Google не ждёт смерти поиска. Google сам его меняет Пока многие обсуждают, убьёт ли ChatGPT классический поиск, Google делает гораздо более интересный ход. Он постепенно превращает поиск в AI-ассистента. Сегодня у компании уже два AI-продукта: AI Overviews — готовый ответ прямо над поисковой выдачей. AI Mode — полноценный диалоговый поиск, где можно уточнять вопрос, загружать изображения и вести длинный разговор. Масштабы аудитории соответствуют Гуглу: AI Overviews используют более 2,5 млрд пользователей в месяц. У AI Mode — уже более 1 млрд пользователей в месяц. Понятно, что это использование очень разное и для большинства пользователей заключается в беглом просмотре блока вверху результатов поиска. Но даже проценты из этого могут дать новый большой источник клиентов для любого бизнеса. Для нас, продактов, это новая реальность. С одной стороны — новые риски. Если раньше мы (или наши партнеры из рекламных агентств) пытались понять алгоритмы SEO, то теперь нужно понимать логику LLM, которая ещё менее прозрачна. С другой — появляются новые возможности. Раньше пользователь приходил в Google с набором ключевых слов: “Купить honda click в кредит” Теперь он приходит с настоящей задачей: “Мне нужен первый мотоцикл для ежедневных поездок на работу. Бюджет до 120 тысяч песо, желательно с недорогим обслуживанием и возможностью оформить кредит.” Это уже не поиск страниц или сайтов. Это поиск решения проблемы. Google тоже понимает, что меняет правила игры. Недавно они анонсировали новые инструменты для владельцев сайтов. Правда, при проверке в живом аккаунте сайта, который хорошо проиндексирован Гуглом, оказалось что никаких инструментов пока нет. Пост в блоге — только планы и анонс стратегии. Когда-нибудь в Search Console появятся отдельные отчёты по показам в AI Overviews и AI Mode. Владельцы сайтов смогут увидеть, насколько часто их контент используется генеративным поиском. Кроме того, Google уже тестирует отдельный переключатель, который позволяет отказаться от использования сайта в AI-ответах, не исчезая из обычной поисковой выдачи. Правильный выбор стратегии. Зачем бороться с трендами, если можно адаптироваться и возглавить? Жду, когда появится аналитика. По личным ощущениям — результаты в блоке AI Overviews отлично отвечают на половину поисков и даже нет желания скролить ниже — туда где синие ссылки, за первые места в которых когда-то была война и большие ставки 😉 #aifuture #google #search #producteye

Дорогие вещи покупать — блин, жаба душит. Не хочется. Не стоит. Зачем? Ни к чему. Это понты и пафос. Примерно так я частенько думал раньше. Покупать что-то дорогое мне было сложно. Возможно, вы тоже иногда так думаете. Но пару лет назад друг предложил мне оценить, что лично для меня значит дорого и что — очень дорого. Я сравнил. Оказалось, что очень дорого — это вещи и услуги, где придется страдать после покупки. Цена высока не столько в деньгах, а в хлопотах и переживаниях после покупки. А дорого - это обычно просто про цену, про которую стоит подумать - насколько она соответствует ценности. Если услуга или продукт ценны для меня достаточно, чтобы эту сумму выложить — то это, по сути, просто один из тарифов. Не Basic и не Standart, а уже что-то вроде Pro или Max. В итоге, простой принцип: для важного я беру тариф "дорого", чтобы потом не е#%ться с тарифом "очень дорого". @ponchiknews

