🤖 Pixel 11 Pro Fold показался раньше времени За пару недель до презентации Google в сеть утекли маркетинговые рендеры складного Pixel 11 Pro Fold. Слил их известный инсайдер Эван Бласс. Революции не ждите. Внешне новинка почти повторяет прошлогоднюю модель: тот же вытянутый внешний экран и те же 8 дюймов внутри. Любопытно, что здесь Google идёт против течения — Galaxy Z Fold 8 и будущий складной iPhone делают внешний дисплей покороче и пошире. Что действительно переработали, так это блок камер. Его слегка перерисовали, и, судя по рендерам, он получит ту самую светящуюся подсветку, которую Google уже дразнила для Pixel 11 Pro. Отдельно радует цвет — оливково-зелёный. Выглядит дорого. В той же утечке нашлись новые Pixel Buds (тоже оливковые) и новые Pixel Watch. Официально устройства должны показать 12 августа на мероприятии Made by Google. @droidergram

Английский вместо кода COBOL придумали, чтобы менеджеры сами читали и писали код. Менеджеры так и не начали, а COBOL-разработчик кормится до сих пор. SQL назвали Structured English, чтобы нетехнический человек задавал вопросы почти по-английски, и теперь этот человек при виде LEFT JOIN с оконной функцией идёт искать технического. 4GL обещали «программирование без программистов» и породили дорогих архитекторов на SAP и Oracle. Каждые 10-15 лет индустрия объявляет, что код руками больше не понадобится, и каждый раз программистов становится не меньше, а больше, просто называются они иначе. Автор ставит вайбкодинг ровно в этот ряд. LLM правда качественно отличается от всех предыдущих попыток, впервые инструмент работает с произвольным языком, но упирается он в то же самое, что и COBOL шестьдесят лет назад. Разберём, во что именно упирается и почему это про природу задачи, а не про инструмент.

Сижу в кафе. За соседним столиком с горящими глазами обсуждают стратегическую сессию. Первые десять минут меня потряхивало, потом взяла верх профессиональная деформация, и я начала наблюдать за этим как социолог за племенем: - Ну мы на стратсессии решили, что строим новую бизнес-модель: запускаем лид-магнит, качаем воронку в ТГ, греем через кружочки и продаем трипвайер… В какой момент инструмент привлечения стал равен самому бизнесу? Когда мы свернули не туда и начали путать маркетинг (причем довольно узкую его механику) с продуктом, экономикой и стратегией предприятия? Если убрать из этой конструкции красивый сленг, получается классический карго-культ: 1. Взять каналы коммуникации (Telegram, закупка рекламы, боты). 2. Назвать это «стратегией развития компании». 3. Искренне удивляться, почему LTV равен нулю, повторных продаж нет, а маржинальность рассыпается при первом же сбое в трафике. Бизнес начинается там, где есть: - Понятная экономика единицы (unit-экономика, которая сходится не только в фантазиях). - Продукт, который решает реальную задачу клиента и удерживает его без постоянного «догрева» в кружочках. - Операционные процессы, выдерживающие масштабирование. - Управление рисками и понимание структуры рынка. Воронка в Telegram - это отличный, рабочий операционный инструмент каналов продаж. Но когда топ-менеджмент или основатели на стратегической сессии инвестируют время в обсуждение прогревов вместо экономики продукта и ценностного предложения - это не стратегия. Это иллюзия деятельности, замаскированная под подсмотренные у инфобизнеса термины.

