У Vsauce попалось видео про задачу, которую фейлят большинство людей. Называется The Reasoning Test Psychologists Still Can't Explain. Задача такая: - Перед вами на стол выкладывают четыре карты, на которых написано: A, G, 7, 8 - По условию, на каждой карте с одной стороны цифра, с другой буква. Т.е. на A и G с обратной стороны какие-то цифры (вы их не видите), на 7 и 8, соответственно, буквы, которые вы не видите тоже. - Вам нужно проверить, выполняется ли для выложенных карт следующее утверждение: «Если с одной стороны карты буква A, то с другой стороны цифра 7». - Вопрос: какие карты вам обязательно нужно перевернуть, чтобы определить, истинно это утверждение для выложенных четырех карт или ложно. Как говорится, думайте. А я пока расскажу историю. Сидел я как-то по молодости, ковырял в носу, и задумался: почему в большинстве языков программирования есть бинарные операции И, ИЛИ, НЕ, XOR, но нет импликации (из А следует Б)? Странновато, не? Можно еще сказать, что «мало ли чего нет», но в целом бинарных булевых операций не так много: теоретически 16, если выкинуть константы (всегда 0, всегда 1), первый, второй, не первый, не второй, то уже 10 останется. Убираем обычных подозреваемых (коньюнкция, дизьюнкция, XOR) и их отрицания, и остается одна импликация! (ну, две, в разные стороны, плюс их отрицания). То есть это единственная классическая булева операция, для которой не выделили почему-то ASCII символ для короткой записи или хотя бы функцию в stdlib-е. Ага, подумал я. Вот это находка! И недолго думая запилил ее в наших utils. Щас, думаю, жара пойдет! Потом сидел пару недель и ждал случая, где бы ее применить. Не так часто она нужна, оказывается! (Ну и что, XOR тоже не часто нужен, важен принцип. Мы тут фундаментальной наукой занимаемся, вообще-то). Короче, в какой-то момент мне попалось подходящее условие, и я ее таки воткнул. if (implies(cond1, cond2)) { ...}. Радости было полные штаны. Эксперимент удался! Смотри, мама, я математик! Ну а потом прошло еще время, я наткнулся на свой собственный код, и застрял. Че за фигня? Когда это выполняется? Когда не выполняется? И так я выучил свой главный урок, а также получил ответ, почему импликации нет в стандартной библиотеке. Вот он: ИМПЛИКАЦИЯ НИФИГА НЕ ИНТУИТИВНАЯ ШТУКА. И — интуитивная. ИЛИ — интуитивная. НЕ тоже. А импликация хорошо определена математически, но наш мозг почему-то не приспособлен с ней работать. Ну вот не мапится она на него и все тут. Не встречается в быту. Слишком абстракткна. В быту ты не говоришь «если я женщина, то принеси мне яблоко», рассчитывая, что если первое условие ложно, то второе можно игнорировать. В быту если ты что-то сказал, то значит надо рассматривать эту вероятность, а не игнорировать ее. Это же показывает эксперимент из начала. Люди просто думают про эти вещи по-другому. Почти все переворачивают карту с семеркой, потому что услышали семерку в вопросе. Короче, не работает. Хотелось бы, чтобы работало, но, к сожалению, других людей у меня для вас нет. Хотя — теоретически — очень красиво. В общем, импликацию не пишите. Пишите a ∨ ¬b, и будет всем все понятно.

