаны участники допускают рассмотрение других городов и стран присутствия inDrive, но решение о расширении не принято. Надёжность следует оценивать по безопасности поездок в разную погоду, частоте вмешательств оператора, разрешениям регулятора и экономике эксплуатации. Подписанный меморандум сам по себе не доказывает доступность или окупаемость будущего сервиса.

Источник: blog.indrive.com; ir.pony.ai; techcrunch.com

Архитектура и технологии внедрения

NVIDIA представила автоматическую оптимизацию TensorRT: ускорение ИИ-моделей до 1,63 раза без замены GPU

23 октября NVIDIA опубликовала техническое описание Global Performance Tuner — механизма автоматической настройки производительности, выпущенного в TensorRT 11.1. Вместо единственной стандартной схемы компиляции нейросети инструмент перебирает разные варианты оптимизации и измеряет скорость полученных программ на целевом GPU. В испытаниях десяти рабочих нагрузок NVIDIA сообщила об ускорении от 1,14 до 1,63 раза относительно стандартной сборки. Это результаты разработчика, а не гарантия для любой модели.

Проблема связана с тем, что ускорение отдельной операции не всегда ускоряет всю нейросеть. Решения об объединении вычислений, размещении данных, выборе реализаций и снижении точности взаимодействуют друг с другом. Новый механизм представляет эти решения как настраиваемые маршруты сборки. TensorRT открывает более 200 параметров компилятора, а утилита trtexec позволяет создавать, запускать и сравнивать комбинации, отбрасывая неработающие варианты.

Особое внимание уделено точности. Некоторые быстрые варианты меняют численные результаты модели сильнее, чем допускает приложение. Поэтому сначала проверяется соблюдение заданного допуска, а уже среди прошедших проверку сборок выбирается самая быстрая. По описанию NVIDIA, результаты измеряют на полной модели, а не выводят из скорости отдельных ядер. Подбор может требовать дополнительного времени компиляции; доступное пространство комбинаций и условия испытания влияют на результат.

Разработчики советуют повторять настройку при изменении модели, размеров входных данных, GPU или программной среды. В TensorRT предусмотрены интерфейсы C++ для задания и просмотра маршрутов; реализация на Python для Torch-TensorRT 2.15 указана как будущая. Для компаний это возможность уменьшать задержки и расходы на выполнение ИИ без обязательной замены оборудования. Но экономию необходимо проверять на собственных запросах с одинаковыми требованиями к точности.

Источник: developer.nvidia.com; developer.nvidia.com

Финансы

LSEG покупает Octus за $3,535 млрд: уникальные финансовые данные становятся защитой бизнеса от конкуренции ИИ

22 октября London Stock Exchange Group (LSEG) объявила о соглашении купить американскую Octus за $3,535 млрд наличными. Продавцы — фонды под управлением Permira и руководство Octus. Сделка расширит бизнес LSEG по финансовым данным и аналитике, где конкуренция усиливается из-за искусственного интеллекта. Это подписанное соглашение, а не завершённая покупка: закрытие ожидается в первой половине 2027 года после разрешения регуляторов. Финансировать приобретение LSEG планирует за счёт привлечённого долга.

Octus собирает труднодоступные документы по корпоративным займам и проблемной задолженности, включая условия договоров и ограничения для заёмщиков, и превращает их в структурированные данные. Компания обслуживает 750 клиентов и более 40 тысяч пользователей; информацию можно получать через собственную платформу, MCP-подключение и ИИ-процессы. LSEG рассчитывает объединить этот массив с продуктами Workspace, Yield Book и другими инструментами. Суть сделки — доступ к проверяемым специализированным данным, которые трудно заменить обычными ответами языковой модели.

По прогнозу LSEG, выручка Octus в 2026 году превысит $300 млн, а скорректированная рентабельность EBITDA составит около 40%. Приобретение должно не влиять на скорректированную прибыль LSEG на акцию в первый полный год после закрытия и повышать её позднее; это прогноз, а не достигнутый результат. Reuters связывает решение с опасениями инвесторов, что ИИ изменит рынок платной финансовой информации. Сделка показывает: в эпоху ИИ ценность могут сохранять владельцы закрытых данных и рабочих процессов, но финансовый эффект интеграции ещё предстоит проверить.

