Новости про Qwen3 1.7B

16 материалов с упоминанием Qwen3 1.7B: релизы, бенчмарки, изменения цен. Полные характеристики, провайдеры и сравнения — в карточке модели.

• Лидерство AI — иллюзия? Статистика скрывает, что модели почти равны
  29 октября 2026 г. · Towards Data Science

  Исследование показывает: разница в 1.8% между топ-моделями часто статистически незначима. Для уверенного вывода нужны тысячи дополнительных тестов.

• TokenGate: Ускорение префилла LLM до 13x без потери точности
  25 октября 2026 г. · MarkTechPost

  Исследователи из Стэнфорда и UC Berkeley представили TokenGate — модуль для обучения отсечению токенов, который ускоряет префилл до 13 раз и снижает потребление памяти в 3.4 раза.

• Юридические факторы в LLM: где они живут внутри моделей
  23 октября 2026 г. · arXiv cs.CL

  Исследование Qwen3 и Gemma-2 показало, что LLM хранят сложные юридические концепции (CATO) в виде линейно декодируемых паттернов. Ученые впервые локализовали 78 таких «нейронных узлов».

• Narrative Wrapping: Как обход защиты LLM работает на 93% в китайском
  09 октября 2026 г. · arXiv cs.AI

  Исследователи выявили критическую уязвимость Qwen3 и GLM-4: модели с радостью отвечают на вредоносные запросы, если они «упакованы» в нарратив. Представлен новый метод защиты AXIS.

• OnlineQAT: Как обучить LLM 2-битам без потери интеллекта
  09 октября 2026 г. · arXiv cs.CL

  Исследователи представили OnlineQAT — метод дистилляции, который позволяет сжимать LLM до 2 бит с минимальной потерей качества, превосходя аналоги на Qwen3-1.7B.

• NVIDIA PivotOPD: как ИИ-агенты учатся исправлять критические ошибки
  08 октября 2026 г. · MarkTechPost

  Исследователи NVIDIA представили метод PivotOPD, позволяющий мультитуровым LLM-агентам не только предотвращать, но и восстанавливаться после критических ошибок. Метод демонстрирует прорывные результаты на бенчмарках ALFW

• Цепочки рассуждений LLM: иллюзия контроля или реальность?
  24 сентября 2026 г. · arXiv cs.AI

  Исследование Qwen3 показало, что стандартные тесты завышают надежность Chain-of-Thought на 11-20%. Ключ к пониманию — каузальный анализ активаций, а не просто поведение модели.

• Рекуррентные модели скрывают рассуждения от мониторов лучше, чем CoT
  18 сентября 2026 г. · LessWrong

  Исследование показывает, что архитектуры с параллельными латентными каналами (как MLR) быстрее и эффективнее учатся скрывать Chain-of-Thought от систем мониторинга по сравнению со стандартными LLM.

• J-lens vs Logit: Z-нормировка раскрыла скрытые слова в LLM
  17 сентября 2026 г. · LessWrong

  Исследование Ameya Panchal показало, что смещение в J-lens связано с частотой токенов. Z-нормировка повысила точность обнаружения скрытых концепций в Gemma-2 и Qwen3.

• Якоря мышления не работают кросс-модельно: новые данные интерпретируемости
  16 сентября 2026 г. · LessWrong

  Исследование показало, что ключевые шаги в цепочке рассуждений (CoT) одного ИИ-модели не являются универсально важными для другой модели. Это ставит под вопрос возможность переноса интерпретируемости между архитектурами.

• SMRC-SD: Как выровнять обучение мульти-шаговых AI-агентов
  07 августа 2026 г. · arXiv cs.AI

  Исследователи представили метод SMRC-SD, решающий проблему рассинхронизации состояний при обучении AI-агентов. Метод повышает успешность задач на 12-19% за счет точечной дистилляции знаний.

• Глобальное рабочее пространство есть даже в малых моделях: разбор данных
  15 июля 2026 г. · LessWrong

  Исследование опровергает миф о том, что «внутреннее сознание» LLM зависит от размера или инструктажа. Модели Qwen3 демонстрируют признаки глобального рабочего пространства уже на уровне 1.7B параметров.

• Доказательство «суперпозиции»: как LLM исправляют ошибки в скрытых признаках
  14 июля 2026 г. · LessWrong

  Исследователи впервые эмпирически подтвердили гипотезу о том, что нейросети вычисляют в суперпозиции, используя механизм коррекции ошибок, специфичный для каждого признака (FSEC).

• Риск-аверсия ИИ: от $100 до бесконечности. Новые данные о безопасности
  14 июля 2026 г. · LessWrong

  Исследование показывает, что обучение моделей ИИ избеганию риска на малых ставках ($100) частично переносится на гипотетические сценарии с астрономическими ставками. Это ключевой шаг к созданию «предохранителей» против б

• Терминальная цепь: почему модели рассуждения «думают» слишком долго
  11 июля 2026 г. · LessWrong

  Исследование выявило механизм, заставляющий LLM тратить до 70% вычислений на лишние рассуждения. Оказывается, модель знает ответ задолго до финала, но «цепь остановки» срабатывает только при совпадении сформулированного

• RLVR против next-token: Qwen3.5-4B идеально управляет Jira/Confluence
  03 июля 2026 г. · arXiv cs.AI

  Исследователи доказали, что обучение с подкреплением (RLVR) позволяет малым моделям (4B) безошибочно выполнять сложные API-запросы в Atlassian, устраняя галлюцинации.