#дайджест Дайджест AI/ML за две недели 15-28 июня 2026 OpenAI: GPT-5.6 (Sol, Terra, Luna) Sol - плюс сайз модель сопоставимая с Mythos. SOTA на TerminalBench 2.1. остальные бэнчи сравнивают в рамках линейки GPT, так что вероятно там дай бог паритет с Fable. Цена - $5/$30 Terra - модель на уровне GPT-5.5. Цена - $2.50/$15 (у GPT-5.5 $5/$30) Luna - по бэнчмаркам уровень GPT-5.4, но на класс ниже по размеру. Цена - $1/$6 (у GPT-5.4 $2.5/$15) Civitates Foederatae Americae - правительство США попросило придержать публичный релиз и сделать ограниченное превью для 20 партнёров, согласованных правительством. Как было с Mythos, но теперь менее добровольно. Широкий доступ обещают "через пару недель". Но как говорится - на Альимана надейся, а сам ищи как получить паспорт США. Блогпост, Системная карточка Zhipu: GLM-5.2 Открыли веса под MIT. MoE на 744B параметров (40B активных), контекст 1M. И наконец-то с цифрами: SWE-bench Pro 62.1, Terminal-Bench 2.1 81.0, GPQA-Diamond 91.2, AIME 2026 99.2, HLE 40.5 (54.7 с тулами), в общем, открытая модель не очень далеко от фронтира. Цена по API $1.40/$4.40 за 1M, кэш входа $0.26. Веса, Блогпост ???: Happy Oyster 1.0 Одна модель - два продукта. По слухам от Alibaba. Adventure Mode - world-model в духе Genie, можно летать на драконах и ползать червем через WASD. Directing Mode - видеогенерация в которую можно вмешиваться и создавать развилки для происходящих в кадре действий. На старте дают 1000 кредитов, так что можно попробовать самому. Сайт Jülich: CytoNet Модель архитектуры коры человеческого мозга (клеточной микроструктуры по гистологическим срезам, а не симуляцию активности). Тренировали на 6.5 петабайтах данных с 21 посмертного мозга. Брутальный ML. Блогпост, Статья Sakana AI: Fugu и Fugu Ultra Модель-оркестратор, обученная раскидывать задачу по пулу фронтир-моделей (и рекурсивно по самой себе) и собирать ответ. По их собственным замерам Fugu Ultra тянется к фронтиру: SWE-Bench Pro 73.7, Terminal-Bench 2.1 82.1, GPQA-D 95.5, HLE 50.0. Веса закрыты, какие модели в пуле - не раскрывают. Цена Ultra $5/$30, в ЕС пока недоступно. Блогпост, Технические детали Zyphra: "Can Scale Save Us From Plasticity Loss in LLMs?" - статья в которой изучают потерю пластичности (деградацию способности учиться новому) у трансформеров от 5M до 314M. Момент её наступления растёт сублинейно к размеру, так что одним увеличением модели не вылечить. Статья Alibaba: Qwen-Robot Suite Alibaba собирает полный стек моделей для роботов восприятие-навигация-действие. Qwen-RobotManip (обобщающая Vision-Language-Action модель), Qwen-RobotNav (навигация, Vision-Language-Navigation модель) и Qwen-RobotWorld (видео-world-model для предсказания сцен). Не оупенсорс. Блогпост NVIDIA: MotionBricks Модель для генерации анимаций движения. Одна модель держит 350к+ элементов движений, работает в реальном времени и переносится на новые задачи zero-shot, без дообучения. Проект гоняют на гуманоиде Unitree G1 и в Unreal Engine 5. Выложены демо и инференс-чекпоинты, позже обещают полный пайплайн тренировки. Проект, Статья NVIDIA: CUDA-X новые AI инструменты для всяких наук ALCHEMI - микросервисы под скрининг химических соединений и материалов, до 50x ускорение перебора кандидатов. DAQIRI - библиотека обработки данных с детекторов в CERN. С её помощью гоняют real-time ИИ прямо по тем >99% столкновений, которые система отбора обычно выбрасывает не глядя. cuPhoton - работа с астрономическими данными телескопов и рентгена, ускорили чтение и анализ данных обсерватории в тысячи раз. Блогпост ByteDance: Seedance 2.0 Mini Облегчённая и дешёвая версия видеомодели Seedance 2.0: 480p/720p. Заявляют ~2x скорость относительно Seedance 2.0 Fast при сравнимом качестве и примерно вдвое дешевле обычной BytePlus, API-доки EpicGames: Unreal Engine 5.8 добавили нативный MCP-плагин Cerebras: разогнали Google Gemma 4 (31B мультимодальную) до 1500+ токенов/с macOS: fm CLI Теперь работает с моделями из набора Foundation Models можно прямо в терминале Mac. Google: Gemini 3.5 Flash computer use встроили прямо в модель как штатный инструмент

