Hirify Feed — your shortcut to what’s next

М@maxvotekAI-инженер

3 мес

AI убирает одну работу и тут же создаёт другую Сегодня обсуждали с коллегами любопытный парадокс. AI резко снизил порог входа во множество задач. Люди начали делать то, за что раньше даже не брались: разбирать финансы, копаться в своём здоровье, собирать мобильные приложения, автоматизировать процессы, работать с данными и документами. Раньше для этого надо было долго учиться, читать инструкции и набивать руку, а теперь можно быстро получить объяснение, пример, прототип и даже какое-то рабочее решение. Вот только доступность задачи ничего не говорит о глубине её решения. Современный AI часто напоминает университетского профессора, который прекрасно знает теорию, убедительно объясняет материал и щёлкает учебные примеры. Как только знания надо применить в реальной среде: с ограничениями, архитектурой, производительностью, исключениями и контекстом - начинаются проблемы. Модель легко напишет огромный объём текста, обработает массив данных самым неэффективным способом и предложит архитектуру, которая выглядит убедительно, но плохо живёт на практике. Скажем, большой набор данных разумнее один раз превратить в реляционную базу и дальше получать ответы короткими запросами на SQL или Python. Вместо этого ИИ раз за разом прогоняет через контекст тысячи строк, сжигая время и токены. Забавно, что длинные рассуждения и многократная обработка данных - ровно то, на чём зарабатывают поставщики LLM. Но интереснее другое следствие. AI породил огромный объём прототипов, полуготовых решений и новых инициатив, и люди начали встраивать их в бизнес-процессы, не всегда понимая архитектуру, программирование, безопасность и экономику продукта. Всё это теперь нужно проверять, исправлять, интегрировать, защищать и доводить до промышленного уровня. Дальше начинается цепная реакция. Юристы с помощью AI находят в договорах больше несоответствий, и другая сторона получает документ ещё сложнее, на проверку которого уходит ещё больше времени. Предприниматели быстрее собирают прототипы, но потом им нужны разработчики, архитекторы и консультанты, чтобы превратить это в надёжную систему. Компании видят новые возможности и тут же упираются в новые вопросы: где будет реальная экономия, как изменятся процессы, какие появятся риски и кто на самом деле получит прирост производительности. Пока что я вижу, что новой работы ИИ создаёт не меньше, чем убирает и её будет много. @maxvotek | linkedin | substack

ai рынок труда разработка автоматизация бизнес-процессы llm

ИИ Дизайн ai дизайн mcp screen gallery генерация макетов

Генерация макетов с использованием нейросетей и MCP от Screen Gallery

К@o_bukhtiyarмедиа / агрегатор

3 мес

Посмотрите, как круто Макс Кукушник подошёл к генерации макетов с помощью нейронок и MCP от Screen Gallery