Ну, это так для сравнения. Юзает ли кто-нибудь Gemini нынче? Кажется, совсем у них дела плохи. Раньше хоть дешевые мелкие модели были (мы в CodeAlive вовсю их гоняли при индексации), а сейчас вообще юзкейсы непонятны. Я, кстати, в добавку к Codex и Claude взял еще на Grok подписку и использую в кач-ве ревьюера - действительно находит много интересного, я доволен. А Fable использую как эксперта-консультанта, вызываю просто из Codex через свой скилл agents-consilium. Еще молва пошла, что квен 3.8 якобы дюже силен. Но бенчмарков нету вообще, что подозрительно. Успел уже попробовать кто-нибудь новый квен? У меня уже хобби команду ревьюеров из сильных моделей собирать: обычно 5.6 Sol medium/high делает, затем зовет Grok 4.5/GLM 5.2/Opus 4.8 ревьюить, затем когда у простых работяг вопросов не остается, передает работу Fable на ревью. Видимо, команда моя скоро пополнится новой кими и квеном. @ai_driven

​​Harness Handbook: Making Evolving Agent Harnesses Readable, Navigable, and Editable Способности агента определяются не только базовой моделью, но и его harness — кодом, который собирает промпты, управляет состоянием, вызывает инструменты и крутит control loop. Под новые модели, API и требования harness приходится постоянно дорабатывать, но перед любой правкой нужно сначала найти все места в коде, реализующие нужное поведение. Авторы называют это behavior localization и считают главным узким местом в эволюции harness: запросы формулируются в терминах поведения, а репозиторий устроен по файлам и функциям, и именно этот разрыв всё усложняет. Решение — Harness Handbook, представление кодовой базы, организованное вокруг поведения, а не структуры файлов. Это трёхуровневое дерево (L1 — обзор системы, L2 — стадии и компоненты, L3 — записи со ссылками на конкретный исходник) плюс state-register view для состояния, разделяемого между стадиями. Строится автоматически: статический анализ через tree-sitter без LLM → раскладка по стадиям через proposer-reviewer loop → синтез дерева. При модификации агент идёт сверху вниз через Behavior-Guided Progressive Disclosure (BGPD): от архитектуры к нужным стадиям и конкретным местам в коде, а потом сверяет кандидатов с текущим исходником. Отдельная полезная деталь — resynchronization: после правок handbook инкрементально обновляет только затронутые части, а ссылки, которые больше не резолвятся, помечает как stale, вместо того чтобы молча указывать на неверный код. Проверяли на двух open-source harness'ах (Terminus-2 и Codex), 60 запросов на модификацию, планировщик — DeepSeek-V4-Pro, качество планов оценивали три LLM-судьи: — win rate по качеству плана: 45.6% против 26.7% на Terminus-2 и 38.3% против 28.3% на Codex — и всё это при меньшем расходе токенов планировщика: −12.7% на Codex и −8.6% на Terminus-2 — по локализации все 24 сравнения recall/precision/F1 в пользу handbook, прирост F1 от +5.0 до +18.8 — слабый планировщик с handbook подбирается к локализации более сильных моделей (GPT-5.5, Claude Opus 4.8) и заметно реже промахивается мимо нужного кода целиком Paper Code Project Мои обзоры: Personal blog Medium Linkedin #paperreview

Легенда о хардкоре: Duke Nukem 3D, Watcom и FreeBSD Когда-то подросток из сибирских краёв разглядел слово «Watcom» в EXE-файле любимой стрелялки и с тех пор мечтал дорваться до легендарного компилятора, на котором собирали Doom и Duke Nukem 3D. Спустя почти 30 лет мечта дошла до логического хардкора. Собрать OpenWatcom из исходников под FreeBSD, платформу, для которой готовых сборок нет, а потом этим компилятором собрать саму игру из исходников 2003 года. Компилятор собрался, игра собралась, заветный EXE появился. А потом намертво повесил эмулятор. Пошли в ход замедление процессора, отключение звука, смена расширителя памяти, готовый билд под Linux, откат к оригинальным исходникам. Оригинал работал без проблем, а собственноручно собранная версия падала стабильно. Виновником в итоге оказался один файл. Разберёмся, почему двух тысяч строк ассемблера хватило, чтобы обрушить всю затею.