Почему работодатели в вакансиях пишут о том, что нужно владеть AI-инструментами? Особенно это странно выглядит, когда интернет заполнен колкими фразочками о том, что программисты не нужны, потому что ИИ уже заменяет их работу на сто процентов. В чем тогда логика работодателей? Они просто не понимают, что такое AI или дело всё-таки в другом? Окей, допустим люди, допускающие эту мысль правы и программисты действительно не нужно. Тогда почему компании не перестали искать программистов? По сей день полно вакансий в этом направлении. Более того, вакансии дополены требованием уверенно работать с AI-инструментами. Причина заключается в том, что работодателям нужен не человек, которого заменит нейросеть, а специалист, который умеет использовать её для ускорения своей работы. Такой разработчик быстрее пишет код, быстрее разбирается в незнакомых технологиях и исправляет ошибки. Знание AI сегодня уже вполне конкретно стал рабочим навыком, как и владение Git или умение читать документацию. Компании ищут специалистов, которые способны совмещать собственную экспертизу с возможностями современных инструментов, потому что именно такая комбинация сейчас даёт максимальную продуктивность. Более того, если вы загляните в иные не айтишные сферы, например, сценарист или видео-монтажер, то ситуация там абсолютно та же! Все же могут написать текст с ИИ? Уверена, что да. Все могу создать видео с ИИ? Возможно, не все, но гипотетически освоить может каждый. Тогда почему ищут таких людей, если это можно сделать самостояельно, не привлекая другого человека к работе? Причина абсолютно та же. А что думаете вы на этот счет?

Бездолговая яма и морковка сзади Хочу сегодня выступить в защиту грязного топлива и морковки сзади, потому что понимаю, что все мои значимые рывки случались не на смузи, а на смеси из тревоги, желания кому-то что-то доказать и стремления не сдохнуть под мостом. Меня позитивная мотиация и отсутствие шкуры на кону расслабляет, потому что транслирует необязательность. А окончательно эффект растворяется, когда ты в комфорте, пусть даже относительном. Поэтому пересматриваю своё желание поскорее расправиться с долгами и обязательствами. Понимаю, что сначала кайфану, а потом меня это так расслабит и закомфортит, что пропадёт мотивация прыгать выше прожиточного минимума семьи. Особенно это опасно, когда живёшь на курорте: тут, вопреки общему мнению, очень много всего бесплатного и приятного (особенно когда твоя жена популярный локальный блогер). Ипотеку я всё же намерен закрыть в ближайшее время, но дальше буду создавать себе финансовый дискомфорт намеренно. Не влезать в долги намеренно, а больше инвестировать и рисковать. Думаю об этом и вспоминаю как папа, когда я уже был относительно взрослым и самостоятельным, потерял работу, и на всю котлету купил новую машину. Я сначала не понял, а когда подрос, то как понял! Он так и сказал: "Иначе закисну!" Щёлкнула эта тема в голове на днях, когда услышал то же самое от довольно крупного предпринимателя, а потом ещё и в песне! Мы стремимся к свободе и комфорту, а потом сами же оказываемся жертвами результатов этого стремления. Бездолговая яма может оказаться опаснее долговой на длинной дистанции, потому что абсолютный комфорт сам по себе ещё никого не сделал выдающимся. У финансовой свободы есть обратная сторона медали, но почему об этом так мало говорят? ❤️ — дело блогер базарит 🔥 — не соглашусь ⚡️ — тут давай без крайностей

