HDMI 2.2 пока не дает преимуществ большинству пользователей Первые кабели с поддержкой HDMI 2.2 показали на CES 2026, а первые устройства с новым стандартом ожидаются в 2027 году. Он увеличивает пропускную способность до 96 Гбит/с, что вдвое больше по сравнению с HDMI 2.1. Однако для большинства пользователей HDMI 2.1 уже полностью покрывает потребности, включая игры в 4K с частотой до 120/240 Гц. Потенциал HDMI 2.2 может раскрыться только с 8K-дисплеями, но этот сегмент пока не получил широкого распространения. Единственным заметным нововведением станет технология LIP, которая автоматически устраняет рассинхронизацию звука и видео. Но для ее работы потребуется совместимость всех устройств, включая телевизор, ресивер и кабель.

💡 Минимизация рисков при инвестировании Инвестирование всегда связано с рисками. Чтобы снизить их, важно учитывать несколько ключевых факторов. 🔍 Оценка проекта Перед вложением средств нужно проанализировать проект. Если нет опыта, доверьте это специалистам. Рассчитайте окупаемость и вероятность успеха. 📑 Изучение бизнес-плана Обратите внимание на бизнес-план. Если обещают чрезмерную прибыль без указания рисков — это повод для сомнений. Личное знакомство с проектом поможет составить точное представление. 🏢 Посещение компании Визит на предприятие даст шанс понять, как оно работает и какие риски могут возникнуть. 🧠 Знание сферы Инвестировать лучше в знакомые сферы. Если это невозможно, работайте с экспертами, чтобы минимизировать риски. 👉Правильный подход к анализу рисков сделает инвестирование более безопасным и прибыльным. Фаундер | Бизнес и Стартапы

Graph Engineering. Anthropic починили главный баг мульти-агентов Графы агентов — новый стандарт. Быстрее, масштабнее, умнее. Но есть проблема: один сбой в ноде → портит весь результат. И вы даже не понимаете где именно. Если вы уже пробовали multi-agent пайплайны — вы это видели. Что происходит под капотом Раньше: loop engineering - Один агент - Линейный процесс - Шаг → проверка → следующий шаг Теперь: graph engineering - Десятки агентов параллельно - Каждая нода — отдельная задача - Скорость выше, покрытие лучше Но как всегда платим мы за этот праздник. Цена выполнены задачи на круг выше. - Токены улетают быстрее - Дебаг почти невозможен - Ошибка масштабируется на весь граф Ключевой инсайт Anthropic Проблема не в графах. Проблема — в валидации. Если проверка слабая → граф деградирует экспоненциально. Что они сделали (и что стоит повторить) 1) Разделили валидацию на типы - Standalone — глубокая проверка финального результата (thermo-nuclear-code-quality-review) - Embedded — проверка внутри каждого шага - Second opinion — независимая ревизия без контекста - использовать Chrome headless вместо тестов в обычном Chrome, так как это дороже в токенах. Команды: /verify (анализирует код от начала до конца и подтверждает, что он работает) toolchain – цепочка инструментов, которая подтверждает. /review skill для проверки кода 2) Добавили orchestration layer - Один skill управляет всеми проверками - Запускает их параллельно - Собирает единый отчёт 3) Критический момент: модель для проверки - Дешёвые модели → больше ложных ошибок - Дорогие модели → меньше, но точнее - Экономия здесь = деградация всей системы Реальный кейс: Haiku нашёл "много багов" → половина ложные Opus нашёл меньше → но релевантно Вывод: дешёвая проверка = двойная работа Практическое применение Где это даёт максимум ROI: - Генерация кода → проверка архитектуры + тесты - Контент-пайплайны → фактчекинг + стиль - Data pipelines → валидация данных на каждом этапе - AI-ассистенты → контроль галлюцинаций Фреймворк, который можно забрать - Разбей задачу на ноды - Добавь embedded проверку в каждую - Повесь second opinion на критические шаги - Сделай orchestrator skill - Самую сильную модель — только на проверку === В графах выигрывает не тот, у кого больше агентов. А тот, у кого лучше система валидации. И это уже не про промпты. Это про архитектуру. 🎞 Подробнее в видео