Не знаю зачем, но я тут завел Substack и написал туды статью: А началось с того, что я решил разобраться, а как там вообще разные люди оценивают AGI, что это такое и как вообще это понимать. И провалился в кроличью нору... Выяснилось, что этот AGI — Artificial General Intelligence, он же "Общий Искусственный Интеллект" — никто толком и объяснить не может, что это такое. Впрочем, а никто и не надеялся. Но понять очень хотелось. И вот статья, написанная, конечно же, не без помощи ИИ (ну, потому что обобщить 40+ ссылок, которые содержится в статье без ИИ можно, но у меня нет столько свободного времени), где выявилось, что на предмет есть как минимум 9 точек зрения, которые не то чтоб противоречат, но находятся в разных пространствах, спор в которых бессмысленнее "синего платья". И эти "9 PoV" можно свернуть в "оси спорщиков", которых тоже больше двух. Ну, например: 1. "А можно ли вообще построить AHI, и если можно, то как" 2. "А как быстро мы достигнем AGI и можно ли вообще" 3. "А в чем риск AGI" 4. "А кто это вообще будет управлять AGI, если его создадут" 5. И, черт побери, "а как мы вообще узнаем, что AGI появился". Отдельно, наверное, нужно отметить экономистов, которые, как обычно, пытаются прогнозировать будущее путем переноса прошлого — хорошие вещи "апроксимаций" не называют. Я там даже вспомнил про "математическую индукцию", про которую я еще в школе писал какой-то доклад или реферат для "научной конференции школьников" — до сих пор помню этот метод. От себя лично могу только добавить, что те системы, которые сейчас называют "ИИ" они уже очень сильно изменили мою жизнь и продуктивность. Вот хотя бы эта статья — для написания такой лет пять назад я бы потратил неделю. Сейчас я потратил вечер, просто последовательно задавая вопросы в тот момент, когда мне было что-то непонятно и что-то добавляя по ходу выуживания информации. Я считаю это прорывом, который будет масштабироваться на все отрасли народного хозяйства. Пусть и не так быстро, как утверждают ИИ-энтузиасты.

AgentFold — метод управления контекстом для агентов на длинных задачах На длинных сценариях поиска и анализа веб-агенты либо хранят слишком много сырой информации, либо слишком часто её суммаризируют, что забивает контекст. Авторы сегодняшней статьи предлагают метод AgentFold (GitHub), призванный решить эту проблему, сделав память агента динамической и управляемой самим агентом. Сейчас в веб-поиске используются два подхода. Первый — это ReAct, при котором все действия и решения конкатенируются в конец контекста. Благодаря этому ничего не теряется, но и контекстное окно забивается очень быстро. Второй подход — суммаризация на каждом шаге, однако при этом какая-то часть информации неизменно теряется. Ключевая идея AgentFold — создание активного и динамически пересчитываемого контекста для каждого следующего шага. То есть агент самостоятельно выбирает, что нужно запомнить точно, а что можно суммаризовать. Авторы отмечают, что они вдохновлялись человеческой способностью к осмыслению собственного опыта. В статье предлагается модифицировать и контекст, и то, в каком формате выдается ответ. Контекст должен состоять из следующих элементов: • Question — исходный вопрос; • Tools — доступные инструменты; • Multi-Scale State Summaries — свёрнутые блоки прошлых шагов. Например, шаги с первого по третий представлены одним блоком. При этом свёрнутым может быть и один шаг; • Latest Interaction — последний полный шаг. Суть в том, что все предыдущие действия хранятся в сжатом виде, а последнее — в подробном. Это позволяет меньше загружать контекст. Что касается ответа, то тут модель должна сперва размышлять, а потом делать фолдинг шагов. Он может быть гранулярным (granular) или глубоким (deep). В первом случае схлопывается только последний шаг, а во втором — целая ветка (например, «шаги с четвёртого по девятый»). После фолдинга идёт этап, на котором модель объясняет, почему объединила шаги именно так, как объединила. Наконец, вызываются инструменты и совершаются какие-либо действия. Для обучения всему вышеописанному, авторы брали вопросы из WebSailor и отправляли их во внешние опенсорсные модели (GLM-4.5 и DeepSeek-V3.1), чтобы построить контекст конкретного шага. При этом о том, как генерируются данные, не сообщается. Далее авторы генерировали ответ, выполняли действие, получали ответ от среды и собирали следующий шаг траектории. Проблема в том, что LLM сами не умеют сжимать контекст, что ведёт к ошибкам, галлюцинациям и тому подобному. Неправильные решения авторы отбрасывали, но как — в статье не описывается. Итоговый датасет представляет собой не набор пар «вопрос-ответ», а выборочный набор пар взаимодействия (intersection pairs), удовлетворяющих определённым условиям. На эти пары делается SFT. Согласно результатам замеров, AgentFold помогает снизить нагрузку на контекст к сотому шагу на 91% по сравнению с ReAct. При этом с увеличением числа шагов точность, как сообщают авторы, только растёт. Разбор подготовил ❣ Антон Гырдымов Душный NLP