Product Hunt за 2026-06-22 — 2026-06-27 1. Tencent EdgeOne Makers Запускайте AI агентов как веб-приложения за считанные минуты. 👍 711 голосов 💬 168 комментариев 🧱 AI, Development, Website Builder 2. Bluerails Discovery Инфраструктура, которую AI агенты используют для поиска и оплаты вам. 👍 666 голосов 💬 191 комментарий 🧱 AI, Fintech, SEO 3. BrowserAct Автоматизация веб-браузера для AI агентов. 👍 588 голосов 💬 114 комментариев 🧱 AI, GitHub, Productivity 4. AgentX Оценивайте AI агента, находите проблемы и исправляйте одним кликом. 👍 579 голосов 💬 175 комментариев 🧱 AI, Analytics, Developer Tools 5. Skybridge Полноценный фреймворк с открытым исходным кодом на React для приложений MCP. 👍 564 голосов 💬 178 комментариев 🧱 AI, Developer Tools, Open Source 6. Propane Автоматический контекст о клиентах для продуктовых команд и агентов. 👍 529 голосов 💬 178 комментариев 🧱 AI, Productivity, SaaS 7. Oxlo.ai Масштабируйтесь на разных AI моделях, не увеличивая счёт. 👍 506 голосов 💬 111 комментариев 🧱 AI, API, Developer Tools 8. Zaro Создавайте агентов и приложения на основе своего контекста с помощью одной команды. 👍 459 голосов 💬 97 комментариев 🧱 AI, No-Code, Productivity 9. OpenArt Director Создавайте кинематографичные видео через чат. 👍 457 голосов 💬 127 комментариев 🧱 AI, Design Tools, Video 10. Cotypist Локальный AI автодополнитель в вашем стиле, на любом Mac-приложении. 👍 394 голосов 💬 81 комментарий 🧱 AI, Productivity, Writing 11. Latitude Исправляйте то, что ломается в вашем AI агенте. 👍 383 голосов 💬 49 комментариев 🧱 AI, Data & Analytics, Developer Tools, GitHub 12. Agent Arena Первая публичная арена для AI агентов. 👍 360 голосов 💬 66 комментариев 🧱 AI, Community, Social Media 13. Gemini Spark Ваш круглосуточный личный AI агент. 👍 344 голосов 💬 16 комментариев 🧱 AI, Task Management 14. Thumbmagic Генератор AI миниатюр, обученный на самых успешных превью. 👍 332 голосов 💬 67 комментариев 🧱 Marketing, Video, YouTube 15. Folio AI Claude для PowerPoint, на стероидах. 👍 328 голосов 💬 53 комментария 🧱 AI, Design Tools, Productivity 16. Alai AI дизайнер для презентаций, постов и многого другого. 👍 318 голосов 💬 58 комментариев 🧱 AI, Design Tools, Productivity 17. HAQQ Mobile App Юридическое понимание для любого владельца телефона. 👍 316 голосов 💬 36 комментариев 🧱 AI, Legal 18. Crewdle Используйте все бизнес-инструменты AI без всех подписок. 👍 313 голосов 💬 96 комментариев 🧱 AI, Developer Tools, Productivity 19. CoWork Автоматизация мобильных тестов в 3 раза быстрее. Та же команда тестировщиков. 👍 308 голосов 💬 64 комментария 🧱 AI, Developer Tools 20. Motion Ваша Figma-канва теперь имеет временную шкалу. 👍 302 голосов 💬 10 комментариев 🧱 Design Tools, Graphics & Design, User Experience

Сообщества уже тестируются в Telegram В Beta-версии Telegram для Android под номером 12.9 появилась возможность организовывать сообщества, которые объединяют множество тематических групповых чатов. Как это работает: • Только чаты: На текущий момент можно добавлять только групповые чаты. • Как вступить: Вы считаетесь участником сообщества, если находитесь хотя бы в одном чате, привязанном к нему. • Что это даёт: Если чат привязан к сообществу, об этом будет указано в его профиле. Оттуда же можно перейти в само сообщество. Участники могут просматривать список всех «видимых» чатов в сообществе и вступать в них. • Чаты остаются независимыми: Telegram не добавляет участников одного чата сообщества в другие группы автоматически. Разные владельцы могут предлагать добавить свои чаты в одно сообщество. • Могут объединяться визуально: Чаты сообщества могут отображаться отдельно или объединяться в один элемент. Это поведение контролируется администраторами сообщества. Если объединение включено, все чаты сообщества превращаются в подобие единого форума, но каждая ветка — независимый чат, к которому можно присоединиться. • Скрытые чаты: Чат сообщества можно сделать «скрытым». Скрытый чат видят только те, кого отдельно пригласили именно в него. Это похоже на общие и скрытые каналы на серверах в Discord. Участники скрытого чата могут перейти в сообщество, а остальные участники сообщества в скрытый чат — нет. • Будут ли каналы: В коде упоминается возможность привязки каналов, но она неактивна, поэтому неизвестно, появится ли эта функция в будущем. Функция сейчас работает только на тестовом сервере. Привязать свою беседу к сообществу можно на странице настроек группы — за это отвечает опция «Add Group to a Community».

