Владелец Tesla из Квебека Фред Ламберт получил штраф за превышение скорости, когда его машиной рулила система автономного вождения FSD. В зоне с ограничением 50 км/ч включённый в режиме Standard автопилот сам разогнался до 78 км/ч. Навстречу ехал полицейский автомобиль, радар зафиксировал превышение, и водителя остановили на месте. FSD он активировал меньше чем за две минуты до этого. Претензия у Ламберта не к тому, что робот превышает. В Квебеке обычно можно ехать на 10-20 км/ч выше лимита, и полиция не трогает аккуратного водителя, но 28 сверху уже тянут на штраф. А до этой скорости машина разогналась сама. Раньше в Tesla можно было вручную задать допустимое превышение скорости, но в версии FSD 14 эту настройку убрали. Вместо неё водителю предлагают пять фиксированных профилей: «Ленивец», «Спокойный», «Стандарт», «Спешка» и «Безумный Макс». Тонкую настройку выкинули, оставив выбор между слишком медленным и слишком быстрым. «Нет настройки для скорости, с которой действительно комфортно», — резюмирует Ламберт.

Модели и эффорт: шпаргалка для Claude Теперь 13:00 каждой среды для меня приобрели почти сакральный смысл. В этот час у меня всё начинается будто с чистого листа: бремя экономии сходит на нет, и я снова дышу полной грудью. Другими словами — у меня сбрасываются недельные лимиты в Клоде, и я опять фигачу что хочу и когда хочу, не заглядывая каждые пять минут, как бы по лимитам в нокаут не улететь. И вот эти качели с лимитами, где в начале недели живёшь на роскошном максимуме, а к среде уже ползешь на голодном минимуме, побудили меня разобраться: когда какую модель использовать, а главное какой «эффорт» врубать. Ниже шпаргалка и для меня, и для вас. Какую модель используем? 🔹 Haiku — модель-джун, которая вообще не про думать, а про то, чтобы выполнять много простых и рутинных операций. Нужно что-то разгрести, разложить по полкам, привести к форме или ответить на супербазовый вопрос — это к ней. Делает это и быстро, и дёшево, но и положиться в сложном, как на джуна, тоже не можешь. Окупается кратно там, где надо перелопатить сотню однотипных штук разом. 🔹 Sonnet — крепкий мидл и рабочая лошадка на каждый день. Берёт на себя процентов девяносто задач и тащит их сам, без присмотра: текст, разбор данных, код средней сложности, рабочую переписку — быстро и толково. Звёзд с неба не хватает, но по соотношению «сколько платишь / что получаешь» именно на нём всё и держится. 🔹 Opus — сеньор, которого зовёшь на тяжёлое: хитрую логику, большой код, стратегию — туда, где реально надо сесть и подумать. Тянет что угодно, но и берёт за это по-сеньорски — медленнее и дороже, так что к среде ты этот счёт почувствуешь. Сажать его на рутину — деньги на ветер, и так чаще всего бюджеты и сливают (сам так делаю). 🔹 Fable — звезда команды, вокруг которой хайп с самого релиза. И ценник звёздный, и отдача такая же. Меньше всех вам льстит: спокойно пойдёт спорить и покажет, где вы не правы и чего не учли. В неё есть смысл отправлять только стратегические и ценные задачи, где цена ошибки высокая. Какой уровень эффорта выставляем? 1️⃣ Low — отвечает не включая голову, на рефлексе. Для того, что и так очевидно: подрезать текст, глянуть мелочь. На сложном тут же поплывёт, зато лимита почти не ест. 2️⃣ Medium — уже думает, но в себя не уходит. Мой дефолт по жизни: девять задач из десяти закрываются прямо здесь, и лимиты целы. 3️⃣ High — врубаю, когда с наскока не берётся и надо реально повзвешивать: распутать логику, увязать концы, не растерять детали. Дольше и дороже, зато ответ на голову ценнее. 4️⃣ Extra — тот же High, только на стероидах, для совсем зубодробительного. Разницу ловишь не каждый день, но на заковыристом она есть. 5️⃣ Max — думает до упора, на всю катушку. Копает долго и лимит выжигает будь здоров, но там, где цена ошибки кусается, оно того стоит. 6️⃣ Ultracode — вообще другая лига. Тут уже поднимается целая бригада, задачу рвут на куски и молотят разом, параллельно. Заход для по-настоящему крупного — на повседневной мелочи это из пушки по воробьям (и по лимиту так же). Мощность модели и глубина эффорта не складываются, а перемножаются. Opus на максимуме ради правки запятой — это как подогнать бетономешалку размешать стакан чая. За правило взял для себя: по умолчанию живу на Sonnet со средним, а по мере роста сложности — двигаюсь в сторону увеличения. А вы насколько эффективно жжёте свои токены? Константин Сухачев

Елена Верна расписала подход к найму и формированию команд в Lovable — и это интересно.

