Перейти к содержимому
Экосистема AI Vibe

Разборы

Мёртвый спутник, TabPFN и LLM, которому запретили выдумывать причину

Редакция 1 ноября 2026 г.

Мёртвый спутник, TabPFN и LLM, которому запретили выдумывать причину

Три режима одной связки: 2 123 сегмента «призрака», TabPFN на тех же 18 признаках, что в Scientific Data 2025, и LoRA на Tinker за 83¢ с правилом «Nobody speaks for the dead». Соло на Claude Code за ~12 часов собирает Mission Memory Engine; урок не про орбиту, а про то, что schema и валидаторы должны быть жёстче промпта, когда архив root cause не содержит. Таблицы, code и цепочка сборки — в LINK:разборе.

OPS-SAT сошёл с орбиты. Датасет жив

22 мая 2024 лабораторный CubeSat OPS-SAT ESA сошёл с орбиты. Не «взлом спутника», а OPSSAT-AD: 2 123 telemetry segments с магнетометров и фотодиодов, метки nominal/anomalous от инженеров ops и ML-экспертов. Публичный архив на Zenodo.

Иллюстрация: нули в канале I_PD3_THETA около 2022-06-02 03:17:13 UTC. В архиве нет задокументированного root cause. General chatbot в demo уверенно объясняет то, чего в данных нет.

Hacktoberfest Open-Source AI Challenge Week 4: Ghost in the Machine, Halloween-рамка, не CVE. «Инцидент» здесь: галлюцинация объяснений, не compromise supply chain.

TabPFN против published SOTA: цифры на том же split

На official test split (529 segments) барьер из Scientific Data 2025 для FCNN: AUCPR 0.979, F1 0.946, MCC 0.932.

Прогон TabPFN-v2 на том же split:

Метрика FCNN (paper) TabPFN-v2 (автор)
AUCPR 0.979 0.996
F1 0.946 0.982
MCC 0.932 0.977

На 18 features из paper без training loop на этих данных: 0.989 / 0.950 / 0.937. Воспроизводимость: md5 OPSSAT-AD, порт feature-кода, pull Table 3 из full text, один logged test run, guard от повторного прогона той же конфигурации.

На своих engineered features TabPFN и Random Forest в «statistical tie» (McNemar p = 0.63). «Clear win» только like-for-like на 18 признаках из статьи. Независимого third-party rerun нет; это claim из Dev.to, не вердикт редакции.

83¢ на Tinker и правило «nobody speaks for the dead»

83 cents, сумма всего на Tinker (learning curve, остановленный run, final model, evaluations). Только final model: $0.22.

Модель: Qwen3-8B + LoRA на Tinker. Задача: structured extraction из mission documents (8 полей, citations), не «голосовой medium» буквально.

Домашнее правило проекта:

Nobody speaks for the dead.
Root cause of this signal behaviour is not documented in the archive.

Пять независимых проверок между моделями и UI: Pydantic schema, verbatim substring quotes, regex cross-check, root-cause только при unhedged citation, факты сигналов только из кода. Validator отбрасывает черновики interpreter. В demo fallback на deterministic text.

Fine-tune: field-level exact match 65.3% → 93.0% (validation), на held-out test docs 72.2% → 86.3%; «invented channel IDs» → 0. Цель 95% не достигнута. Citing telemetry terms после fine-tune ухудшился (96.2% → 82.7%, p = 0.016).

Claude Code, 12 часов, budget guard

The Last Satellite / Mission Memory Engine: TabPFN-v2 на очереди аномалий и Qwen3-8B+LoRA на документы, evidence layer, UI на FastAPI.

Цепочка сборки:

  1. Чтение docs TabPFN и Tinker до кода.
  2. Claude Code по 12-hour plan.
  3. Budget guard на Tinker jobs и test-set runs, чтобы не сжечь лимит на повтор тех же конфигов.

TabPFN offline и GGUF-adapter через llama.cpp работают без API key. Для ру-соло без отдельного ML-отдела: validators и schema жёстче промпта; дешёвый fine-tune не заменяет запрет выдумывать то, чего нет в архиве.

На 529 test segments: 1 false alarm, 3 missed anomalies (часть намеренно в demo). Offline adapter, sibling checkpoint, не byte-identical final sampler с Tinker.

Источники