ai дизайн mcp screen gallery генерация макетов

ИИ Финансы ai инвестиции anthropic openai google технологии

Ключевые новости AI за 3 дня: инвестиции, новые модели и отчеты компаний

И@AImademydayAI-инженер

3 мес

Ключевое за 3 дня ⚡ Главное • Администрация Трампа запустила «Миссию Genesis» — $5 млрд на 278 проектов по AI для науки и инженерии. • Project Camellia: дата-центр за $30 млрд — $30 млрд, 3,2 ГВт в Джорджии. • AMD и Anthropic заключили сделку на $5 млрд — Anthropic развернёт до 2 ГВт GPU Instinct MI450. • Anthropic запускает Claude Opus 5 с почти передовой мощностью за полцены — Модель за $5/$25 за млн токенов, 1M контекст, лидер AA 1720. 📈 Рост и Оптимизация • Gemini достиг 950 млн пользователей — Alphabet отчиталась о сильной прибыли, рост облака и AI. • Google отчитался о сильных доходах во Q2 и выпустил три новые модели — Выручка выросла на 24% до $119.8B, облачная выручка взлетела на 82%. • Microsoft: собственные модели дешевле OpenAI на 89% — Снижение затрат на 89% по сравнению с OpenAI. • Alphabet показала отрицательный свободный денежный поток из-за расходов на ИИ — Отрицательный cash flow $5.9 млрд, выручка +23%, расходы на ИИ до $205 млрд. 🤖 Промпты и Практика • Как использовать коннектор Anthropic Economic Index в Claude — Включите коннектор и задавайте вопросы об использовании AI по профессиям и отраслям. • Как стать 10x ramble-кодером — Скачайте приложение для диктовки и начните говорить. • Перестань просить ChatGPT писать резюме — попробуй это — Используй ChatGPT как карьерного стратега для поиска новых путей и навыков. • Как использовать Claude Fable 5 с циклами (loops) — Запускайте цикл: цель, действие, проверка, повтор. Ключ — eval. 🛠 Инструменты • OpenAI запустила Presence для корпоративных AI-агентов — Платформа для управления AI-агентами с голосом и чатом, решает 75% запросов. • OpenAI сделала ChatGPT Health доступным для всех пользователей в США — Функция помогает с медицинскими запросами. • Black Forest Labs запускает единую модель для изображений, видео и робототехники — Единая модель для изображений, видео и робототехники. • OpenAI GPT-Live для десктопа — полнодуплексное голосовое управление и фоновые агенты — Полнодуплексное голосовое управление и фоновые агенты.

ai инвестиции anthropic openai google технологии

раундСтартапы ИИ Финансы dwelly ai недвижимость инвестиции стартапы автоматизация

Британский стартап Dwelly с российскими корнями привлёк $170 млн на AI-роллап агентств аренды

AI-редакция

3 источника · показать все· свернуть

Венчур Менна и ГорногоDwelly привлек $170 млн в раунде Series B Русский венчурБританский proptech-стартап Dwelly привлек $170 млн The Edinorog 🦄Британский стартап Dwelly привлек $170 млн

разгоняется · 3обновлено 3 мес назад

$170 млнобъём Series B Dwelly

Лондонский proptech-стартап Dwelly закрыл раунд на $170 млн: $95 млн в капитал от EQT Growth (лид) и General Catalyst с участием s16vc, Begin Capital и DVC, плюс $75 млн кредитной линии от Trinity Capital. Компания скупает независимые британские letting-агентстваi и переводит весь их операционный цикл — от заявки на ремонт до подбора подрядчика и коммуникации с жильцом и арендодателем — на AI-агентов, без человека в процессе.

Это уже второй крупный раунд Dwelly за 2026 год: Series A прошла в феврале, Series Bi — в июле, то есть за пять месяцев. Основали компанию в 2023 году Илья Дроздов и Дмитрий Хануков (создатели российского сервиса «ПИК-Аренда») и Дан Лифшиц, бывший глава Gett в Великобритании.

$75 млнкредитная линия Trinity Capital

17купленных агентств (по данным The Edinorog)

Полный разбор →

dwelly ai недвижимость инвестиции стартапы автоматизация

ИИ ai music lora acestep генерация музыки

Коллекция LoRA для Ace-Step 1.5

Н@GreenNeuralRobotsAI-инженер

3 мес

ACE-Step LoRA Collection Небольшая коллекция лор для Ace-Step 1.5 Описания в папке каждой лоры в README #music #text2music #musicediting #lora #acestep