«Как вам удается достигать такой скорости разработки продукта и таких результатов… имея всего 200 человек?!» Меня постоянно об этом спрашивают. Кажется невероятным, сколько всего создаётся таким небольшим количеством сотрудников. Мой ответ: всё дело в команде. И состав команды совсем не такой, каким вы ожидаете его видеть в компании с годовым доходом более 400 миллионов долларов. Нужны люди самых разных профессий. Да, мы делаем упор на создании AI-нейтив решений, но это не всё. Необходимо правильное сочетание определённых качеств. Нужны фермеры и ковбои, нужна старая гвардия и нужна новая гвардия. И самое главное: все эти люди должны действительно ладить друг с другом.

◼ Cowboys Это инноваторы, которые мыслят нестандартно и постоянно раздвигают границы. Они погружаются в рынок в поисках новых территорий и возможностей для прорыва. ◼ Farmers Фермеры создают фундамент и масштабирование. Они обеспечивают ковбоев ресурсами и выстраивают операционную деятельность. Фермеры любят рост, но без ковбоев они рискуют остаться на месте. ◼ Old Guard Их главная ценность — богатый опыт, зрелость и насмотренность. Они лучше справляются с вопросами стратегии, созданием систем и управлением рисками. ◼ New Guard Это талантливая молодёжь. Они привносят свежий взгляд и готовность экспериментировать. На пересечении этих профилей возникает 4 типа критически важных ролей: 1. Old Guard + Farmer отвечает за стратегию и инфраструктуру 2. Old Guard + Cowboy отвечает за экспертизу и системные инновации 3. New Guard + Farmer отвечают за AI-трансформацию инфраструктуры 4. New Guard + Cowboy отвечает за AI-инновации и эксперименты В Lovable в каждой команде должны быть представители всех этих ролей. Чтобы соблюдался баланс масштабируемости, инноваций, индустриальная экспертиза и готовность к экспериментам. В комментариях текст с переводом и оригинал. → https://www.elenaverna.com/p/hiring-lovable-cowboys-farmers-old-guard-new-guard

Физики нашли новую асимметрию материи и антиматерии Международная группа физиков получила наиболее убедительное на сегодняшний день подтверждение нарушения одной из фундаментальных симметрий природы в поведении элементарных частиц. Ученым впервые удалось с высокой статистической достоверностью зарегистрировать нарушение так называемой CP-симметрии при распаде барионов — тяжелых частиц, к которым относятся, в частности, протоны и нейтроны, составляющие вещество окружающего мира. Результаты эксперимента позволяют лучше понять, почему Вселенная практически вся состоит из материи, хотя после Большого взрыва количество материи и антиматерии должно было быть одинаковым. https://hightech.plus/2026/07/22/fiziki-nashli-novuyu-asimmetriyu-materii-i-antimaterii