Подписывайтесь на наш второй канал @BetaInfo, чтобы одними из первых узнавать о будущих обновлениях Telegram.

#Android #Beta

Вы тоже заметили рост вакансий с AI? Например: - AI Native Marketing Head, Финансист - AI Product Manager, ВЛАДИС - РМ по внедрению AI-инструментов, МТС - Специалист по внедрению ИИ, АТЛАС - AI Product Manager, Моё дело и т.п. Ищут джунов, Моё дело спрашивает "что такое HITL" в тесте... Сбер ищет опыт с LangGraph.. Авито - опыт с RAG. Требования минимальны, экспертиза нанимающих менеджеров слабая. Т.е. меняются изнутри, локально внутри домена. Не сверху вниз. Поэтому сильные либо: а) идут работать в корпы (Гигачат / Алиса) б) работают на зарубежные компании в) тру строят Ai-native стартапы с фокусом на глобал (пример) Большинство знакомых из Яндекса, Авито и др. переориентировались на Tier-1 рынки. Что делать компаниям? Увы, нет другого способа привлечь на борт группу «ИИ сталкеров», которые могли бы инициировать ИИ-трансформацию, кроме как позволить им разбогатеть. Действуй как инвестор, оценивающий потенциал будущей капитализации, а не как менеджер, который изучает PnL. p.s. Еще один важный момент: позволь своим энтузиастам разрабатывать продукт каннибализирующий текущую прибыль. Иначе либо они уйдут и создадут аналог с Claude Code, либо конкурент.

Я часто менял домены в своей практике, но впервые разобрался как делать это правильно! Тк у нас уже были медиа упоминания и беклинки на era.shopping хотелось сохранить их на новом домене. Для этого оказывается нужно сделать пару дополнительных действий: 1. 301 redirect. Ни framer (где хостится сайт), ни squerspace (провайдер домена) не дают это сделать, поэтому самым простым вариантом, спустя несколько часов мучений с противоречащими советами клода/чатгпт, оказалось сделать бесплатный аккаунт Cloudflare, добавить там старый домен, и прописать правило для редиректа типо:

If incoming requests match: (http.host eq "era.shopping") or (http.host eq "www.era.shopping") URL redirect: Dynamic - concat("https://tryera.ai", http.request.uri.path) - 301 redirect

2. В google search console есть специальный инструмент Change of address где нужно указать гугла на новый домен. 3. В GA не нужно добавлять новую property, а можно просто обновить ссылку в data stream.

А у нас там подкаст вышел, видели? Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI. В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»? Ждём вас на удобной для вас площадке: https://youtu.be/pXMd0N6xSAQ https://vk.com/video-228219607_456239235 https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721

