Поиграл в Foretales (И немного про туториалы) Игрушка не так давно бесплатно раздавалась на Эпиках, и мне стало любопытно. Игрушка представитель довольно нишего жанра decksploration. Это колодостроительные игры с уппором на нарратив, где карты представляют собой локации и персонажей, а каждое действие или игра картой ведёт к развитию сюжета. В целом идея довольно неплохая, особенно если вы любите настолки, здесь прямо витает этот вайб в воздухе, потому что механики в основе игры очень похожи. Я даже полез искать, была ли какая-то настольная игра, по мотивам которой сделали Foretales, но оказалось, что это оригинальный продукт разработчиков, которые любят настолки и хотели создать что-то подобное на ПК. Отчасти им это удалось, здесь есть вот это ощущение приключения, как в хороших ролевых проектах, пусть и в более мелком, таком вот карманном масштабе. В целом, у нас есть персонажи, есть несколько колод: колода действий, она же колода навыков, колода ресурсов, колода локаций, врагов, других персонажей, и так далее. Мы применяем карты к локациям, врагам и персонажам, применяем ресурсы, тратим их на изменение ситуации на столе, и играется это в принципе довольно бодро. Но есть два нюанса, которые касаются не столько самой Foretales, сколько жанра в целом. Один нюанс в том, что здесь очень сложно сделать что-то очень нелинейное и непрерывное по геймплею, потому что колода игрока конечна. А чтобы гарантировать, что игру в принципе можно будет пройти, вся она разделена на небольшие квесты или миссии. В противном случае, из-за подобных механик игру было бы очень тяжело сбалансировать и гарантировать, что игрок её не запорет, просто потратив какой-то лишний ресурс. С миссиями же всё просто, их дают переигрывать до бесконечности. Из нелинейности понравилось, что есть временные события, и если ты не успел спасти какого-то персонажа, выполнив нужную миссию за определённое количество игрового времени (оно здесь как раз измеряется в пройденных заданиях) — момент считается упущенным. Таким образом, имеем довольно вариативное прохождение, правда здесь немного грубоватый подход, и разные концовки можно получить только, если прошёл игру больше одного раза. И вторая боль, которая есть у многих проектов подобного рода — это сложное обучение. В игре действительно много разных механик и особенностей карт и колод, и чтобы их понимать, часто используется много текста. На мой взгляд, это абсолютно тупиковый подход: всё, что требуется объяснить больше, чем двумя сообщениями подряд, либо надо как-то менять, потому что это переусложнено, либо надо объяснять как-то по-другому. Foretales всё очень подробно объясняет, показывая по 5-6 сообщений подряд. Между ними ещё нет анимаций, и они часто настолько похожи и незаметно сменяются, что иногда даже не уверен, новую информацию ты читаешь, или она уже была) Хотя это больше про плохой UX, конечно. Ну а про выбивание из погружения во время чтения этих простыней я вообще молчу. Ещё игра довольно несистемная в плане своевременности туториалов. Мне дали обучалку на бой в момент, когда я уже прошёл несколько регионов, где провёл 3-4 боя с врагами, причём уже успели объяснить продвинутые механики, типа морали или абилок вражин. Прямо хрестоматийный пример того, как не надо делать обучение. В случае с такими продвинутыми по механикам играми, конечно, от переусложнения сложно сильно отойти, но и подход, когда мы наваливаем десятки сообщений за буквально 5-10 минуты игры явно нерабочий. Вспоминается Citizen Sleeper, который так же, как и Foretales, очень настольный по духу, и там, хоть тоже были простыни текста, информацию выдавали постепенно и каждый раз давали закрепить через действие. Да, туториал заметно растягивается, но информация намного лучше оседает в голове среднего игрока при таком подходе. Кажется, что такой туториал для разработчиков — это будто какая-то облигация выдать как можно скорее всю информацию об игре в наиболее сжатые сроки, чтобы игрок сразу всё понял и начал играть поскорее. Надо ли говорить, что это так не работает. #Foretales #gamedesign #поиграл #мнение