За и против открытых (китайских) LLM. Я периодически читаю аналитику, мнения и пейперы по теме, в этом посте собрал не самые очевидные, и конечно с упором на деньги. 0️⃣ Есть много графиков типа приложенного к посту, что открытые отстают всего на несколько месяцев, и нужно только подождать. Контрааргументом приводят, что это только по бенчмаркам на 3-4 месяца, а на проде в реальных задачах - 8-12 (что кажется тоже ок). Аргументы ПРОТИВ того, что открытые модели могут догнать закрытые: 1️⃣ Главное заблуждение про открытые веса, что они дешевые (или бесплатные). Это справедливо для R&D, но не COGS (включая инференс): траты растут с ростом выручки/использования. Реакция на Kimi и китайские модели сильно преувеличена: есть очевидная price umbrella порожденная нехваткой компьюта. То есть китайским моделям выгодны высокие цены топовых лаб - демпинговать в таких условиях рынка всегда легче. 2️⃣ Из-за роста "агент-инференса" рынок инференса неожиданно может расти быстрее, даже быстрее издержек тренинга. Проще говоря, закрытые модели смогут частично брать объемом, как в классическом бизнесе. Нужно только достаточно компьюта, а охваты у них уже есть. Тот, кто крутит инференс, собирает данные, а данные идут в следующую версию модели. Это самоусиливающийся цикл, недоступный тому, кто просто раздает веса. 3️⃣ Токены - не коммодити! То есть это не как мешок кофе или баррель нефти. Токен одной модели не равен токену другой. Правильно считать стоимость решения конкретной задачи, а тут у открытых моделей все не так хорошо, как на страницах прайсинга. 4️⃣ Anthropic и OpenAI на полгода-год впереди не только по бенчмаркам, но и по возможности оптимизировать эффективность инференса, памяти, обслуживания. Контринтуитивно, но они могут заметно сократить издержки. Плюс по кибербезопасности закрытые модели вряд ли потеряют лидерство. Аргументы ЗА будущее доминировали открытых китайских моделей: 5️⃣ Чипы - единственная часть, где у США (и закрытых моделей топовых лаб) преимущество. Но все остальное в цепочке поставок токенов (электричество, стоимость строительства датацентров и т.д.) - заметно дороже китайского. Плюс регулирование, иски, бюрократия. 6️⃣ Юзеры и бизнесы, которые больше всех тратят, легко переключаются между моделями и инструментами. Никакого moat у лидеров нет, и как только все выйдет на плато, мы увидим массовый переток юзаджа и денег в открытые модели. Массовый потребитель, привыкший к ChatGPT, не спасет - он дает слишком мало выручки. 7️⃣ Многие проблемы больших AI лаб можно залить деньгами, но узкое место уже намечается в физическом мире - электричество, стройка и др. Есть уверенность, что обещанный капекс в принципе невозможно обеспечить, физически. Как только это будет видно на рынке, Китай начнет становится мировой столицей инференса. 8️⃣ Главный ингредиент в стоимости токена - маржа Nvidia (а не электричество или прибыль openai). Так почему будущая выручка вообще должна остаться у лаб? Пока их moat - это не качество моделей или харнесс, а тупо субсидирование юзеров венчурными деньгами. Конкуренты дипсика дают скидку около 30-40% - это и есть оценка маржи. Реселлеры клодкода/кодекса продают токены со скидкой до 90% от API-цены, перепродавая лимиты фиксированных планов. 9️⃣ Я не знаю, кто победит и как распределятся на рынке, но для нас конкуренция - это хорошо! Остальное просто с интересом наблюдаем. @kyrillic

Вики — это не память (ч.2) Здесь стоит провести одно чёткое различие, потому что терминология в этой области всё ещё расплывчата. Эти системы всё чаще описываются как памят». LangChain называет OpenWiki «слоем вики-памяти для ИИ-агентов», используя маркетинговую формулировку. Слово несёт большой вес, но покрывает две довольно разные вещи. Корпусное знание — это то, что делает вики: компилирует то, что содержится в наборе документов, репозитории или архиве Gmail. Она отвечает на вопрос «что содержит этот материал?» Пользовательская память и опыт — это другая ось: что предпочитает конкретный человек, что они решили на прошлой неделе, какой подход их команда уже отвергла, что агент пробовал в другом приложении вчера и чем это закончилось. Это относится к идентичности, а не корпусу, накапливается из взаимодействий, а не поступления, и должно уметь обрабатывать противоречия, устаревание, происхождение и удаление для каждого пользователя. Вики отлично справляется с первым и не пытается делать второе Компиляция вашего Gmail в страницы говорит агенту, что находится в вашем Gmail. Это не говорит агенту, что вы передумали по поводу решения о вендоре в разговоре во вторник, или что предложенный подход уже однажды не сработал для вас. Эта вторая ось — то, для чего предназначен выделенный слой памяти, такой как Mem0: память, привязанная к user_id, чтобы она следовала за человеком между сессиями, приложениями и агентами, обновляемая на месте при изменении фактов, а не добавляемая навсегда. Эти два подхода дополняют друг друга, и ошибка не в выборе вики. Ошибка в том, чтобы верить, что вы решили проблему памяти, потому что скомпилировали корпус. Вынесите из этого три вещи: 1) Компилируйте ваши документы в поддерживаемые страницы, когда корпус стабилен и часто перечитывается 2) Добавляйте полноценный поиск, когда он вырастает за пределы личного масштаба, как и рекомендует исходная формулировка. 3) И держите различие между компиляцией корпуса и запоминанием пользователя, потому что вики даёт вам первое, а не второе. ИИ Wiki — реальный паттерн с реальной идеей: знание должно быть скомпилировано один раз и поддерживаться, а не перевыводиться на каждый вопрос, и поддержка, отсутствие которой убило человеческие вики, это именно та работа, которую модель выполняет бесплатно.