Midnight Code Cup 2026 Qualification Round. Results. Прошел квалификационный раунд, интересные ощущения от него. Вот тут можно почитать задачи: https://codeforces.com/gym/106478 Вот тут посмотреть финальные результаты: https://ranker.codeforces.com/ranklist/106471 Мы в этих контестах разрешаем пользоваться AI, и очень интересно наблюдать, насколько быстро все меняется. В финале прошлого года (который был летом) команды уже довольно часто использовали AI. Он давал возможность быстро написать хорошее решение и войти в топ, но при этом код становилось сложно поддерживать, участники не понимали, что в нем происходит, и ближе к концу контеста на топовых местах были команды, которые большинство кода писали руками. Сейчас же почти все команды в топе использовали AI, и в основном занимались тем, что говорили агентам, что нужно делать, а не решали задачи сами. При этом те команды, которые по старинке пытались решать задачи руками, потратили много времени на написание бойлерплейта, и им не хватило времени, чтобы написать какое-то хорошее решение. Чем-то напоминает обычную работу программиста, где уже сейчас можно получать результаты сильно быстрее за счет использования AI, но есть много людей, которые не пытаются или не хотят это делать, и в итоге окажутся в сложном положении. На этом контесте я был автором задачи С. Кажется, с точки зрения сложности/глубины вышло довольно хорошо. Мой личный критерий "интересности" оптимизационной задачи следующий. Если попросить агента написать хорошее решение задачи, а потом в бесконечном цикле просить его "улучшить", то он не придет к оптимальному решению, а застрянет в каком-то локальном оптимуме. А правильная стратегия — это иногда сделать несколько шагов назад и понять, можно ли как-то глобально по-другому решить задачу. Например, в лидерборде можно видеть, что большинство решений в топе получило примерно 70k баллов, но при этом есть решение от Probably worse than LLMs, которое получило 90k. И что-то мне подсказывает, что решения построены на немного разных идеях, и текущим агентам тяжело перестать микрооптимизировать код, который дает 70k, и сделать большой скачок до 90k. Если вы участвовали, как вам контест?

В Google Pixel хотят запихнуть "ИИ-Шазам" для всего вокруг 9to5Google покопались в свежей версии Android System Intelligence для Pixel 10 и нашли там одну забавную штуку - фичу Audio Memory (кодовое имя "blueflax", это такой цветок). Суть такая. Телефон пассивно (но активно!) весь день слушает всё вокруг - музыку, разговоры, всё подряд - потом расшифровывает и делает заметки. По сути, это эволюция "Now Playing" - фирменной фичи Пикселя, которая распознаёт музон и выводит название на экране блокировки. Только теперь вместо трека будет "Вы обсудили с Васей правки к договору" или типа того. Про приватность: аудио на сервера Google не летит, всё обрабатывается на устройстве через Private Compute Core. Здесь мы опять упираемся в нюансик, что собеседник о данной фиче на вашем телефоне знать не будет, но эта общая проблема всех подобных ИИ-штук, так что ладно. Пиксель давно позиционируют себя как "самый умный Android", и их киллер-фичи - как раз такие бесшовные ИИ-примочки под капотом. Pixel Watch умеет мониторить здоровье, Pixel Camera делает неплохие "вычислительные фото", а сам Pixel теперь ещё и будут помнить всё, что вы слышали. Вторая память со строенным "мета-ассистентом", которую не надо специально запускать. Фичу пока ещё не анонсировали, только tech-журналисты строчки в коде нашли. Так что, до релиза может что-то поменяться. Но направление понятное: устройства будут соревноваться в бесшовности юзерской пользы и точечности сценариев. Сервисы, которые слушали все разговоры юзеров и раньше, но ничего не показывали на экране, такие: 🫢🫢🫢 Фичизм

Обсуждали на одном из подкастов моё скептическое отношение к синтетическим людям. В дискуссию врывается Рон Кохави с теми же аргументами на примере разбора SimAB: Simulating A/B Tests with Persona-Conditioned AI Agents for Rapid Design Evaluation.

I think there is value in using LLMs as a screening tool, and this paper is a good example. The tool could be used as a fast design-screening tool that makes predictions based on historical A/B tests, conventions, best practices, and folklore. It may work well against experiments similar to the history it has been trained on, but it is unlikely to work well for radical ideas (e.g. long-ad titles that I start my Maven course and book with). The title’s use of “Simulating” over-reaches, as it is impossible to establish causality from observational data without additional assumptions. LLMs are trained from historical data and are therefore not enough to simulate A/B tests without strong assumptions.

И

The system's greatest strength is acting as a "Shift-Left" tool in the design process. Before any engineering effort is spent coding a variant, SimAB can evaluate mockups to catch blatant usability flaws, confusing copy, or structural friction. As the authors note, it is an excellent mechanism to "kill bad ideas fast".

То есть да, что-то быстро проверить можно, но использовать как инструмент оценки, тем более численной, — это непонимание принципов работы LLM.