Нужно ли мне учиться, когда курс можно скормить нейронке? И как будет выглядеть образование будущего Зачем учиться? Чтобы эффективнее решать больше задач и более сложные задачи. Но сейчас же есть чудо-нейронки, которые за меня сегментацию сделают, фичу запилят и потом отчитаются об успешности эксперимента. Если нейронка не шарит за продуктовый подход, так ей можно скормить методологию и скиллы эксперта и станет она умнее Вани Замесина. Появился сегмент студентов, которые покупают обучение только для того, чтобы расшифровать и скормить нейронке. Сами при этом не учатся. Ну реально, зачем? 1. Если инструмент доступен всем — владение инструментом тебя не отличает от других. Все могут установить себе скиллы эксперта. Но без фундаментального понимания ты проиграешь тем кто установил скиллы И имеют фундаментальное понимание. Создаёшь продукты в 10 раз быстрее? Ты в 10 раз быстрее узнаешь, что ты проигрываешь конкурентам в понимании стратегии. 2. Чем лучше будут нейронки, тем более убедительно будут выглядеть результат их работы. Если ты отвечаешь за стратегию большого продукта — тебе потребуется быть супер-экспертом, чтобы поймать заковыристую галлюцинацию нейронки и направить нейронку в правильную сторону при сотнях доступных стратегий. 3. Один из важных результатов обучения — возможность видеть сквозные паттерны в других сферах, получать эмержентные навыки и возможность совершать новые действия из кобминации существующих. Умею вайбкодить, принимать продуктовые решения и привлекать клиентов — могу сделать фестиваль и собрать на него много участников. Результат = опыт+навыки * инструмент. НО Мы с вами дружно перенеслись в ветку реальности в которой всё стало очень быстро и интенсивно. И учиться как учились наши деды — по лекциям, неделями, чтобы потом самому пытаться применять в своём продукте — уже не работает. Слишком медленно и неэффективно. Обучение будущего будет выглядеть не как обучение. 1. Информация становится бесплатной. Поэтому я выложил большую часть канона в открытый доступ. И скоро много лекций выложу в открытый доступ 2. Человек будет решать задачи и учиться в процессе 3. Нейронка делает, ты принимаешь решения 4. Обучение должно быть максимально быстрым. Длинные программы будут состоять из множества коротких спринтов. 5. Обучение будет работать с более фундаментальным уровнем знаний и навыков. Нужно учить челвоека думать, а не повторять заученные действия.

DeepSchool Digest⚡ Собрали для вас материалы за июнь и июль в одном посте ☀️ Как собрать хорошие траектории для обучения LLM-агента — LLM-агенту недостаточно просто отвечать текстом: важно научить его выбирать действия и работать с инструментами. Разобрали, какие данные здесь нужны, и почему одного SFT обычно мало. Late chunking — рассказали, как улучшить векторный поиск в RAG без сложной нарезки чанков. Reinforcement Learning — подготовили пошаговый план изучения и полезные ресурсы. Genie family — подготовили серию постов о современных world-моделях и 3D-генерациях мира. И начали с семейства Genie от Deepmind. FlashAttention-3 и FlashAttention-4 — разобрали, почему FlashAttention-2 отлично работал на Amper'е, но уже не раскрывал потенциал архитектур Hopper и Blackwell, и какие архитектурные изменения вновь ускорили attention. Как свёрточные сети меняли компьютерное зрение — разобрали эволюцию CNN как последовательность инженерных ответов на ограничения предыдущих поколений моделей.

Напоминаю о плейлистах на YouTube моего авторства, которые будут полезны как новичкам, так и опытным специалистам, аккумулировавшим более 16.000.000 просмотров и прошедшим проверку временем: Тестировщик с нуля. Профессиональный курс Также данный плейлист есть в виде курса на Stepik с тестами, заданиями и тестовым конспектом Собеседования на тестировщика. Вопросы и ответы Руководство по трудоустройству Разборы резюме подписчиков Postman для тестировщика (с обновленным курсом 2025 года) Базы данных для тестировщика bash для тестировщика git для тестировщика И еще 40+ плейлистов и 300+ видео на канале youtube.com/@rusau Если на Youtube видео не открываются, то их всегда можно смотреть в ТГ @qa_video #обучение | сайт |материалы по тестированию