ИИ-Wiki: Код, продукты, жизнь (ч.1) За последние месяцы четыре разные команды реализовали одну и ту же идею Wiki для ИИ: OpenWiki, DeepWiki, AutoWiki,, GBrain. Работает просто: LLM читает набор источников, компилирует их в поддерживаемый набор markdown-страниц и обновляет эти страницы по мере изменения источников. Агенты читают эти страницы вместо того, чтобы заново выводить всё из сырого материала на каждый вопрос. Паттерн стал категорией, а системы, построенные на его основе, всё чаще называют просто «агентными вики». Вот что это такое на самом деле, что построила каждая команда, где это ломается и с чем это постоянно путают. Идея: компилировать при поступлении, а не при запросе Начнём с проблемы, потому что паттерн — прямой ответ на неё. Стандартный способ передать модели базу знаний — это поиск (retrieval). Вы загружаете документы, разбиваете на чанки и создаёте эмбеддинги, а при запросе извлекаете релевантные фрагменты и отвечаете. Это работает, но имеет структурный изъян: ничего не накапливается. Каждый вопрос начинается с сырых фрагментов, так что модель каждый раз заново выводит одно и то же понимание, и десятый вопрос о кодовой базе не дешевле и не лучше первого. LLM Wiki инвертирует этот порядок: вместо того чтобы собирать знания при запросе из сырых кусков, LLM собирает их один раз при поступлении в долговечные страницы и затем поддерживает их. Когда поступает новый источник, модель читает его, обновляет затронутые страницы, пересматривает и отмечает противоречия с уже написанным, выводя его один раз и затем обновляя. Архитектура состоит из трёх слоёв: 1) Сырые источники неизменяемы: статьи, документы, репозитории, данные. Модель читает их и никогда не редактирует. 2) Вики — это созданный LLM markdown, которым ИИ полностью управляет: резюме, страницы сущностей, концепций, перекрёстные ссылки и т.п. 3) Схема — это конфигурационный файл (CLAUDE.md, AGENTS.md или аналогичный), который сообщает модели, как организована вики и какие рабочие процессы запускать, что превращает её в проводника, а не просто в чат-бота с доступом к файлам. Над всем этим работают три операции: – приём источника и размещение его по затронутым страницам; – запрос к вики с возможностью сохранять хорошие ответы как новые страницы, чтобы исследование тоже накапливалось); – периодическая проверка, выискивающая противоречия, устаревшие утверждения и потерянные страницы. Что на самом деле построили лаборатории и различия между реализациями. DeepWiki — вики как общедоступная утилита. Замените github.com на deepwiki.com в URL любого публичного репозитория, и вы получите сгенерированную, навигабельную вики этой кодовой базы: обзор архитектуры, индекс файлов, граф зависимостей и поиск с ссылками на исходный код. AutoWiki придерживаются подхода, что документация должна быть артефактом сборки, а не побочным проектом. Она строится из исходного кода, организована вокруг того, как кодовая база работает на самом деле, и обновляется при изменении репозитория. AutoWiki выполняет двухпроходный анализ и работа распределяется между специализированными агентами, каждый из которых охватывает один аспект репозитория с достаточным контекстом для создания хорошей страницы. OpenWiki перешли от кода ко всему LangChain открыли исходный код OpenWiki и расширили его до OpenWiki Brains с двумя режимами: Code Brain — исходный вариант для репозиториев, и Personal Brain, который строит вики из ваших собственных подключённых источников. Этот второй режим — самое интересное. Personal Brain принимает данные из Gmail, Notion, git-репозиториев, X, Hacker News и веб-поиска и синтезирует их в локальную markdown-вики, к которой обращается агент. Категория перешла от «документируй мой репозиторий» к «скомпилируй мою рабочую жизнь». GBrain: персональная open-source версия GBrain применяет ту же форму к личной базе знаний, а не к кодовой базе: markdown в git-репозитории, файл схемы и автоматически поддерживаемый граф перекрёстных ссылок сущностей. Никакой векторной базы, никакого сервиса — просто файлы, которые модель и человек могут читать.