Какую модель Claude выбрать Выбор LLM по таблице бенчмарков перестал быть рабочим методом. Вот что приходит ему на смену. Причина простая: тесты насытились. Сильные модели решают почти все задания популярных бенчмарков, разрыв между классами уходит в пределы пары процентов, и первая строка рейтинга больше ничего не говорит о том, какая модель нужна именно вам. Что предлагает Anthropic вместо этого — четыре опоры: 1. Понимать классы, а не ранги. Haiku — частые однотипные запросы, где решают скорость и цена. Sonnet — баланс под клиентские сценарии с требованиями к латентности. Opus — сложное многошаговое рассуждение. Fable — фронтир, задачи без готовых решений. 2. Стартовать сверху и регулировать усилие. Рекомендация — начинать с самой умной доступной модели и дальше подбирать не класс, а effort level. Один параметр двигает и качество, и стоимость, и это дешевле, чем перебирать модели. 3. Считать цену за задачу, а не за токен. Показательный замер на SWE-bench Pro: связка Sonnet 5 с советником Fable 5 дала результат в пределах 10% от Fable — за 63% его цены. Прайс за миллион токенов такой картины не покажет. 4. Закрывать выбор своими эвалами. Стандартный бенчмарк меряет среднюю задачу. Вам нужна ваша — на своих кейсах, со своими порогами по латентности и цене. Вывод, который останется верным и после следующего релиза: бенчмарк сужает список кандидатов, но решение принимает ваш прогон. Материал — по статье Anthropic «Claude Models Explained». @timurtaepov

Нищий люкс или богатая нищета Есть такой класс продуктов и сервисов, которые очень дорогие, но покупают их «бедные», потому что их убедили, что богатство и шик выглядят именно так. Здесь и разные масс-люкс-бренды, и дорогие тачки, и премиальные рестораны с салонами красоты. Тут вам продают идею, что «Если вы можете себе это позволить, то вы достойны». Хер знает, что означает это предложение, но сразу хочется тянуться и брать на последние. Можно было бы посмеяться над покупателями, но мы же тут про бизнес. Так вот. Это всё супермаржинально и выгодно. Чеки огромные, а косты копеечные, ведь ты продаёшь не товар, а статус. Настоящий же люкс невкусный: клиентов мало, клиенты капризные, им ни хрена ничего не надо. Им статус не продашь - он у них уже есть.

Интерес Год назад писал пост про «любопытство» и как это влияет на предпринимательство, а сейчас на встрече услышал 7 раз от предпринимателя фразы «интерес», «интересно», когда он рассказывал про то, чем занимается и как всегда решил изучить, что значит это слово. В бизнесе оно встречается постоянно: ▪️интерес клиента ▪️интерес инвестора ▪️интерес к продукту И одновременно, это же слово значит процент по кредиту. На английском оба значения вообще обозначаются одним словом - interest. Смею предположить, что так получилось, потому что и деньги и отношения работают по одному принципу: Капитал начинает расти только тогда, когда к нему появляется интерес. Можно построить отличный продукт, построить классный и максимально оцифрованный отдел продаж или маркетинга, но пока это никому не интересно, ценность остается только у вас. Интерес - первая «валюта» любого бизнеса, так как сначала человек проявляет интерес к вашей компании или продукту, потом появляется доверие и только потом деньги. Поэтому предпринимателю важно не только создавать ценность. Не менее важно создавать интерес к ней. А если посмотреть шире, то это касается не только бизнеса. Интерес к людям увеличивает социальный капитал. Интерес к знаниям увеличивает интеллектуальный капитал. Интерес к своему делу увеличивает вероятность добиться в нем выдающегося результата. Вот такое утреннее наблюдение, рожденное из любопытства изучать этимологию слов 😏