Значительную роль в развитии современных подходов к машинному обучению сыграл французский исследователь Ян Лекун. В 1989 году он и его коллеги из AT&T Bell Labs представили свёрточную нейросеть, которая распознавала рукописные цифры. Систему обучали на тысячах изображений цифр из настоящих почтовых отправлений в США. В том же году разработчики описали результаты в научной статье (doi:10.1162/neco.1989.1.4.541).

Более того, эти разработки внедрили для реального использования. В девяностых на основе этих лабораторных экспериментов создали коммерческие системы распознавания банковских чеков. В статье 1998 года исследователи отчитывались об обработке нескольких миллионов чеков ежедневно (doi:10.1109/5.726791). Как рассказывал Лекун, к концу девяностых такие системы считывали от 10 до 20 % всех чеков в США.

Достижения отмечали как наградами в отрасли, так и славой вне неё: Лекун получил премию Тьюринга за 2018 год, а в «Книге рекордов Гиннесса» за Bell Labs зафиксирован рекорд по созданию первой нейросети, способной распознавать рукописные символы. В декабре 2024 года учёный не без удовольствия выложил на личном канале YouTube восстановленную видеодемонстрацию нейросети LeNet 1 от 1989 года.

Читать далее

TechCrunch spoke to the MIT computer scientist charged with explaining OpenAI's latest mind-bending discovery.

В ~/.codex/config.toml у меня стоит model_context_window = 1000000. Codex на GPT-6.1 Sol в каждой задаче сообщает окно 828 400.

Я разобрал, откуда берётся это число, поднял его до 900 000 своим каталогом моделей и прогнал синтетический вход на 890 547 токенов с контрольными метками.

Контрольный запуск показал больше основного: тот же вход на 888 330 токенов прошёл и без моей правки, при окне 828 400.

Замеры сделаны 27.10.2026 на Codex CLI 0.163.0, вход через подписку ChatGPT. Часть данных - из сентябрьских проб на GPT-6 Astra, это помечено.

Читать далее

Alexander Embiricos, the OpenAI executive responsible for dots, never wants to have a meeting with someone else's AI agent.