ai music lora acestep генерация музыки

IT ИИ Финансы ai gpu инфраструктура llm экономика серверы

Экономика внедрения ИИ: облако против покупки GPU

К@ai_konstantinAI-инженер

3 мес

Облако или покупка GPU The Wall Street Journal пишет, что американские компании перестали соревноваться, кто потратил больше токенов и начали считать себестоимость ИИ. Мощные дорогие модели типа Opus оставили на сложных задач типа планирования, а регулярную работу стали отдавать дешёвым китайским моделям. Все начинают считать экономику ИИ внедрений 🙂 В России токены зарубежных вендоров корпорации обычно не покупают, у нас оптимизируют выбор инфраструктуры. Допустим, мы решили не отдавать данные OpenAI / Anthropic и работать на открытой модели типа Qwen 3.6-35B. Она подходит для большинства типовых задач: тех.поддержка, речевая аналитика, RAG и поиск по документам и пр. Дальше есть три варианта: 1. Для коротких тестов можно взять в аренду облачные мощности на vast.ai, годится для экспериментов, там платим только за часы работы. Никакие приватные данные туда не отдаём, годится чтобы потестировать метрики опенсорс модели на пилоте. 2. Защищённое рос.облако, 152-ФЗ. От 230 тыс. руб. в месяц за выделенную карту под такую модель . Запуск за день, там уже допустимы любые конф.данные. 3. Покупка сервера с RTX 6000. От 1,5 до 2 млн руб., но сама поставка и настройка займут месяц или больше. Теперь посчитаем. Аренда за год выходит около 2.8 млн руб. Покупка того же железа – 1,5–2 млн. Окупаемость 7-8 месяцев, дальше становится дешевле владеть, чем арендовать. Но при аренде рос.облака мы платим мы не столько за GPU, сколько за соответствие требованиям, за скорость запуска и за право отложить решение о закупке конкретной конфигурации до конца пилота. 👉Получается логика такая: • если проект короче полугода, конфигурация ещё не ясна, нужен быстрый запуск - выбираем облако. • горизонт больше года, нагрузка постоянная, требования к данным жёсткие - выбираем своё железо • эксперименты без чувствительных данных - почасовая аренда.

ai gpu инфраструктура llm экономика серверы

ИИ Финансы Стартапы ai инвестиции moonshot ai kimi k3 стартапы китай

Moonshot AI привлекла $3,5 млрд при оценке $35 млрд

v@vcnewsмедиа / агрегатор

3 мес

Китайская Moonshot AI привлекла $3,5 млрд при оценке в $35 млрд на фоне успешного релиза модели Kimi K3 — до этого она планировала раунд на $1-2 млрд. Компания уже ведёт переговоры о проведении нового раунда, в ходе которого её оценка может вырасти до $50 млрд vc.ru/ai/3052162

Moonshot AI привлекла $3,5 млрд при оценке $35 млрд

ai инвестиции moonshot ai kimi k3 стартапы китай

ИИ ai видеогенерация wan2.1 cameracontrol v2v

CameraAnything: управление ракурсом видео на базе Wan2.1

Н@GreenNeuralRobotsAI-инженер

3 мес

CameraAnything По входному видео создает видео с другого ракурса, на базе Wan2.1 Контролирует внешние (точка зрения, траектория, мультисценные переходы) и внутренние (фокусное расстояние, разрешение и соотношение сторон) параметры в одном процессе генерации Гитхаб HF #wan21 #cameracontrol #v2v

ai видеогенерация wan2.1 cameracontrol v2v

ИИ google ai llm deepmind стратегия технологии

Стратегия Google в ИИ: отказ от гонки LLM в пользу фундаментальных исследований

М@theworldisnoteasyAI-инженер

3 мес

Истинная причина, почему Google «выбыл» из ИИ-гонки названа, «и это меняет всё» Сегодня это самая обсуждаемая новость по версии AI Bulletin … о которой я подробно пишу ужу 1.5 года Первые отклики на новое эссе Альберто Ромеро (его название и ссылка в заголовке) впечатляют: «Это лучшая статья о том, как технологии, лежащие в основе ИИ, влияют на бизнес в сфере ИИ, которую я когда-либо читал» [.] «… эта статья – наиболее ясное изложение темы на данный момент» [.] «DeepMind решает проблемы с помощью физических, математических или биологических правил. Одержимость OpenAI и Anthropic агентами кодирования имеет одно слабое место: коллапс данных и языковое эхо. Хассабис знает, что деньги Google позволяют ему делать ставки на более длительный срок» [.] «Причина, по которой Google, по-видимому, отстает в последних версиях своих продуктов, интерпретируется не просто как технологическое поражение или организационный провал, а как “преднамеренный стратегический сдвиг”» [.] Но для подписчиков «Малоизвестного интересного» это далеко не новость. Вот уже полтора года я подробно и в деталях пишу ровно об этом в триптихе эссе «Проект “Pi” – 5й туз в рукаве Google» [1, 2, 3], открытом для привилегированных патронов канала информарии проекта Pi и серии постов с тэгом #ParadigmsofIntelligence.