Источник: www.lseg.com; www.reuters.com

Инструменты и интеграции

Dext подключила ChatGPT, Claude и Copilot к бухгалтерским данным через MCP с доступом только на чтение

22 октября Dext представила AI Connector — подключение бухгалтерской платформы к ChatGPT, Claude и Microsoft Copilot через протокол MCP. Бухгалтерские фирмы могут задавать ассистенту вопросы о собственных клиентах и рабочих процессах, не выгружая таблицы вручную. Новая функция предназначена для партнёров на тарифе Dext Advanced. По информации компании, она включена в этот тариф без дополнительной платы и доступна в ряде стран, включая Великобританию, США, Канаду, Австралию и Новую Зеландию.

Подключение использует существующую учётную запись Dext и сохраняет права конкретного сотрудника. Можно спросить, у каких клиентов хуже состояние учётных данных, где задерживаются документы, сколько времени команда потратила на клиента или как продвигаются задачи по соблюдению требований. Сведения извлекаются из разделов управления клиентами, рабочими процессами, качеством данных и показателями команды. Ассистент формирует ответ на основе полученных записей, а не общих знаний модели.

Ключевое ограничение — доступ только на чтение: AI Connector не может создавать, изменять, утверждать или удалять записи в Dext. Данные, необходимые для ответа, передаются выбранному провайдеру ИИ, поэтому действуют его правила обработки информации. Это не самостоятельный бухгалтер и не инструмент автоматического проведения платежей. Dext не раскрыла независимых показателей точности ответов или экономии времени после запуска. Главное изменение — подключение реального контекста бухгалтерской практики к привычным ИИ-интерфейсам с сохранением действующих прав доступа.

Источник: dext.com

Возможности для бизнеса

Аудит секретов и защита выпуска корпоративных ИИ-продуктов

Расследование LiteLLM показывает конкретную проблему безопасности программной инфраструктуры: даже защищённый процесс выпуска может быть скомпрометирован, если старый ключ доступа не отозван, а связанные с ним токены обладают чрезмерными полномочиями. На этой основе можно предложить услугу независимого аудита цепочки разработки и поставки программного обеспечения. Потенциальные заказчики — компании, использующие GitHub Actions, частные пакеты Python, контейнерные реестры и собственные ИИ-шлюзы. Покупатель получает не абстрактную проверку безопасности, а перечень действующих секретов, опасных полномочий, путей доступа к сборке и конкретных действий для устранения рисков.

Минимальное обследование включает инвентаризацию ключей и токенов, проверку сроков их действия, анализ журналов использования, защиту веток и настройку прав автоматических процессов. Особое внимание уделяется возможности одного сервиса получить учётные данные администратора или изменить источник сборки. Для критических релизов предусматриваются независимое подтверждение исходного репозитория, ограничение полномочий сборщика, изоляция среды и проверка готового пакета до публикации. Затем проводится контролируемое испытание отзыва одного тестового секрета, чтобы убедиться, что доступ действительно прекращается. Работать с настоящими секретами заказчика необходимо через согласованный защищённый процесс, без копирования их в обычные отчёты.

Начальный коммерческий продукт — фиксированный аудит одного репозитория и одного конвейера сборки. После него можно предлагать внедрение исправлений и периодическую проверку новых токенов. Эффект оценивается по числу обнаруженных избыточных разрешений, времени отзыва секретов, наличию независимых проверок перед выпуском и результатам контрольных тестов восстановления. При этом нельзя обещать полное исключение атак на цепочку поставки: безопасность зависит также от действий сотрудников, сторонних зависимостей и защиты рабочих устройств. Это бизнес-гипотеза инженерной услуги, основанная на расследовании LiteLLM, а не уже работающий коммерческий продукт.

Источник: https://docs.litellm.ai/blog/security-incident-oct-21-2026-attack-chain

Независимая оптимизация стоимости выполнения ИИ-моделей

Техническая публикация NVIDIA о Global Performance Tuner показывает, что увеличение производительности нейросети не всегда требует закупки новых графических ускорителей. В десяти испытанных нагрузках разработчик сообщил об ускорении от 1,14 до 1,63 раза по сравнению со стандартной сборкой TensorRT. На этой основе можно предложить компаниям услугу настройки уже используемых моделей и независимого измерения результата. Потенциальные клиенты — разработчики ИИ-приложений, поставщики корпоративных ассистентов и организации, самостоятельно обслуживающие модели на GPU. Их проблема заключается в высоких вычислительных расходах и задержках, которые могут сохраняться даже при достаточно мощном оборудовании.

