Николай Сторонский хочет больше акций Revolut, Wildberries и его мессенджер, основателю «Спутника» сократили срок, 10 млн рублей в юридического AI-ассистента, Демис Хассабис уходит с поста гендира Deepmind 🦄 Доброе утро, наши маленькие любители единорогов! 💲 Основатель Revolut Николай Сторонский ведет переговоры о новом компенсационном пакете для себя, пишет Financial Times. Сейчас у него 29%. По нынешнему соглашению, у Сторонского будет около 40%, если компания достигнет оценки в $200 млрд. А теперь речь идет про оценку в $500 млрд и дополнительный пакет акций в случае ее достижения. Сейчас оценка Revolut $115 млрд. 📨 Сегодня вроде без сгоревших складов Wildberries — вот только в Тверской области обломок дрона повредил фасад. Но Wildberries, похоже, готовится к запуску собственного мессенджера. Как пишет РБК, компания зарегистрировала более 170 доменов, связанных с мессенджером. Ранее Татьяна Ким говорила, что они сделали мессенджер для внутреннего использования, а потом решили сделать его открытым для всех. 🧑‍⚖️ Основателю агрегатора экскурсий Александру Киму сократили срок на полгода — до пяти лет. Такое решение принял Второй кассационный суд общей юрисдикции, рассказал представитель Кима. Если забыли, то его осудили из-за трагедии на подземной реке Неглинки — на сайте «Спутника» некоторые участники покупали билеты. Вот подробности. Киму сидеть еще около года. 💲 Стартап LawCopilot, который разрабатывает юридического AI-ассистента, привлек 10 млн рублей от фонда Brainbox_I, сообщили представители последнего. Оценка и размер доли не раскрывают. В юрлице, которое указано в пресс-релизе и которое было зарегистрировано месяц назад, доля фонда пока не отобразилась — там 100% у основателя Александра Литвиненко. 🚪 Основатель Google DeepMind Демис Хассабис уходит с поста гендиректора, пишет Axios. Но он останется председателем совета директоров. Издание Semafor со ссылкой на источники добавляет, что уход готовился минимум год — Хассабис постепенно передавал дела. Вроде как ему было трудно получать удовлетворение от роли руководителя технологической компании, а не ученого-визионера. @TheEdinorogBlog — тот самый канал про стартапы🦄

Мда ёпта, 12 с копейками часов на 4B модельку и 6 млн слитых токенов на судейку. В бенче ровно 100 вопросов. В ходе предварительных тестов понял, что вообще нет никакого смысла гонять по базовым алгоритмическим вопросам. С этими задачами даже 4B модель зажатая до одного бита прекрасно справится, а если миксовать сложные и простые вопросы, то результаты размытые будут. В общем, зафигачил пока датасет с хардкорными задачками уровня мидл-сеньор по стеку JS/Nodejs/Express/React/Mongodb/Postgresql/Redis. И что вы мне сделаете? Я вообще-то G0VNO изобрел, на какой стек мозгов хватило, тот и гоняю. Помимо саммари, еще складирую все решения судейки отдельно, что б можно было посмотреть че там происходит. Конкретно у Qwen3.5 4B жОские проблемы со следованием инструкций, ну и естественно ей не хватает параметров P.S. По шкале вайб скор, модель должна хотя бы 60% в среднем набрать, в таком случае она с большей частью задач справилась, хоть и с небольшими, но терпимыми, косяками

LLM снова наебала кожаных. Чисто по нахалке. Не нашла она никаких уязвимостей.

Эксперты компании JFrog в конце июля выпустили отчет по анализу 55 уязвимостей, якобы обнаруженные искусственным интеллектом в SQLite. Все они были внесены в базу данных о уязвимостях (Common Vulnerabilities and Exposures – CVE), создание которой инициировала некоммерческая организация MITRE. В результате проверки возможности эксплуатации уязвимости (триажа), который выполнили эксперты JFrog, выяснилось, что 54 из зарегистрированных уязвимостей являются фейковыми, то есть показатель ошибок фактически достиг 98%. Возможности искусственного интеллекта по поиску уязвимостей и генерации эксплойтов для них сильно преувеличены Хотя некоторые из заявленных уязвимостей получили уровень опасности 10 (из 10), на самом деле некоторые из них были результатом галлюцинаций искусственного интеллекта. В частности, самая опасная из заявленных уязвимостей в функции exprComputeOperands() (CVE-2026-51302), в которой якобы происходит использование указателя после его освобождения, просто не существовала – код был добавлен в другой версии. Но и сама функция не освобождает указатель, но лишь помечает его как не используемый. Некоторые критические уязвимости были обнаружены в коде, который был закомментирован (CVE-2026-51300). Процесс подачи CVE через публичную форму MITRE не имеет какой-либо реальной проверки подлинности, то есть практически любой может предоставить описание уязвимости и предложить оценку CVSS. Исторически NIST служил надёжной страховкой для этой системы: эксперты Национальной базы уязвимостей (NVD) вручную анализировали, проверяли и обогащали поступающие CVE перед выдачей им одобрения. Но эта страховка перестала существовать в феврале 2024 года, – сказано в сообщении компании JFrog.

https://www.tadviser.ru/index.php/Продукт:SQLite "Ум на лице - это еще не признак ума, господа! Все самые большие глупости делаются именно с этим выражением лица."