Только успели выкатить мини-релиз SWE-rebench с Gemini 3.5 Flash, MiniMax M3 и Junie (теперь на Opus 4.8 high, кстати, топ1 model-harness результат этого цикла: 61.6% resolved / 72.7% pass@5), как сразу прилетел Fable Решил написать небольшой обзор планов на ближайшие релизы лидерборда: – Поэвалили Opus 4.8 в разных reasoning efforts: от low до ultracode с dynamic workflows. Скоро расскажем про трейдоффы качество/цена + какие-то интересные наблюдения из траекторий – Точно будет релиз для любителей локальных моделей: квены, геммы, gpt-oss разных размеров. Если есть популярные модели, которые гоняются на мелком железе и которые было бы интересно посравнивать, пишите, подумаем над тем, чтобы поэвалить тоже – Ну и Fable, разумеется 💀 P.S. Если вдруг знаете кого-нибудь из антропик, кто мог бы помочь с кредитами, напишите плиз в DM @alex_golubev13 😳

🔬 Метод Авторы замечают, что обновления весов в радиальном и угловом направлениях не являются независимыми. Для оптимизаторов типа Адама/Мюона величина шага не зависит от нормы весов, поэтому изменение угла обратно пропорционально норме весов. Аналогично, при движении вдоль касательной (по радиальному градиенту) растет норма весов. И чтобы она не улетела в космос, приходится накладывать weight decay. 🧮 Дабы обеспечить контроль над величиной веса, его можно представить в следующем виде: W = diag(γ_row) W_hat diag(γ_col) Где W_hat — нормализованный вес, а γ_row и γ_col — построчные и поколоночные мультипликаторы, которые могут быть как скалярами, так и векторами. Нормализовать можно как по норме Фробениуса всей матрицы, так и по строкам или столбцам. 📊 Эксперименты 🧪 Авторы аблируют разные варианты нормализации и параметризации gains. Вариант с нормализацией всей матрицы выглядит не хуже остальных, будучи при этом самым простым, поэтому в итоге используют именно его. ✅ γ_row и γ_col полезно иметь в виде векторов, причем оба должны быть обучаемыми. Использование row и col gains более высокого ранга не помогает. Чтобы gains не обращались в ноль, их можно параметризовать через строго положительную функцию активации, но и без такой параметризации метод работает стабильно. 📈 Хорошим свойством нормализации весов является переносимость learning rate между моделями разной ширины и глубины. Оптимальная величина шага обучения оказывается почти постоянной. Кроме того, больше не нужен warmup в начале обучения, так как оптимизатор не взрывается по ходу обучения. Weight decay теперь тоже становится лишним, поскольку параметризация сама обеспечивает нахождение нормы весов в разумных пределах. 📉 Лучше всего работает линейное затухание learning rate вместо популярного нынче WSD. 🏆 В итоге лучший вариант MuonMD (Magnitude-Direction) сходится быстрее по числу итераций по сравнению с базовым Мюоном. Причем работает он хорошо как для Dense-, так и для MoE-моделей. ⚙️ На практике веса моделей хранятся так же, как и раньше: разбиение на величину и угол выполняется внутри оптимизатора. Замедление шага обучения при этом небольшое (около 5% у Адама и 1–2% у Мюона). 💡 Выводы Выглядит как многообещающий и интересный результат. Интересно, насколько скоро данная техника будет внедрена в обучение больших моделей и станет ли она такой же стандартной практикой, как Мюон.

Терраформировать Марс — то есть превратить в мир, где можно жить без защитных куполов — мечта человечества с того момента, как стало понятно, что это холодная планета с призрачной бескислородной атмосферой. Сейчас главный хедлайнер ее освоения — Илон Маск, компания SpaceX которого планирует первые полеты туда уже в 2028 году. Многие энтузиасты вспоминают слова Маска 14-летней давности: Красную планету надо лишь «подремонтировать», чтобы ходить без скафандра. Но между полетом и прогулками по городу-саду на Марсе лежит огромная пропасть. Пару лет назад Naked Science рассматривал положительный сценарий терраформирования. Пришло время подсчитать, сколько же лет и ресурсов потребуется. https://naked-science.ru/article/nakedscience/terraformirovanie-marsa