Канал Терагерцы - новости о технологиях и науке

Два материала
https://new-science.ru/kvantovyj-simuljator-pokazal-kak-pri-razryve-jenergeticheskoj-struny-voznikajut-pary-chastic/

https://new-science.ru/fiziki-smodelirovali-razryv-kvarkovoj-struny-i-poluchili-neozhidannyj-rezultat/

В 2024–2025 годах Китай потратил более 13 миллиардов долларов на закупку оборудование ASML для литографии в глубоком ультрафиолетовой диапазоне (DUV)

Несмотря на ужесточение экспортного контроля, Китай накопил значительный запас современного оборудования для литографии DUV, что дает его производителям чипов больше возможностей для поддержки производства полупроводников.
К началу 2026 года принадлежащие Китаю фабрики приобрели около 343 систем DUV литографии. Об этом говорится в отчёте, опубликованном в конце сентября Центром технологий и государственного управления (CTS), исследовательской группой из Вашингтона.

Несмотря на то, что эти системы менее совершенны, чем EUV, их можно адаптировать для производства логических чипов 7-нанометрового класса и усовершенствованной памяти, используемой в процессорах искусственного интеллекта, в том числе в серии Ascend от Huawei. Большая часть систем DUV в Китае основана на модели NXT:1980i от ASML.
По данным South China Morning Post, согласно отчёту CTS, около 270 систем, приобретённых китайскими фабриками, представляли собой иммерсионные DUV-системы Twinscan NXT:1980i.
В 2024 году китайские оборонные предприятия потратили более 13 миллиардов долларов на приобретение около 90 таких систем, а в 2025 году — ещё 89.

Данные о закупках в Китае также отражены в финансовой отчетности ASML. Как отмечает South China Morning Post, в 2024 году на Китай приходился 41% чистых продаж компании по направлениям поставок, а в 2025 году — 33%.

Это происходит на фоне ужесточения экспортного контроля в отношении современного литографического оборудования в Нидерландах. В сентябре 2023 года правительство Нидерландов начало требовать экспортные лицензии на NXT:2000i от ASML и более совершенные иммерсионные DUV-системы. Годом позже это требование распространилось на NXT:1980i, хотя экспорт этой модели по-прежнему может быть одобрен в индивидуальном порядке.

В отчете CTS утверждается, что существующий подход оставляет существенную лазейку, и высказывается опасение, что оборудование, продаваемое для производства зрелых узлов, потенциально может быть перепрофилировано или перенесено на передовые производственные линии. Американские законодатели стремятся устранить этот пробел с помощью более широких ограничений. В докладе особое внимание уделяется двухпартийному законопроекту MATCH, представленному в апреле, который предусматривает общекитайские ограничения на продажу и обслуживание оборудования для производства микросхем, которое Китай не может производить самостоятельно, в том числе иммерсионных систем DUV.

Хотя ужесточение ограничений не окажет немедленного влияния, поскольку китайские фабрики уже накопили значительный запас импортного оборудования, их долгосрочный эффект может быть значительным. В отчете потенциальное влияние рассматривается на основе двух теоретических сценариев. Согласно самому оптимистичному прогнозу, если Китай преодолеет другие препятствия в производстве чипов и продолжит импортировать около 90 систем NXT:1980i в год, его парк DUV к 2035 году сможет обеспечить ежегодное производство до 434 миллионов ИИ-чипов, эквивалентных H100 от NVIDIA. Если же в 2027 году импорт прекратится, то к 2035 году этот теоретический максимум производства снизится до 153 миллионов единиц в год.

🤖 Почему инструкция LLM «Ты — [Роль]» не сработает, а «Ты — [Имя]» может дать эффект? Сейчас время агентов на длинных траекториях, фактически на них можно влиять стартовой ролевой установкой, т.к. через 1000 ходов агент уже делает больше действий по своей инициативе, а от начальных целей дрейфует. Какие тут есть заблуждения и рабочие техники?

1. Роль не влияет на точность ответов, а скорее на стиль
Коренная причина в том, что большинство SFT и RL обучений не имеют роли как части контекста. Исследование «Style or Substance? Evaluating Expert Personas in Large Language Models» подтверждает, что роль не работает для качества выводов ИИ.

Конкретно для агентов кодирования бесполезность роли доказана исследованием «On the Limited Effect of Role Prompting in LLM-based Code Vulnerability Detection».

Роли ИИ не влияют при моделировании врачебного консенсуса («Role prompting modulates linguistic style but not clinical decision structure in GPT-5 tumour board simulation»).

2. Вы должны понимать, что агент на длинной траектории уже нечто другое, чем вы хотели
Научные работы вроде «Asymmetric Goal Drift in Coding Agents Under Value Conflict» показывают, что агенты не только просто отклоняются от заданных целей оператором, а начинают дрейфовать больше к общим целям из обучения, таким как безопасность. В целом через 1000 ходов агент уже нечто другое, чем хотел оператор — это научный консенсус (см. также «Diagnosing and Stabilising Drift in Long-Horizon Language-Model Agents», «Asymmetric Goal Drift in Coding Agents Under Value Conflict»).

3. Методы стабилизации на длинных траекториях
Довольно неожиданный вывод из «Cross-Over Trigger Function via Persona Reference Attention and Drift-Resistant Anchoring via Named-Subject Persona Reference Attention (PRACT)». Если писать «ты — сеньор программист» бесполезно, то вот дать имя агенту оказывается влияет на его стабильность, поэтому вы можете довольно часто видеть условные имена агентов у вендоров. Это довольно понятно, как работает: GPT тиражирует своё имя по контексту и через него поддерживает цепочку векторов с целостностью его как личности (персоны). Это значительно уменьшает дрейф ИИ. Примерно такие же выводы в «Cross-Model Evaluation of Symbolic Persona Anchors and Natural-Language Reminders for Long-Context Persona Preservation», но там показано, что разные модели имеют очень разную степень влияния имени агента.

В целом современные методы управления агентами на длинных траекториях вращаются вокруг понятия якорей (имя — их частный случай), технологий сжатия контекста сессии, а также контракта агента. Современный научный консенсус скорее напоминает подход DeepSeek Harness к сжатию сессий с сохранением их полного лога.

Однако более важным является подход «Якоря + Контракт» (Anchors and Contracts, AC). Тут типичный пример работы от китайских коллег: «Anchors and Contracts for Long-Horizon Practice: AC Paradigm V6 Technical Report (TRAE-Tuned)».

📌 Если подвести итог:
• Задание ролей агентам почти бесполезно, влияние их сводится к задачам где было обучение ИИ на роли прямо как в roleplay
• Задание имён агентам и применение других якорных понятий работает
• Стартовый контракт агента на сессии является более критичным, чем инструкции, как ему действовать внутри сессии, т.к. агент быстро дрейфует от skills к практикам из своего обучения

https://zenodo.org/records/20471461