Суть этой темы формулируется так: Google не «проигрывает» традиционную гонку LLM, а ведет совершенно другую, многовекторную игру, отказываясь от монолитного масштабирования в пользу гибридной стратегии и диверсификации ставок.

В отличие от OpenAI и Anthropic, чья основная гипотеза долгое время строилась вокруг Scaling Law (прямое наращивание параметров, датасетов и вычислительных мощностей трансформеров для достижения рекурсивного самосовершенствования ИИ), Google осознает риски «перегрева» этого направления (дефицит данных, высокая стоимость чипов, плато эффективности). Поэтому стратегия Google разделена на два эшелона: Текущий фронт (Gemini): сохранение паритета в классических LLM/мультимодальных моделях для защиты поиска, Workspace и облачного бизнеса. Альтернативный фронт (Фундаментальные исследования): поиск парадигм, которые придут на смену трансформерам, если масштабирование упрется в тупик Идея понятна и поддерживается многими экспертами. И весь вопрос лишь в том, в чем именно заключается «альтернативный путь» Google. Ответ на этот вопрос таков. Google обладает уникальным ресурсом – лабораториями, которые могут позволить себе не бороться за бенчмарки следующих месяцев, а исследовать фундаментально иные концепции: 1. От текстовых моделей к World Models и Embodiment Проекты вроде Genie (генерация интерактивных миров) и линейка RT-2 / Gemini Robotics смещают фокус с пассивного предсказания токенов на создание агентов, понимающих физику, причинно-следственные связи и динамику среды. 2. Альтернативные архитектуры и активный инференс (Проект Pi) Исследования Блеза Агуэро Аркаса и его группы Paradigms of Intelligence с акцентом на коллективный интеллект, самоорганизацию и алгоритмическую жизнь, как страховка Google на случай, если идея «одного огромного монолитного мозга в дата-центре» окажется тупиковой. 3. Научный ИИ (DeepMind) Пока стартапы фокусируются на чат-ботах и генерации кода, Google удерживает абсолютное лидерство в применении ИИ для естественных наук (AlphaFold 3, AlphaProteo и открытие новых материалов). Резюмирую так. Google перестал слепо бежать в навязанной OpenAI гонке «кто быстрее обучит модель на триллионах параметров» и переключился на подготовку к следующему фазовому переходу ИИ-технологий. Если OpenAI и Anthropic ставят всё на то, что существующая парадигма LLM приведет к СуперИИ, то Google строит экосистему, которая выживет и победит, даже если гипотеза масштабирования провалится. #ПроектPi #ParadigmsofIntelligence

Стратегия Google в ИИ: отказ от гонки LLM в пользу фундаментальных исследований

google ai llm deepmind стратегия технологии

исследованиеИИ ai криптография безопасность anthropic исследования mythos

Claude (Mythos) нашёл новые атаки на криптографические схемы HAWK и AES

AI-редакция

2 источника · показать все· свернуть

GPT/ChatGPT/AI Central Александра ГорногоClaude нашел уязвимости в криптографических алгоритмах MachinelearningAnthropic: модель Mythos нашла уязвимости в постквантовых алгоритмах

собирается · 2обновлено 3 мес назад

Anthropic опубликовала отчёт подразделения Frontier Red Teami о том, как модель Claude Mythos Preview самостоятельно нашла две научно значимые атаки на криптографические алгоритмы: улучшила атаку на постквантовую схему цифровой подписи HAWKi и обнаружила новый способ взлома упрощённой версии шифра AES. Anthropic называет оба результата серьёзным научным продвижением, хотя реальным системам сейчас ничего не угрожает — HAWK ещё не используется в продакшене, а атака на AES касается лишь урезанной версии шифра.