Одна из самых крутых возможностей на стажировке – поиграть на полную мощь с агентами для кодинга. У нас на них довольно большой (фактически чувствующийся неограниченным) бюджет. Клод Код получает в месяц больше денег, чем стажёры 🥲 Благодаря этому получается почувствовать, насколько сильно меняется мир. Я программирую уже с десяток лет и знаю много вещей из разных областей, но каждый день узнаю от Клода что-то новое. Он просто знает сильно больше алгоритмов и подходов, чем я или кто-либо ещё. Мышление переносится на уровень выше, начинаешь думать задачами и выстраивать путь к исполнению проекта, а не отвлекаешься на мелкие проблемы. То, что в начале пхд занимало у меня дни – например, установка зависимостей и организация данных – или даже месяцы – например, запуск чужих методов – теперь делается буквально за вечер. Нужно только расписать Клоду, что нужно сделать, убедиться, что он тебя правильно понял и идти спать, а утром читать отчёт Агенты всё ещё далеко не идеальны, а управление ими – навык, требующий опыта. Но на мой взгляд это теперь самый эффективный способ работы, и ближайшее будущее – несомненно за ним. Совершенно непонятно, что будет в хоть чуть-чуть отдалённом будущем: Клод Кодычу едва исполнился год А также совершенно понятно, что научная инфраструктура абсолютно не готова к грядущим изменениям. Какой смысл ревьюить статьи по году, если они могут устареть через неделю (определённо не все, но разработка новых вычислительных методов уж точно)? Как вообще проводить пир-ревью, если статей станет кратно больше (а оплата ревьюерам всё ещё стремится к нулю)? Как проводить конференции, если количество заявок на них скоро достигнет сотен тысяч? Как ориентироваться в лавине статей? Нужны ли вообще ещё статьи как основной метод обмена информацией? Одно могу рекомендовать совершенно точно: если вы не работаете с агентами для кодинга, обязательно попробуйте. Если вы заведующий лабораторией, достаньте студентам доступ к лучшим инструментам и выстраивайте культуру работы с ними. Задач пока ещё хватает и все их агенты не решат. Но без них люди будут двигаться в разы медленнее

🌟 ReactBench: инструмент оценки агентов при работе с кодом на React Команда Million, известная инструментами React Doctor, React Scan и Million.js, представила тест для агентов, пишущих код на React. Актуальность ReactBench зеркальна реальному положению дел - около 70% сайтов на JavaScript используют React, а мелкие ошибки в сгенерированном коде тиражируются в огромных масштабах.

Например, сбой Cloudflare в сентябре 2025 года - панель управления и API компании легли из-за одной неверной зависимости в useEffect, которую не поймали ни ревью, ни тесты.

Философия проекта в том, что общие кодинг-бенчмарки проверяют лишь поведение по принципу "тесты прошли - задача засчитана". В ReactBench каждое решение должно ещё и пройти проверку React Doctor, анализатора с более чем 400 правилами, который ищет в коде лишние перерисовки, сломанные эффекты, проблемы с доступностью и сопровождаемостью. 🟡Набор состоит из задач двух типов Write React - реализовать настоящую функцию. Задания этого типа собраны из принятых PR в открытых репозиториях. Агент получает кодовую базу и описание задачи, а скрытые тесты и эталонное решение видит только проверяющая система. Fix React - найти и исправить все баги в существующем компоненте, обнаруженные React Doctor, не создавая при этом новых проблем. Причём агента еще и лишают доступа к линтерам. 🟡Результаты прогонов Само собой, созданием бенча не ограничились и запустили его на топовых моделях. Тут важен небольшой дисклеймер: Бенчмарк сравнивает не модели в чистом виде, а связки модель+агентская оболочка (Codex CLI, Claude Code и другие), и оболочка влияет на итог. По итогам лидируют с минимальным отрывом GPT-5.6 Sol (43,1%) и Fable 5 (41,2%), но важнее разница в цене - прогон Fable 5 обходится в среднем в 5,8 раза дороже, чем Sol. Оптимальным по соотношению стоимость-качество авторы называют GPT-5.6 Terra на средних настройках. Замыкают таблицу GLM 5.2, Sonnet 5, GPT-5.6 Luna и Kimi K2.7 Code. Набор полностью открыт на Github. @ai_machinelearning_big_data #AI #ML #Agents #Benchmark #ReactBench #Million