🌟 NVIDIA открыла доступ к самой крупной модели для беспилотных автомобилей Alpamayo 2 Super - рассуждающая VLA модель на 34 миллиарда параметров, которая сшивает изображение с передних, боковых и задних камер в круговой обзор и рассчитывает траекторию движения.

Впервые NVIDIA показала её на конференции GTC в Тайбэе в начале июня, но доступ открылся только сейчас.

NVIDIA делает упор на редких ситуациях, с которыми беспилотники справляются хуже всего, - перестроения, повороты через встречный поток, перегруженные перекрёстки. В основе лежит Cosmos 3 Super Reasoner, после базового обучения модель прогнали через RL, то есть на последствиях её собственных решений в смоделированных поездках. Помимо маршрута модель выдаёт текстовое обоснование манёвра, и оператор-разработчик может проследить, какая деталь в кадре привела к конкретному решению.

В компании связывают это с проверкой безопасности по стандарту ISO/PAS 8800 и предлагают использовать тот же механизм для автоматической разметки видео с тестовых машин - расшифровки, которая обычно занимает месяцы ручной работы.

В тесте LingoQA, где систему просят объяснить дорожную обстановку, NVIDIA ставит Alpamayo 2 Super на первое место и утверждает, что модель обходит Qwen2.5-VL 72B на 17 пунктов, а Gemini 2.5 Pro примерно на 15.

Лицензия модели позволяет дообучать Alpamayo 2 Super на собственных данных и ставить в серийные машины.

📌Лицензирование: Open MDW 1.1 License 🟡Блогпост 🟡Модель 🖥GitHub @ai_machinelearning_big_data #AI #ML #VLA #AutonomousVehicles #Alpamayo #NVIDIA

После выхода наделавшего шума Deepseek V4 Flash, вспомнил, что у меня есть подписка за $20 на ollama. Иногда гоняю там cloud-модели. Запустил на Flash несколько тестовых задач, чтобы посмотреть, на что модель вообще способна. Он оказался достаточно хорош в пространственном мышлении и даже сделал мне что-то вроде "Angry Birds" в 3D. Ещё и через специфический харнесс от paperclip. Особенно меня впечатлило то, как на Ollama он ест лимиты на подписке за $20. 2307 запросов заняли меньше 10% недельных лимитов. Возможно, есть некоторое смещение восприятия, вызванное GPT-5.6-Sol, съедающим недельные лимиты за сутки, если чуть отпустить вожжи. Или даже Cursor, который в прошлом году за $20 давал всего 500 запросов в месяц к "не-auto" моделям.

UEmbed мультимодальная модель эмбеддингов от Alibaba 2B, 4B, 9B UEmbed это decoder‑only модель, которая в одном проходе генерирует сразу два типа представлений: - плотные (dense) для семантического поиска и задач типа retrieval - разреженные (sparse, лексические) хорошо работает для классического лексического поиска При этом модель принимает на вход текст, изображения и видео и выдаёт для них совместимые эмбеддинги, то есть можно искать текст по картинке, картинку по видеофрагменту и т. п. Единое векторное пространство: разные модальности приводятся к общему представлению, что удобно для гибридного поиска. Гитхаб HF #multimodal

Microsoft ввела внутренние лимиты на расходы инженеров на AI-инструменты, с июля 2026 года у подразделений появились целевые токен-бюджеты, сотрудники могут отслеживать личные траты, а дефолтной моделью для внутренней работы стала GPT-5.6 Sol. Вице-президент Джей Парих в письме сотрудникам заявил, что «токенмаксинг — не то, что мы оптимизируем», и что расходы на токены теперь управляются «с той же дисциплиной, что и любой другой критический ресурс». Отдельные инженеры, по внутренним данным, тратят от сотен до нескольких тысяч долларов в месяц. Как подсказывают инсайдеры, вплоть до перехода на usage credits и переключения на gpt-модели GitHub Copilot, собственный продукт компании, работал с очень большим убытком. Конечно, интересно, что компания, даже обладая собственным инференсом, не очень справляется со сведением токен-экономики. https://www.404media.co/microsoft-tells-engineers-tokenmaxxing-is-not-what-we-are-optimizing-for/