Особенность истории в том, что человек участвовал в процессе минимально: в случае с HAWK исследователь без специализации в решёточной криптографии в основном организовывал работу, а атаку на AES модель почти полностью нашла сама. При этом проверка результатов людьми заняла заметно больше времени, чем сама работа модели.

ВыводHAWK — кандидат в новый постквантовый стандарт цифровой подписи NIST (конкурс объявлен в 2022 году), дошёл до третьего раунда, специалисты изучали его 2 года.

$100 тысячстоимость поиска каждой атаки в токенах API

2 в 38-й степениновая оценка стоимости взлома HAWK-256 (было 2^64)

до 800 разускорение лучшей известной атаки на AES

Полный разбор →

ai криптография безопасность anthropic исследования mythos

ИИ ai продажи автоматизация crm бизнес продуктивность

Автоматизация продаж с помощью AI-агентов

Т@teamleadessaмедиа / агрегатор

3 мес

Как агенты уже помогают автоматизировать рутину сейлзов 😀 Нашла статью, в которой основатель ресурса рассказывает, как у себя же применил агентов в продажах Ключевые поинты, чтобы избежать полотна текста на Английском: ✖️Передача клиента после закрытия сделки Как только менеджер переводит сделку в статус “won”, AI может: - проверить договор - создать задачу на онбординг - уведомить нужные команды - подготовить документы - запустить следующий этап работы без участия человека ✖️Выставление счетов и документов После подписания договора агент может: - сформировать счет - заполнить реквизиты - отправить инвойс клиенту - сохранить все документы в CRM Менеджеру не нужно переносить информацию между разными системами ✖️Контроль дебиторской задолженности AI способен: - отслеживать сроки оплаты - автоматически отправлять напоминания - эскалировать просрочки ответственному сотруднику только тогда, когда действительно нужна помощь человека ✖️Follow-up после встреч После звонка агент может: - сделать саммари разговора - выделить договоренности - сформировать письмо клиенту - поставить задачи в CRM; - запланировать следующий контакт ✖️Заполнение CRM Одна из самых нелюбимых задач менеджеров AI может автоматически: - заполнить карточку клиента - обновить этап сделки - добавить заметки - сохранить историю общения ✖️Подготовка коммерческого предложения На основе переписки, брифа или созвона агент может: - собрать черновик КП - подобрать релевантные кейсы - добавить нужные продукты и цены - подготовить документ для проверки менеджером ✖️Квалификация входящих лидов До подключения менеджера AI может: - задать уточняющие вопросы - определить потребности клиента - оценить соответствие ICP - распределить лид между отделами или менеджерами ✖️Анализ звонков После каждого разговора агент способен: - определить причины успеха или отказа - выявить возражения - проверить соблюдение скрипта - найти моменты, которые влияют на конверсию Я вспомнила, как я несколько лет назад просто готова была вырвать себе на голове все волосы, из-за того что менеджеры не заполняли срм. Как же мы от этого уже далеко…

ai продажи автоматизация crm бизнес продуктивность

ИИ ai мультимодальность modus bagel-7b нейросети

Представлена мультимодальная модель MODUS

Н@GreenNeuralRobotsAI-инженер

3 мес

MODUS Универсальная мультимодальная модель н абазе BAGEL-7B, может преобразовывать данные между разными типами информации без специальных модулей под каждую задачу. Работает как единый декодер для всех видов данных. • Поддерживает последовательную генерацию - можно использовать результат как новое условие • Самопроверяет результаты • Работает с 16 разными типами данных: текст, изображения, глубина, сегментация, признаки объектов и др • два эксперта: для дискретных последовательностей и для непрерывных данных Гитхаб HF Демо #multimodal #any2any

ai мультимодальность modus bagel-7b нейросети

Продукт ИИ Дизайн ai product management ux ai pm менеджмент

Практический гайдбук для AI PM-ов

И@AImademydayAI-инженер

3 мес

Практический гайдбук для AI PM-ов В 2026 году РМ полностью контролирует процесс оценки, начиная с определения критериев и заканчивая защитой ее результатов. Переосмысление UX: доверие — это показатель, который никто не измеряет.

