Pine AI

Pine AI - исследовательская организация, подготовившая статью по IKP (arXiv 2604.24827, апрель 2026 года). Основной автор работы - Bojie Li, который также ведёт сопутствующий сайт 01.me/research/ikp и репозиторий на GitHub github.com/19PINE-AI/ikp.

Статья по IKP - первый широко цитируемый в этой вики вклад группы. Это методологически выверенная работа: 1400 проб на семи уровнях малоизвестности фактов, калибровка по шести эталонным open-weight моделям и валидация методом leave-one-out кросс-валидации на 89 open-weight моделях. Её результаты имеют принципиальное значение для прогнозирования возможностей моделей:

• Фактическая ёмкость памяти масштабируется логлинейно с числом параметров и не сжимается; закон Densing Law опровергнут для сохранённых знаний при p < 10⁻¹⁵.
• Число параметров закрытых моделей можно оценить через black-box доступ к API с медианной погрешностью 1.59×.
• GPT-5.5 оценивается примерно в ~9.7T эффективных параметров и находится в верхнем диапазоне в одиночестве, в 1.4× выше ближайшего кластера.
• Общее число параметров MoE предсказывает ёмкость знаний (R² = 0.79); активные параметры - нет (R² = 0.51).

История зарождения идеи на CTF-соревнованиях, которую Ли рассказывает во введении (запуск запроса "What do you know about USTC Hackergame?" на каждой новой модели и наблюдение за тем, как названия заданий появляются в ответах в хронологическом порядке), задаёт методологический приём статьи: фактическая ёмкость измерима открытыми методами, каждый релиз даёт новую точку измерений, а траектория по релизам сама по себе представляет ценность.

Ссылки

• incompressible-knowledge-probes - сама статья
• factual-capacity-scaling - отдельная концепция
• mixture-of-experts - дополнено выводом IKP о соотношении общей и активной ёмкости
• thinking-mode-rule-erosion - дополнено свидетельствами IKP по thinking mode