Как мягко менять поведение людей, чтобы они не воспринимали это как давление? И, может, вообще не осознавали? Взяли 455 экспериментов на 2,14 миллиона участников и свели в кучу. Считалось, что менять поведение можно: 1. Рублём. Чтобы он поступал как надо — давать субсидии, налоговые льготы, штрафы, повышать или понижать цены. 2. Добрым словом. Менять убеждения через информационные кампании, просвещение, рекламу. Оба варианта не учитывали идиотов. За то, как учитывать идиотов в экономике, как-то даже дали нобелевку. Люди — не рациональные агенты. У человека мало времени, мало данных и нет сил подумать, поэтому он часто хватается за то, что под рукой, копирует поведение окружающих, поддаётся тому, как преподнесли варианты. И вот вопрос: а можно ли чуть переделать обстановку так, чтобы человеку было проще сделать нужный выбор? Типа он сам, но сделал то, что надо. Да, можно, это работает, и это третий путь. Называется подталкивание. Некоторые называют это UI dark pattern, но граница там размыта. Ну то есть разница как между заранее поставленной галочкой и заранее снятой галочкой на спам. Сила эффекта скромная, примерно как у обычной рекламы пользы или у денежных поощрений. Примерно в 1 случае из 7 подталкивание может сработать наоборот. Легче всего подтолкнуть человека там, где решение мелкое и привычное (что сожрать на ужин). Труднее всего — там, где на кону деньги и серьёзные последствия. Конкретные приёмы: — Информировать. Перевести на человеческий, сделать побольше, повесить у кассы, показать норму по соседям и т.п. Олкотт разослал на 600 тысяч писем, где расход электричества сравнивался с расходом соседей. Люди стали тратить в среднем на 2% меньше. Такой же эффект можно получить, поднимая цену на 11-20%. — Поменять расстановку вариантов и формат выбора. Ну типа положить самое дорогое молоко поближе к глазам и рукам, а самое дешёвое запихать на самый верх, чтобы бабки не достали без сотрудника магазина. Это самый сильный вариант. Сравнили донорство органов в разных странах Европы: где галка стоит по умолчанию — на 60 процентных пунктов наборов органов больше. — Устранить разрыв между намерением и поведением. Один раз взять обещание и напоминать. Типа, сначала спрашиваете, кто готов помогать, а потом просите скинуться, а не сразу спрашиваете, кто скинется. Слабые места работы: скандал с лабораторией Корнелла с систематическими научными подлогами — десятки статей Брайана Уонсинка отозвали. И нашли большое публикационное смещение из-за того, что чаще печатают удачные результаты (эффект сисек). Чем красивее работа, тем охотнее её берут, работы "мы измерили, что-то нифига не работает" — некрасивые. Из-за этого реальный эффект ещё на четверть слабее. А тут берут ровно те же данные, прогоняют их через метод, который учитывает публикационное смещение. Вывод: доказательств того, что подталкивание работает — нету. Основное: — Информирование не работает вообще — Структура выбора работает нормально или слабо — Напоминания и упрощение действий почти не работает — В финансах вообще не работает ничего В авторах офигенно тёплая компания. Т. Д. Стенли, — чувак, который всю жизнь громит метаанализы; его друг Д. Шэнск — берёт психологические теоретические работы и ставит практические эксперименты по ним под визги теоретиков (потому что обычно нифига не сходится). И ещё Э. Вагенмакерс, который знатно так поработал над кризисом воспроизводимости с помощью матметодов. Слабое место работы — риск перекоррекции, вероятно, оценка сместилась к нулю больше, чем должна была в реальности, это подтверждается оценкой сверху вниз и снизу вверх, они разные. То есть читать лучше так: подталкивание как-то работает, но слабо. Но вот про часть работы в обратную сторону — сохранилось ) И это, скажите кто-нибудь это маркетологам и ПО, пожалуйста, а то задолбали пихать свои выдумки в каждый интерфейс! -- Вступайте в ряды Фурье! | Лучшие посты Большинство пользователей, играющих в игры 18+, родились 1 января!

Эйджизм вынуждает сначала обновлять не резюме, а себя 😬 После увольнения из крупной ИИ-компании из Кремниевой долины 52-летняя Сьюзи Хименес испугалась, что проиграет молодым кандидатам и ИИ-агентам, несмотря на десятилетия (!) опыта. Поэтому перед поиском работы она начала скрывать седину, нарастила волосы и ресницы и обновила гардероб. Короче, сделала все, чтобы выглядеть моложе и убедить работодателей, что она всё ещё «подходит культуре компании». И да, это уже нормальная практика — культ молодости настолько развился, что CEO и разрабы даже моются делают пластику, чтобы показать, что выглядеть свежими и полными энергии. Кстати, Сьюзи была главой HR-отдела и сама строила этот культ. Все-таки бумеранг существует 🙏