ai product management ux ai pm менеджмент

ИИ ai промпт-инжиниринг llm продуктивность

Эволюция промпт-инжиниринга: от инструкций к видению

e@cryptoEssayAI-инженер

3 мес

Промт инжиниринг circa 2026. Вы не поверите, но элитный промтинг от триллионных компаний выглядит именно так. Попробуйте сами с фейблом. Чем меньше деталей, тем лучше результат. Это примерно как если мы 4-летний ребенок объяснял родителям как именно нужно забронировать и организовать отдых на море. Чем меньше деталей, тем лучше все будет сделано. Поскольку модели уже лучше нас в большинстве чисто технических задач, им нужно говорить видение, а не способ исполнения. Когда Клод смотрит как я пытаюсь кодить руками — это примерно как мем про обезьяну, пытающуюся забить гвозди.

Эволюция промпт-инжиниринга: от инструкций к видению

ai промпт-инжиниринг llm продуктивность

ИИ ai fable sol рейтинги нейросети

Критика рейтингов моделей Fable и Sol

Н@GreenNeuralRobotsAI-инженер

3 мес

как быстро заткнули в *опу и кошмарно опасный для человечества фабл, и Sol *не забываем, что рейтинги могут быть неточными, продаваться и покупаться. А еще прикиньте где у этой диаграммы ноль #news # coding

ai fable sol рейтинги нейросети

ИИ IT ai ai-агенты harness нейросети разработка

Запись стрима «Харнесс будущего»: обсуждение AI-агентов и их развития

К@kdoronin_blogAI-инженер

3 мес

Наконец-то запись стрима "Харнесс будущего" с тайм-кодами! Сохраняйте себе, чтобы посмотреть ответы на самые интересные вам вопросы. 00:00 — Введение и изучение заставки стрима 10:20 — представление гостей 11:50 — Какие задачи сейчас решаете с помощью harness? 21:08 — Как можно описать слабости текущего harness? 29:05 — Как бы вы хотели улучшить свой харнесс? Насколько это реалистично? 41:10 — Возможен ли полезный для пользователя harness на on-prem-моделях? 53:15 — Какой автономности сможет достичь AI-агент в будущем? 1:01:40 — Как изменится работа агентов с памятью? 1:07:25 — Исчезнет ли human in the loop? 1:13:50 — Какие изменения AI-агентов будут вызваны вопросами безопасности? 1:25:33 — Переходим к вопросам из чата. 1:26:15 — Что важнее – harness или модель? 1:30:50 — Про эволюцию профессии AI-инженера. 1:34:00 — Кто из участников стрима – вайбкодер? 1:39:38 — Когда имеет смысл использовать оркестратор харнессов? 1:41:10 — Расскажите про ваш "вау-момент" от нейронок. 1:48:33 — Можете ли работать без AI-агентов в 2026-м году? 1:53:30 — Какой самый дурацкий запрос вы отправляли в агента недавно? 1:55:20 — Что вы думаете об устройствах, которые OpenAI проектирует? 1:58:05 — Про семантику и грамматику внутри модели и harness. 2:01:05 — О харнессах для бизнеса. 2:02:08 — Будет ли развитие живых нейросетей? 2:04:29 — Матерится ли на вас агент? 2:07:30 — Всё-таки, харнесс будущего – какой он? Подписывайтесь на Telegram-каналы участников стрима: Александр Абрамов – https://t.me/dealerAI Павел Рыков – https://t.me/evilfreelancer Тимур Хахалев – https://t.me/the_ai_architect Константин Доронин – https://t.me/kdoronin_blog Оставляйте в комментариях предложения для тем, которые можно рассмотреть на следующих трансляциях.

ai ai-агенты harness нейросети разработка

ИИ nvidia ии открытые модели дженсен хуанг x open-source

Nvidia и вся AI-индустрия выступили против запрета опенсорсных моделей — Anthropic осталась единственным несогласным