Курсы — всё Не буду называть имён, но вокруг меня курсоделы сворачивают лавочки. Остались ещё те, кто пытается продавать, но выглядит неуместно и слегка нелепо, как агония и попытка продать чипсы человеку, который в очередной раз выбирает между крупой и хлебом. Все эти "эгегей, мы тебя научим" аудитория больше не слышит. Почему так? — Нейронки дали новый интерфейс взаимодействия с интернетом, новую точку входа. Информации не стало больше, но ушёл фрикшн старого поиска, теперь можно за пару промптов собрать себе небольшой курс и обсудить процесс и результаты с куратором и ментором, которые не устают и всегда доступны. — Новый UX доступа к знаниям работает через NLP, которому все уже успели привыкнуть. Любые, даже самые прекрасные LMS уступают возможности переписываться и говорить с глобальным агрегатором знания. — Нет денег: не хочу в очередной раз ковырять палочкой эту тему. Тех, у кого в 2026-м всё не хуже, чем в 2025-м, в моём окружении не больше 1%. — Нет веры: эту поляну выжигали все кому не лень последний десяток лет, может больше. Любое, даже самое заманчивое предложение, сталкивается со скепсисом или негативным опытом из прошлого. К слову, Соло тоже всё, потоков не будет. По крайней мере меня в них не будет. Сейчас не вижу смысла вкладывать ресурсы в инфопродукты, независимо от формата. Лошадка сдохла. Не исключаю, что однажды будет ренессанс, но это оставим нашим детям. Мой прогноз — экономика офлайн-ивентов, впечатлений и ощущений. Бедные будут курить, бухать и листать тупые рилсы, а худеющий средний класс понесёт последнее новым продавцам облегчения и надежды, где вместо pdf-ок, видосиков и зумов — реальные люди и в широком смысле тактильный опыт. Информация перестала быть товаром, а интернет внезапно стал бесплатным, как и задумывалось в Калифорнийской идеологии почти треть века назад. Что по курсам? 🔥 — планирую или уже покупал(а) в 2026 году ⚡️— не планирую покупать

Galera Camp 2026, это было мощно 🔥 Уже третий год подряд мы проводим Galera Camp - детский лагерь для взрослых предпринимателей и каждый раз меня поражает одно и то же. Как за три дня совершенно незнакомые друг другу люди начинают общаться так, будто дружат уже много лет! Вайб кэмпа - это буквально: песни под гитару, тусовки, не спать до утра, а между всем этим сильные лекции, предпринимательские дискуссии, бизнес-игры и идеи, которые потом превращаются в реальные изменения и партнерства! Именно ради таких моментов мы всё это и делаем! 3 дня 70+ участников ∞ впечатлений Спасибо каждому, кто был частью этого лагеря. И резидентам, которые каждый год создают эту невероятно тёплую атмосферу, и нашей команде, которая делает так, чтобы для остальных эти три дня выглядели лёгкими и беззаботными. Пишите в комментариях, что вам понравилось больше всего и чем лично вам запомнились эти выходные 👇

🤔 “Вечные новички” - навык, который необходим каждому маркетологу В профессии рекламщика есть важный нюанс, о котором никто не предупреждает новичков. Чтобы оставаться востребованным специалистом, учиться необходимо нон-стоп. И нет, речь не только о курсах повышения квалификации. 🧠 В чем проблема? В большинстве профессий знания накапливаются. Чем дольше работаешь, тем больше опыта получаешь - в итоге становишься ценным специалистом. Например, бухгалтер с 20-летним стажем даст фору любому новичку, потому что собаку съел на одних и тех же отчетах и знает каждую запятую в Налоговом кодексе. У маркетологов не так. Наши знания и экспертность работают от силы года полтора, а потом становятся бесполезными 😵 ▪️ Освоили соцсеть и теперь мастерски продвигаете там каналы? Ее могут заблокировать, и аудитория уйдет на другую площадку. ▪️ Разобрались в контекстной рекламе так, что к вам приходят за консультациями? Появятся новые алгоритмы, и ваши советы устареют. 🧑‍🎓 Получается, один из самых важных навыков маркетолога - это способность обучаться. Мы обречены оставаться эдакими вечными новичками, постоянно осваивая профессию заново. Ведь в digital-сфере появляются новые инструменты, алгоритмы и площадки, без знания которых не получится обойти конкурентов и привлечь покупателей. И это лишь верхушка айсберга. Современная коммуникация становится все более ситуативной и реактивной. Чтобы достучаться до своей аудитории, маркетологу недостаточно знать ее боли и потребности. Нужно учитывать текущие тренды, а они часто протухают быстрее, чем тактики и инструменты. Именно поэтому я так удивляюсь, когда слышу: • "Все эти ваши Лабубы и Тралалело Тралала - бессмысленная чушь. Зачем вообще про них читать?" • “Я вообще лет 10 не смотрю телевизор - ничего полезного там нет”. Но рекламщик, который 10 лет не смотрит телевизор, вряд ли сможет выстроить эффективную рекламную стратегию. Он просто не знает, чем живет Россия. 📢 Что я хотел бы посоветовать маркетологам. ✍️ Расширяйте кругозор. Следите за новыми тенденциями, экономическими, политическими, культурными явлениями, новыми мемами. Даже если тренды вам противны, постарайтесь разобраться через силу - это может быть важно для вашей ЦА. ✍️ Старайтесь разобраться в новых инструментах. Знаю, некоторые могут показаться ненужными. Но digital-сфера постоянно меняется, никогда не угадаешь, в какую сторону подует ветер. В итоге соцсеть, которая сейчас кажется тухлой, может через полгода стать одним из крутых мест для продвижения. А вы согласны, что маркетолог должен постоянно учиться? Или универа хватит? Заходите в комментарии, делитесь своим мнением. 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #МАРКЕТИНГ #МНЕНИЕ #СОВЕТЫ