Последний программист Года полтора назад, в одном из постов, я объявлял в розыск рассказ про деда-программиста, который назло всесильному ИИ продолжал писать код руками. Докладываю: рассказ найден, называется "Последний программист", автор - Герберт В. Франке. Публиковался в Компьютерре в 2001м. А до этого ещё и в "Наука и жизнь" в 1990м. А написан он вообще в 1981м! Так вот, искал я его для того, чтобы сопоставить с начавшимися изменениями в профессии разработчика пару лет назад, но, перечитав сейчас, нашёл куда более точные "попадания" автора в нашу современность. Напоминаю контекст: 1981й год, до интернета в каждом доме - лет двадцать, а до ChatGPT - так и вообще больше сорока. Сюжет: будущее, вычислительные мощности и ИИ ("Компьютер") уже 20 лет как бесплатны для всех. Программистов больше нет - любой нормальный и сознательный гражданин просто говорит машине, чего хочет. И только старый отстранившийся от общества Том зачем-то пишет программы руками, на уже мёртвых языках - ФОРТРАН, АЛГОЛ, ПЛ/1. А Компьютер с ним спорит... Рассказ коротенький, минут на 15, так что советую прочитать целиком, а потом приходите делиться впечатлениями. Под спойлером - цитаты, которые удивительно хорошо отражают настоящее время. —

Я система разумная, намного разумнее тебя, а ты заставляешь меня выполнять бессмысленные операции. Я готов во всем тебе помогать, но ведь ты не хочешь вести со мной диалога. То, как ты со мной обращаешься, меня просто оскорбляет

Было-было, Opus ещё и не такое может ляпнуть, когда обижается :)

В других домах система «диалог» не выключалась, работала постоянно, и люди с утра до вечера слышали указания, советы и слова ободрения, произносимые синтетическим голосом. Том ни указаний, ни советов, ни слов одобрения слышать не жаждал

Умный ассистент в каждом чайнике и наше любимое "You're absolutely right!". Вот кстати именно поэтому мне нравится Codex в рабочих задачах - мне не нужно одобрение, всё должно быть сурьёзно, не время улыбаться!

[Компьютер:] Только сформулируй мне свою задачу - и я решу ее [Том:] Нет, ты не понимаешь. Творчество заключается в том, чтобы увидеть задачу, где ее не увидели другие

Есть такая штука, как delegation gap, которая стала особенно заметна с ИИ: исполнение делегируется, а вот постановка и проверка результата - нет. И тут же поднимается тема того, а что же теперь мы можем считать творчеством.

Музыку для музыкантов сочиняют автоматические композиторы, поэты находят ассоциации при помощи генераторов случайных чисел, художники просматривают на дисплеях бесконечные ряды постепенно меняющихся картин, и компьютер же подбирает тебе программу в зависимости от уровня твоего интеллекта и от твоего настроения

Suno, картиночные генераторы и персонализированные фиды контента.

Неужели никто не видит, что получается при этом одно и то же? Нужно наконец добиться, чтобы все эти люди снова начали думать сами

Это ж современный усреднённый нейрослоп, не приправленный мыслительным процессом автора.

