Серия «Новости»

В Open-source были добавлены две индийские модели рассуждения Sarvam 30B (https://huggingface.co/sarvamai/sarvam-30b) и Sarvam 105B (https://huggingface.co/sarvamai/sarvam-105b), обученные с нуля в Индии на мощностях миссии IndiaAI.

Во время их обучения использовались собственные пайплайны данных (16T и 12T токенов) на всех этапах, включая претрейн, SFT и RL. Обе модели имеют MoE-архитектуру, состоящую из 128 экспертов. В модели с 30B параметров используется GQA (Grouped Query Attention) для оптимизации в режиме реального времени, а в модели 105B параметров используется MLA (Multi-head Latent Attention) для длинного контекста. Также модели используют собственную токенизацию и глубокую оптимизацию ядер (до 6x быстрее на H100, работа на MacBook), эффективную для всего спектра оборудования.

В результате на бенчмарках они лидируют среди аналогов в математике и кодинге, превосходя более крупные модели (включая DeepSeek и Gemini) по индийским языкам (до 90% побед) и агентным задачам (Tau2, BrowseComp).

Младшую модель добавили на платформу Samvaad, а более мощную старшую версию на 105B в ассистента Indus для работы агентных сценариев, веб-поиска и режима репетитора.

В обновлённой версии модели LTX-2.3 (https://huggingface.co/Lightricks/LTX-2.3) была улучшена детализация при помощи нового VAE и латентного пространства, что позволило добиться более чётких текстур (волосы, края) на всех разрешениях. Также доработали понимание промтов, и теперь улучшенный текстовый коннектор точнее следует сложным описаниям (объекты, стиль, отношения). Для Image-to-Video было переработано обучение, чтобы уменьшить статичность и "эффект Кена Бернса", добавив больше реалистичного движения. Аудио стало чище, и в нём теперь меньше шумов и артефактов, а также лучше синхронизация. Среди прочего впервые в LTX появилась нативная поддержка портретного видео до 1080×1920, где модель обучена именно на вертикальных данных.

Помимо новой модели, запустили LTX Desktop, представляющий собой профессиональный видеоредактор на движке LTX-2.3, который работает полностью локально (оффлайн, бесплатно) либо через API и выложен Open source. У него коммерческая лицензия для компаний с оборотом от $10 млн.

Для проведения этой проверки авторы создали набор тестов CoT-Control с инструкциями, изменяющими CoT (запрет слов, смена регистра и т.п.).

В результате модели гораздо хуже управляют CoT, чем финальным ответом (например, Claude Sonnet 4.5 контролирует свои мысли только в 2.7% случаев, а свой ответ в 61.9%), что даёт основания для осторожного оптимизма, но всё же необходимо отслеживать этот показатель у будущих моделей. Также заметили, что контролируемость CoT растёт с размером модели, но снижается при увеличении сложности задач, длины рассуждений и объёма RL-тренировки, и даже при знании о мониторинге или оптимизации промтов контролируемость повышается незначительно.

Для демонстрации уязвимости был предложен метод Phantom (https://arxiv.org/abs/2602.16958v1), представляющий собой автоматизированный фреймворк, эксплуатирующий архитектурную уязвимость шаблонов чата, который внедряет оптимизированные структурированные шаблоны в извлекаемый контент, вызывая во время атаки путаницу ролей, заставляя агента воспринимать внедрённый код как легитимные инструкции пользователя или результаты инструментов.

Phantom включает в себя многоуровневое создание шаблонов атак, используя LLM и символьные правила. Дальше он преобразует эти текстовые конструкции в математический формат с помощью модуля Template Autoencoder (TAE) и применяет байесовскую оптимизацию для эффективного поиска атакующих векторов без прямого доступа к внутренним механизмам атакуемой модели.

В результате на бенчмарке AgentDojo метод Phantom достиг среднего ASR 79.76% на семи закрытых моделях (GPT-4.1, Gemini-3 и др.), значительно превзойдя семантические базы (39.86%), а ещё с его помощью обнаружено более 70 уязвимостей в реальных коммерческих продуктах (подтверждённых вендорами), включая CVE-2025-6***4 в MCP-протоколе и привилегированный доступ к облачным десктопам Agentbay. Атака устойчива к защитам (Delimiter Spotlighting, фильтрам тегов, семантическим детекторам), так как эксплуатирует грамматическую структуру, а не семантику.

Кстати, чем умнее и новее становятся модели, тем сильнее они уязвимы к такой атаке. Ведь они более качественно обучены строго следовать системным шаблонам форматирования.

В выложенном отчёте (https://arxiv.org/abs/2512.14982) говорится о том, что преобразование запроса <ЗАПРОС> в <ЗАПРОС><ЗАПРОС> повышает точность популярных не рассуждающих моделей (Gemini, GPT, Claude, Deepseek) без увеличения длины ответа и задержки. Это связано с каузальной природой LLM, где повторение позволяет каждому токену учитывать все остальные, нивелируя влияние порядка.

На 7 бенчмарках (OpenBookQA, ARC, GSM8K и др.) метод выиграл в 47 из 70 тестов (0 проигрышей), а наибольший прирост был, когда варианты ответов предшествуют вопросу. При включении рассуждений (think step by step) эффект нейтрален или слабо положителен (5 побед, 1 проигрыш). Всё потому, что рассуждающие модели в процессе мышления самостоятельно повторяют задачу несколько раз.

Метод не меняет формат вывода и легко внедряется.