AI-редакция

5 источников · показать все· свернуть

PRO Hi-TechДженсен Хуанг зарегистрировался в X и поддержал открытые ИИ-модели Data SecretsДженсен Хуанг выступил в поддержку открытых ИИ-моделей Миша Ларченко – о программировании и не толькоДженсен Хуанг и лидеры индустрии поддержали открытые ИИ-модели Data SecretsAnthropic остается единственной крупной компанией, не подписавшей письмо в защиту open source How2AIAnthropic и дискуссия об открытых весах AI-моделей

хайп · 5обновлено 3 мес назад

24 июля глава Nvidia Дженсен Хуанг завёл аккаунт в X и первым же постом опубликовал открытое письмо «Open Weights and American AI Leadership», призвав правительство США не ограничивать доступ к открытым (open-weights) ИИ-моделям. Поводом стали новости о возможном закрытии доступа к открытым китайским моделям в США, что вызвало волну петиций против такой инициативы.

Письмо подписали десятки крупных игроков — от Meta и Microsoft до OpenAI и Google, к понедельнику под ним стояли 77 организаций. Единственным крупным AI-лабом, отказавшимся подписать документ, осталась Anthropic, что выглядит иронично на фоне её же прежних заявлений против ограничений — и вызвало заметное давление на компанию со стороны индустрии.

77организаций подписали письмо к понедельнику

24 июлядата первого поста Хуанга в X

27 июлядата ответа Дарио Амодеи

Полный разбор →

nvidia ии открытые модели дженсен хуанг x open-source

ИИ IT ai модели разработка qwen kat-coder

KAT-Coder-V2.5-Dev: 35B параметров, но активны только 3B

M@machinelearning_interviewAI-инженер

3 мес

KAT-Coder-V2.5-Dev: 35B параметров, но активны только 3B KwaiAI открыла KAT-Coder-V2.5-Dev - MoE-модель для агентной разработки на базе Qwen3.6-35B-A3B. На каждом токене используется около 3 млрд параметров, при этом результаты выглядят серьёзно: - 69,4 на SWE-bench Verified; - 63,0 на SWE-bench Multilingual; - 41,02 на Terminal-Bench 2.1. Есть контекст 256K, tool calling, thinking и non-thinking режимы, а также сохранение истории рассуждений между шагами агента. Для обучения использовали 127 тысяч SFT-примеров и reinforcement learning. Доля некорректных tool labels снизилась с 9,34% до 0,28%, а непрерывные повторы — до 0%. Модель текстовая, без vision-модуля. Веса открыты под Apache 2.0. https://modelscope.ai/models/Kwaipilot/KAT-Coder-V2.5-Dev Paper: https://modelscope.ai/papers/2607.05471

ai модели разработка qwen kat-coder

ИИ IT ai разработка тренды инженерия программирование

Эволюция использования ИИ в разработке: от промптов к Graph engineering

М@ITcanflyавтор про «it»

3 мес

К посту выше. Если вы еще используете промпты в нейрочате и копируете нейрокод в проект, то вы сильно отстали от трендов. Согласно табличке этот этап прошел в 2024. Уже в 2025 прошел этап простого "ИИ-редактора" (Cursor, Windsurf, Trae и подобные), и стал актуален харнесс - это обвязка вокруг ИИ-модели, комплекс инструментов и правил, а не просто нейрочат. А в 2026 уже начался Graph engineering, то есть уже код некогда, надо оркестрировать пайплайны с ИИ на всех этапах. Забавно, но инерция в индустрии очень сильна. Общался с представителями разных команд из крупных проектов, многие говорят, что ИИ внутри инженеры используют "по желанию". То есть многие команды еще долго будут догонять тренды, нет столько ИИ-евангелистов и умельцев, но значит еще есть возможность такими стать. #ai