Пилот начинается с фиксации исходного состояния: версии модели, оборудования, размеров входных данных, точности вычислений, типичных запросов и числа одновременных пользователей. Затем на одинаковой нагрузке сравниваются стандартная сборка TensorRT и несколько вариантов оптимизации, подготовленных с использованием доступных инструментов. Измерять нужно не только среднее время ответа, но и пропускную способность, задержки при высокой нагрузке, потребление памяти и соблюдение допустимой погрешности вычислений. Важно проверять качество выходных данных отдельно: самая быстрая сборка не подходит заказчику, если численные изменения ухудшают результат модели. Дополнительные затраты на компиляцию также включаются в оценку.

Коммерческую услугу можно продавать как ограниченное обследование с отчётом до и после настройки, а затем сопровождать оптимизированные конфигурации при обновлении моделей и оборудования. Основные показатели — стоимость обработки тысячи запросов, задержка ответа, число запросов на один GPU и доля проверок, пройденных без ухудшения качества. Если исходная конфигурация уже хорошо оптимизирована, положительного результата может не быть, и это должно быть отражено в заключении. Результаты NVIDIA относятся к конкретным тестам, поэтому обещать каждому клиенту ускорение в 1,63 раза нельзя. Это бизнес-гипотеза услуги оптимизации ИИ-инфраструктуры, а не созданная платформа с подтверждённой окупаемостью.

Источник: https://developer.nvidia.com/blog/scaling-nvidia-tensorrt-performance-optimization-beyond-a-single-build-route-with-the-global-performance-tuner-part-1/

Бухгалтерская аналитика через MCP без права изменения учётных данных

Запуск Dext AI Connector демонстрирует спрос на подключение реальных бухгалтерских данных к привычным ИИ-ассистентам. Пользователю больше не обязательно вручную собирать выгрузки, чтобы спросить о просроченных документах, состоянии клиентских задач или загрузке сотрудников. На основе этого подхода можно предложить услугу создания управляемых подключений между учётными системами и ИИ-интерфейсами. Потенциальные покупатели — бухгалтерские фирмы, финансовые отделы и компании, в которых данные распределены между несколькими приложениями. Важнейшее свойство первоначального решения — строгое разделение доступа к информации и права изменять записи. Для аналитических вопросов достаточно чтения, поэтому передавать ИИ полномочия проведения документов или платежей не требуется.

Минимальная реализация начинается с выбора нескольких конкретных вопросов руководителя: какие клиенты задерживают документы, где остаются незакрытые задачи, какие показатели качества данных ухудшились. Для ответов определяются точные источники, необходимые поля и существующие права пользователей. Затем создаётся MCP-подключение с доступом только на чтение. Дополнительно ограничиваются объём возвращаемых сведений, состав разрешённых операций и возможность просмотра данных других клиентов. Ответ ИИ должен опираться на полученные записи, содержать понятное указание периода и позволять проверить исходные показатели. Отдельной частью проекта становится оценка того, какие данные передаются выбранному поставщику модели и допускают ли это договоры и политика безопасности организации.

Проверка полезности проводится на реальных вопросах сотрудников, для которых заранее подготовлены контрольные ответы из учётной системы. Измеряются точность, время получения ответа, количество ручных выгрузок, частота обращений к специалистам и случаи неправильного разграничения доступа. Коммерческая модель может сочетать стоимость первоначального подключения с оплатой сопровождения и проверки после обновлений API. Главный риск — создание удобного, но недостоверного аналитического интерфейса, который неверно трактует данные или раскрывает лишнюю информацию. Поэтому необходимо отдельно проверять факты и права доступа, а не доверять одному текстовому ответу модели. Это бизнес-гипотеза интеграционной услуги, а не объявление о создании собственного бухгалтерского продукта.

Источник: https://dext.com/ca/news/dext-launches-ai-connector-letting-accounting-and-bookkeeping-practices-ask-claude-chat-gpt-and-copilot-about-their-own-practice-data