Что делать с ИИ в школьном образовании? Вместо «запрещать или разрешать» свой ответ дала Эстония. Министр образования Эстонии рассказала про новый инструмент для школьных учителей - «Сократический чат-бот», я собрал первые результаты тестирования. О чем это: уже всем понятно, что школам нужно перейти от запоминания фактов к созданию смыслов, критическому оцениванию и анализу. Но как? Для этого в Эстонии создали частно-государственную инициативу в партнерстве с OpenAI (трезво оценивая нехватку компетенций у сотрудников министерства образования). Сократический бот ITI — это инструмент для учеников, который не даёт готовый ответ, а ведёт школьника вопросами к решению сам. Учителя же получили платный доступ к ChatGPT плюс обучение и профессиональные сообщества внутри школ. В программе участвовали 154 из 156 гимназий Эстонии, около 5 000 учителей и 20 000 учеников 10–11 классов, с сентября планируют расширение до средней школы. Показательна обратная связь: школьники жаловались, что сократический бот раздражает — задаёт много вопросов и не выдаёт ответ сразу. Разработчики считают это фичей, а не багом — мышление остаётся в руках ученика. Эстония стала первой страной с такими внедрениями и сейчас по сути ставит научно измеряемые эксперименты. Будем наблюдать - получится ли избежать «когнитивной разгрузки» у школьников и каким образом. Может и в компаниях такое надо вводить? Проблемы у взрослых те же самые, что и у детей.

Maths, CS & AI Compendium: бесплатный учебник для будущих AI/ML-инженеров На GitHub завирусился большой open-source компедиум по математике, computer science и AI. Сейчас у проекта уже около 6.3K звёзд. Автор позиционирует его как «нестандартный учебник» для практиков: меньше сухой нотации, больше интуиции, связей между темами и реального контекста. Внутри 20 глав: * векторы, матрицы, calculus * статистика и вероятность * machine learning и deep learning * NLP, computer vision, audio/speech * multimodal learning и autonomous systems * GNN, OS, алгоритмы * production engineering, GPU/SIMD * AI inference, ML systems design и applied AI Отдельно есть MCP server, чтобы Claude Code, Cursor, VS Code и другие AI-ассистенты могли использовать компедиум как локальную базу знаний. Хороший ресурс для тех, кто хочет не просто «выучить ML», а собрать фундамент: математика → CS → ML systems → современный AI. GitHub: https://github.com/HenryNdubuaku/maths-cs-ai-compendium thub.com/HenryNdubuaku/maths-cs-ai-compendium