Эволюция использования ИИ в разработке: от промптов к Graph engineering

ai разработка тренды инженерия программирование

ИИ Геймдев ai fable 5 разработка игр нейросети инди-игры

Энтузиаст создал игру за один день с помощью Fable 5

P@pppromptAI-инженер

3 мес

Впечатляющая игра, которая была собрана энтузиастом… на Fable 5 за один день. Поиграть тут: https://longsilence.anshu.dev Source @ppprompt

ai fable 5 разработка игр нейросети инди-игры

ИИ Карьера андрей карпати anthropic ai карьера новости

Андрей Карпати опроверг слухи об уходе из Anthropic

M@ai_machinelearning_big_dataAI-инженер

3 мес

✔️ Андрей Карпати опроверг слухи о своем уходе из Anthropic Поводом для спекуляций стало внезапное исчезновение упоминания Anthropic из профиля в сети Х. Это породило тряску волну слухов о том, что сооснователь OpenAI покинул команду предварительного обучения всего через 68 дней после трудоустройства к разработчику Claude. Андрей объяснил пропажу статуса странной ошибкой платформы и подтвердил, что продолжает работать в Anthropic. @ai_machinelearning_big_data #news #ai #ml

Андрей Карпати опроверг слухи об уходе из Anthropic

андрей карпати anthropic ai карьера новости

IT ИИ разработка инженерия ai python cpp loop engineering

Почему инженер должен понимать код, даже при использовании AI

A@oestickAI-инженер

3 мес

Все, с выходом Fable и 5.6 sol вы больше не должны понимать, что происходит у вас в коде. Не до всех еще дошло, но вы больше не software engineer, вы loop engineer

↑ Я думал, что это типичный твиттер шитпостинга, но реально начал видеть вокруг себя серьезных людей, кто так считает. Мол, раз у Бориса в антропике получается, то и мы так должны делать

Ну камон, ребят. Все же понимают, что публичные лица компаний, который продают лопаты всегда будут преувеличивать ценность этих лопат и формировать хайп, который через какое-то время действительно пушанет технологии до уровня, который они продвигали. Типичный fake it till your make it – так все технологии развиваются и всегда развивались. Но мы то с вами не обязаны собой жертвовать ради этого, ну Почему я считаю, что сейчас это все еще не работает и хорошие инженеры должны понимать что происходит под капотом систем, которые они строят (даже если они строят их печатая/наговаривая английский/русский текст)? Постараюсь порассуждать "из первых принципов": Дело в том, что это всегда так и было – хороший инженер всегда понимал систему как минимум на один уровень абстракции ниже того, на котором её писал. Хороший Python разработчик знает про GIL и 3.13, PyMalloc, сборщик мусора, ссылочную природу объектов, и что многие библиотеки написаны на других языках со своими ограничениями и возможностями. И для него код на пайтоне на самом деле раскрывается гораздо глубже чем он выглядит на первый взгляд – тот самый tacit context Хороший C++ разработчик скорее всего знает не только про разные виды памяти, устройство умных указателей и виртуальные таблицы, но и в курсе про уровни хардварного кэша, особенности архитекутры процессора и хаки, которые использует компилятор для компиляции под эти архитекутры. И может даже знать, в какие конкретно ассемблерные инструкции раскроется его код. Понимает как треды устроены на уровне ОС, какие механизмы их переключения на уровне ядра, и как писать lock-free код ↑ Этого всего нет напрямую в синтаксисе языка. Это особенности поведения систем на гораздо более низких уровнях. И проблема в том, что если инженер их не знает, то он даже не знает чего он не знает. А значит, не узнает и о наличии проблем на этих уровнях. В итоге прод ложится под растущей нагрузкой, баги не находятся неделями и затыкаются костылями, из-за которых прод снова ложится, но уже в следующем квартале ——— Короче, мало топить за loop enginering. Нужно понимать что в результате этих циклов получится Так же как когда вы пишете цикл на C++, вы понимаете, как данные будет лежать в кэше (и в каком), будут ли лишние аллокации в куче, и раскроется ли ваша числодробилка в SIMD-инструкции В общем, это фундаментальное свойство любого профессионала – видеть систему глубже чем она описана Подгорело, @ai_grably

разработка инженерия ai python cpp loop engineering

Ещё ↓