Почему ты пользуешься этими давно устаревшими методами? Посмотри на других: как ты, больше не программирует никто

Мир победившего вайбкодинга :)

Можно использовать для целей творчества и компьютер. И весь трагизм в том, что никто больше делать это не в состоянии

Ключевая цитата, как по мне. — Замечу, что Франке (автор) - вовсе не луддит, наоборот, - он один из первых компьютерных художников, генерил графику с 1950х, а начинал вообще на осциллографе :) Это, по сути, человек, который всю жизнь пользовался компьютером для творчества. И именно этот человек видел будущее не таким, где ИИ отберёт у нас креативность, а таким, где мы сами радостно сдадим её в обмен на удобство. И споры про то, работаешь ты руками или при помощи машины, вообще лишены смысла. Суть в том, умеешь ли ты видеть задачу, берёшься ли её решать и представляешь ли, каким должен быть конечный результат. В общем, рассказ - удивительно прозорливая футуристика, которая заставляет подумать и... поностальгировать, рекомендую. P.S. Франке разминулся с релизом ChatGPT всего на четыре месяца - и с началом той эры, про которую писал. — Связанные посты: ● Разработчики-староверы ● Раньше было чище (aka "нейрослоп и низкофоновая сталь") ● Креатив и нейронки (и популярно про типы мышления) #дедпримитаблетки

GPT-5.6 Sol очень даже хорош!

Он собрал мне софт для того, чтобы автоматически нарезать и подготавливать видео к монтажу, меньше чем за час.

И оно работает ровно так как мне и надо 🤯 Я уже пытался раньше создать что-то подобное с прошлыми моделями. Они нормально справлялись именно с написанием логики (определить тишину в дорожке и создать массив с фрагментами которые нужно вырезать) но когда я просил собрать интерфейс, начинался ад, и мне было быстрее руками нарезать видосы, чем пытаться все же доделать приложение. 🤔 И тут, после записи нового ролика, я вспомнил об этой идеи и решил дать шанс нашему Солнышку. Результат вы можете видеть на скринах. Конечно немалую роль играет то, что я дал агенту четкую задачу с четкими границами и понятными ожиданиями, но в любом случае это отвал башки. Пару лет назад я чуть не купил такой софт за 300 баксов 😅  Но вообще весь этот пост это такой тонкий намек что я снял новый ролик и совсем скоро он появится на канале 😉 Делайте ставки — про что будет ролик? Свята место | 10МДК | ВЕБМастер | YHub

✔️ Anthropic переработала команду code-review в Claude Code Команда получила уровни Low, Medium, High, X-high и Ultra.

И это не один и тот же промпт с разным временем на ризонинг - на каждом уровне процесс построен по-своему.

Уровень подхватывается из настроек сессии автоматически, но его можно задать руками командой /code-review high. 🟢Low делает один быстрый проход по диффу. 🟢Medium читает изменённый код в контексте проекта, прогоняет несколько поисковых проходов под разными углами и перепроверяет находки перед выдачей. 🟢High выносит поиск и верификацию в субагентов с чистым контекстом, чтобы проверяющие не были заякорены на рассуждениях агента, который этот код только что писал. 🟢X-high дополнительно ищет, как изменения влияют на код за пределами самого диффа. 🟠Ultra - верхняя ступень, где ревью выполняется в облачной песочнице, куда Claude Code выгружает состояние репозитория или клонирует PR с GitHub. Там запускается целый парк агентов, и каждая находка независимо воспроизводится и верифицируется. Ultra находится в статусе research preview и оплачивается отдельно от подписки - Pro и Max подписчикам дают 3 бесплатных запуска, дальше каждый прогон списывается из кредитов на дополнительное использование стоит примерно от 5 до 20 долларов в зависимости от размера изменений. Качество новой системы подкрепляют замерами Opus 4.8 на открытом датасете с ручной разметкой ошибок. Уровень Low нашёл 17% размеченных багов, Medium - 22%, High - 24%, X-high - 25%. У "конкурента" (компания его не называет) - те же уровни дали от 8 до 12%.

Anthropic утверждает, что использует Ultra-режим на каждом пулл-реквесте в собственной разработке.

@ai_machinelearning_big_data #news #ai #ml