🚀 Pokee представила Isaac 28B - агентную модель с контекстом до 10 миллионов токенов Компания называет её первой frontier-класс моделью такого размера, способной работать на одном GPU. Isaac использует собственную non-decoder-only архитектуру и рассчитана на долгие агентные задачи: анализ больших кодовых баз, документов, логов и истории вызовов инструментов. Главные результаты: 93,3% на RULER при контексте 10M токенов до 137 200 токенов/с на этапе prefill на одной NVIDIA B200 около 335 токенов/с при генерации первое место среди протестированных моделей на BFCL v4 и τ³-bench самый низкий combined attack success rate в сравнении DTAP Саму 28B-модель можно развернуть на одной RTX 4090 или RTX 5090, внутри VPC, on-premises или локально. Но важно: рекордные показатели для полного 10M-контекста измерялись именно на B200, а не на потребительской видеокарте. Есть и важная оговорка: все сравнительные бенчмарки проведены самой Pokee в собственном harness. Поэтому результаты ещё требуют независимой проверки. На странице запуска указана предварительная цена $0,15 за миллион входных токенов и $1 за миллион выходных токенов! Technical blog: https://console.pokee.ai/model Technical report: https://console.pokee.ai/pokee-isaac-28b-v0-technical-report.pdf API: https://console.pokee.ai

Рост роли «AI Product Builder» Традиционные PM-роли сокращаются (до 30% в целом и до 70% в SaaS), вместо них растёт гибридная роль Product Builder — человек, который сочетает product thinking, техническую грамотность, дизайн и быстро прототипирует/шиппит с помощью AI. Количество таких специалистов резко выросло. Организации перестраивают весь product lifecycle вокруг AI. В статье Forbes (от 30 июля 2026): «The Rise of the AI Product Builder: The Future of Product Management» репортят что традиционные product managers будут исчезать к 2030 году. По данным 2026 CPO Impact Report от Products That Count: - ставки PM сократились на 30% в целом и на 70% в SaaS. - При этом появилась и быстро растёт новая роль — Product Builder. Драйверы Старое ограничение (стоимость и скорость исполнения) исчезло. Новое узкое место — человеческое суждение: что строить, когда строить и как создавать реальную ценность. ИИ может генерировать требования, прототипы, код, тесты и документацию. Но он не может решить: - решает ли инициатива значимую проблему клиента - соответствует ли она стратегии бизнеса - является ли лучшим использованием ресурсов === Большинство компаний просто ускоряют старые процессы с помощью ИИ → получают лишь инкрементальный эффект. Топы перестраивают весь product lifecycle под возможности ИИ. PM был в основном координатором Product Builder фокусируется на создании outcomes, используя ИИ Большинство организаций всё ещё построены вокруг функций (product / design / engineering с разными руководителями, метриками и процессами). Эти границы становятся всё менее оправданными. Главный вопрос: что происходит, когда важнее становятся capabilities (способности), а не functions (функции)? Что Builder PM не означает Это не «один человек делает три работы (product + UX + engineering) за одну зарплату». Это не промоушен, а часто просто cost-cutting под красивой обёрткой. Хорошие инженеры любят инженерию и не хотят становиться PM. Дизайнеры не всегда готовы писать бизнес-кейсы. Ролевая компрессия имеет пределы. Настоящий Builder PM — это product-менеджер, который умеет использовать ИИ, чтобы стать в разы эффективнее, не отказываясь от того, что делает его ценным. Это не единорог, а 10x PM. Речь о leverage (рычаге), а не о расширении обязанностей. Правильный reframing Вопрос не «как мне теперь заменить инженеров с помощью AI-кодинга?». Вопрос: как использовать ИИ, чтобы стать 3x / 5x / 10x product-менеджером? ИИ удешевил не только building, но и learning. Побеждает тот, кто быстрее учится (рынок, потребности..) Discovery нельзя пропускать Парадокс: в agent-heavy workflow нужно больше живого синхронизирования с инженерами и дизайнерами, а не меньше. Хорошие Builder PM: - регулярно проводят customer interviews (не только на старте) - строят постоянные каналы обратной связи - сознательно защищают время на discovery даже при росте скорости Главный рычаг — feedback loops Большинство команд просто «используют AI-инструменты». Лучшие строят системы, которые сами улучшаются. Пример: fintech-команда добавила в конец каждого ИИ-ответа вопрос «Это было правильно?». Ответ пользователя сразу шёл в обучение модели. ИИ становился умнее прямо в потоке работы пользователей. == 💡Задача лидера — не просто решать, куда вставить ИИ в продукт, а спроектировать всю систему product management, где ИИ создаёт рычаг, где риски, и где feedback loops делают систему умнее со временем. Именно так получается 10x.