🤿#justabourme Инстаграмное ныряние: мерзляк во фридайве ⠀ Вы не поверите, но я, будучи в трезвом уме и здравой памяти, записалась в Москве на урок фридайва. Я! Тот самый жуткий мерзляк, который вечно мерзнет в воде и избегает городских бассейнов как огня. ⠀ Все дело в том, что в моем скором путешествии (уже с понедельника канал на каникуоах) я с удивлением обнаружила, что мы будем плавать с китами [надо было программу читать раньше]. Вот и пришлось переступить себя и записаться на пару уроков «инстаграмного» ныряния на камеру. А то я же в этом деле даже не ноль, а комплексно-отрицательное число. Факты про фридайв (рассказывает нуб после 2-х занятий): Многие из них очевидны, но зачастую мы просто не думаем об этих вещах. ✔️Никогда не выдыхай в воду — это всё равно что сливать топливо из бака. Вдохнуть же всё равно нельзя. ✔️Вдохнуть хочется от избытка углекислого газа, а гипоксию мы ловим от недостатка кислорода и её ощущаем гораздо слабее. Эти вещи коррелируют, но то, что нам хочется вдохнуть, ещё не значит, что у вас закончился кислород. И наоборот, если постоянно нырять и не делать паузы, легко можно словить гипоксию: CO2 ты выдыхаешь, а вот кислородом насытиться не успеешь. ✔️Сильнее всего от перепада давления страдают уши, и если не продуваться, они начинают дико болеть уже на паре метров глубины. А там и до травмы барабанных перепонок рукой подать. ✔️Всплыть несложно, гораздо сложнее занырнуть. Вода так и норовит вытолкнуть тебя наверх. ✔️Во фридайве очень важно расслабиться, чтобы не тратить лишний кислород. ✔️В ластах нужно работать ногами от бедра и догребать стопами, а колени, наоборот, не сгибать. ❕#justaboutme — воскресная рубрика, в которой я делюсь яркими событиями из своей жизни, не связанными с DS и ИТ, подобно тому, как я это делаю в соцсетях (например, в инсте или VK). @mashkka_ds ⠀ #freediving #фридайв #чайка #dive #москва

Почти тысяча турецких старшеклассников готовится к экзамену по математике. Одной группе дают chatgpt; при подготовке эта группа решает на 48% лучше группы "без дружбана". А потом AI отбирают — и предлагают решить экзамен. Не листайте дальше: на сколько процентов, вы считаете, школьники с дружбаном напишут лучше или хуже тех, кто готовился вообще без AI? ===== Минус 17% - хуже, чем у тех, у кого не было дружбана. Недавно я задавал этот же вопрос залу людей, принимающих решения в образовании. Мнения разделились, но большинство верно предсказало, что результаты упали. Отмечались такие пункты как: AI не учит решать разными способами, не дает возможности понять, КАК решать и тп. Но продолжаем турецкий эксперимент: второй группе дали дружбана с "ограничениями": теперь он только подсказывает шаги, но НЕ выдаёт ответ. Прямо как Сократ. На тренировке +127%. Но, несмотря на то, что на экзамене вред AI исчез, лучше задачки они решать не стали o__O Эм, есть идеи почему? Нам повезло, наверное, больше чем турецким школьникам: у нас никто дружбана не отбирает. Но, кажется, у нас могут отобрать нечто другое: усилие, внутренний дискомфорт, когда неверно ее решил. Все это помогает нам научиться потом замечать, когда AI факапит. А без этого - жди 40страничный документ, перемалывающий с пустого в порожнее, и пестрящий эпитетами. Меня во всем этом беспокоит одно: для нас старпёров опытных аксакалов дружбан реально несет пользу, мы знаем где он несет пургу, вовремя его подкручиваем и бьем по рукам. Но для джунов - AI убирает последствие. Последствие неверного решения, нескомпилированного кода, часов дебага простой ошибки по невнимательности, когда забыл запятую или преждевременно закрыл сокет. Он убирает сообщения от QA лида в духе : "Байрам, в следующий раз я эту х***ю тестировать не буду" Но именно эти последствия и есть обучение. Собственно, вопрос на миллион долларов: как молодое поколение не лишить этих "последствий" и дать возможность учиться? Я напишу свои мысли по теме в одном из будущих постов, но пока буду рад узнать ваши идеи. Сделаем эдакий брейнрайтинг :)

📌 Как дотянуть компактную модель до уровня гигантов посттрейном AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.

Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.

Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое. Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения. Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.

Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.

Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом. Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов. 🟡Работает ли слияние? И да и нет. Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов. Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.

Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.

Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.

Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).

На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать. 🟡Итоги 92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт; 82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B; 75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5. Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны, но возможно мы просто почувствуем её в следующих поколениях электромобилей Lixiang. 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #Optimisation #RL #LiAuto