Принес вам клондайк информации про Seedance 2.5 и не только. Сразу идем с козырей сюда: https://waytoagi.feishu.cn/wiki/PXmgwhty9i4LRak2yLIcidpZnle Видим огромную китайскую Wiki. Пытаемся перевести - не получаетсо. После этого у вас есть два пути: 1. Помучить chatGPT Work(как я вначале) - он вам сделает перевод налюбой язык в PDF, например. 2. Со все дури кликнуть на Login or Registration вверху справа, там выбрать More Ways to Login, потом выбрать Lark для входа, там логнуться Гуглом. Оппаньки, и у вас появится магическое меню справа вверху (...) где можно: - перевести на русский и еще десяток языков - настроить автоперевод(!) и выбранные слева разделы буду автоматически переводиться - выкачать как пдф, doc или md и скормить на перевод - сделать копию - это как на гугль драйве, можно сделать свою папку Чтобы вернуться в полную навигацию, выйдите из режима перевода сверху Короче, забирайте свежий, пахнущий краской Гайд по Seedance 2.5, включая длинные видео и прочая. А также вокфлоу с Блендором и даже сравнение с Minimax H3! Все это создано 31 июля, а редактируется прямо сейчас (вики). Если у вас не получилось с логином, то есть обходной путь, но не для всех страниц: найдо найти на странице в начале ссылки типа https://mp.weixin.qq.com/s/ei-RigH49vVpsAybY0YW6g Их уже кушает Гугл Транслейт, держите: https://mp.weixin.qq.com/s/4klSaB5gL4jAXM9t6fNWQA https://mp.weixin.qq.com/s/60pLamaeBUmh7dy3bT2cNg https://mp.weixin.qq.com/s/tVIprEnTLPeAuQBtySBPeA https://mp.weixin.qq.com/s/xg6P4AyTLbyNzhFPoa_STQ Ну и поглядите эту Вики, там и про Happy Horse и про 3Д и про Комфи. Это прям палеонтологический музей генеративной истории. @cgevent

ИИ в математике и диссертациях В последний месяц пошел вал новых математических результатов, полученных с помощью ИИ. 100%, что гонка только началась. При этом получить степень к.ф.-м.н зачастую можно было по 1 статье, тк придумать и решить математическую задачу было ого-го как сложно. Примеры выгоревших математиков я видел. Но с ИИ новые математические результаты и статьи могут политься как из рога изобилия! Как отреагирует академическая система? Скорее всего, с явным опозданием. Поэтому мы можем наверняка увидеть в ближайшие пару-тройку лет явный всплеск по защиаютам кандидатских по математике. Да что греха таить - по многим областям науки, скорее всего. И система как-то начнет меняться в ответ.

📸Этот чип важнее камеры | Разбор ISP Внутри вашего смартфона довольно много чипов, почти все они живут на SoC — системе на чипе: SPU, GPU, NPU. Но есть один, который стоит особняком и при этом является одним из важнейших. А если говорить о камере смартфона, то без сигнального процессора обработки изображения просто невозможно представить себе современную мобильную фотографию. Она отвечает не только за постобработку, но и за все процессы конвейера. Сейчас в мобильной фотографии происходит самая настоящая тихая революция: ISP начинает работать в связке с нейропроцессором и именно этот "художник" с помощью своего друга — математика с калькулятором и кучей формул. Рассказали, как все работало раньше и как все работает сейчас. Почему ISP на самом деле такой крутой, и чем он занимается в секунду, когда вы щелкаете затвором на смартфоне. Смотреть в YouTube — https://youtu.be/iodNGTRBTBg @droidergram

Почему выбрать денойзер сложнее, чем написать свой Шесть денойзеров против одного плёночного шума, один стенд на RTX 4060 Ti и месяцы, ушедшие на то, чтобы понять простую вещь. Однокнопочные решения оставляют грязь или цементируют картинку на сутки рендера, опенсорс плывёт между кадрами, а звёздный новичок на диффузии выдаёт 0,1 к/с и счёт до 150 долларов за семь минут видео. Лучший результат в списке дал ветеран, заслуживший при этом настоящую ненависть, и вовсе не за качество. Плагин с тремя десятками контролов требует 40-60 часов, чтобы научиться им пользоваться, вылетает от любого чиха посреди настройки профиля, а потом снова падает уже во время рендера. Ты выставляешь ползунки десять минут, он помирает вместе с редактором, ты начинаешь заново. И только в конце всплывает деталь, которая меняет отношение к нему целиком. Обсудим, какой денойзер брать под свой исходник и почему мучение с лидером оказалось почти случайным.

И еще немножко свежей аналитики по рынку труда США, и снова она не подтверждает ничего из апокалипсических тезисов ИИ-скептиков (или, правильнее, ИИ-бояк?) Основной вывод сформулирован коротко: Employers expect more productivity from workers using AI: 57% of employers say they expect more productivity from their workforce because of AI. Остальное так или иначе из этого тезиса вытекает: если безработица кому и угрожает, так тем, кто не желает быстро учиться и переучиваться. Проблемы стартовых начальных позиций — тоже прямое следствие требований работодателей, а университеты, тратившие силы на борьбу с ИИ, перестали давать студентам то, что от них ждет рынок. И это — проблема косности системы образования, а не злонамеренных работодателей.

“AI is changing the way employers plan for their workforce. New roles are emerging across the labor market, but the bar is rising with them. What we’re seeing is a fundamental shift in expectations on both sides of the hiring process — employers want higher-skilled, higher-producing candidates, while job seekers want a faster, more transparent hiring experience.”

А сам ИИ оказывается скорее двигателем роста, чем средством бездумного сокращения расходов. Правда, для этого многим придется согласиться быстро расти (а это требует усилий и воли), а не цепляться за свое прошлое:) https://www.ziprecruiter-research.org/economic-insights-research/ai-employer-report-2026