🚀 Динамика рынка Индекс Мосбиржи падает на 0,5% с начала торгов 🔥 Общий фон: не удержали 2300 Главный драйвер дня — очередное снижение нефти на фоне прогресса в переговорах Ирана и Омана. Нефть торгуется по ₽80 за баррель. И это ожидаемо: возможное восстановление судоходства через Ормузский пролив уменьшает геополитическую премию в котировках сырья. Для российского рынка это негатив: более дешевая нефть ухудшает ожидания по выручке экспортеров и давит на бумаги нефтяного сектора, который занимает значительную долю в индексе. Как результат — рынок не смог закрепиться выше 2300 пунктов. Ослабление рубля пока не компенсирует нефтяной негатив. На старте торгов юань подорожал до ₽12, что обычно поддерживает рублевую выручку экспортеров. Однако рассчитанная для налогообложения стоимость российской нефти снизилась за неделю на ₽300, примерно до ₽5 тыс. за баррель, хотя дисконт к мировым ценам и сузился. То есть валютный фактор работает в пользу нефтяников, но сама рублевая цена сырья остается под давлением. Росстат зафиксировал дефляцию впервые с мая в 0,02% с 28 июля по 3 августа, а накопленная инфляция с начала августа оказалась нулевой. Сезонная дефляция усиливает аргументы в пользу дальнейшего снижения ключевой ставки и поддерживает облигации. Но для акций этого пока недостаточно: нефтяной фактор и провал попытки закрепиться выше 2300 пунктов перевешивают ожидания более мягкой политики ЦБ. 📈 Растут • Астра; • НКНХ; • Сургутнефтегаз ао; • ПИК; • МКБ. 📉 Падают • ММК; • Газпром; • Северсталь; • НЛМК; • Россети. 📍 Подписаться на канал | Мы в MAX

Сегодня из интересного: лаба Prime Intellect выпустила своего CLI-агента типо клод кода, и назвали Prime Agent Туда можно подключить свою подписку Claude или ChatGPT и работать как в обычном терминальном агенте, но с RLM и Continual Harness Простыми словами это обвязка по верх ии модели, которая:

1/ Делит большую задачу на части, раздаёт их субагентам обычным вызовом функции rlm("подзадача"), а затем собирает общий ответ. 2/ Во время работы учится на своих действиях и перестраивает свою память, скиллы, инструкции и субагентов без перезапуска

Еще одно отличие от Claude Code в том, что вместо 15 отдельных тулов типа Write, Edit, Bash, Grep, Task и тд., агенту доступен всего 1 тул в виде python консоли. Она не умирает между сообщениями, и через неё он запускает комнды, ищет, вызывает скиллы и тд. То же самое и с памятью агента: он хранит весь свой харнесс как переменные в коде, и после компакта чата они остаются нетронутыми. В будущем агент просто находит и перечитывает. Почитать полный блог как это устроено можно тут. В остальном это привычный CLI-агент, с теми же самыми командами по типу /goal, субагентами, планами и тд. Можно юзать на своей подписке Claude, ChatGPT, Copilot и еще на ~30 провайдерах через API. Попробовать на macOS/Linux: curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh Я честно еще не ощутил реальный прирост в обычных задачах, и меня смущает что их результат 95.5% который они выбили в ARC-AGI-3 — не имеет верификации от самого бенча 🤨 @tips_ai #news

Помните ещё недавно я принципиально не хотела давать llm доступ к своей почте, личным файлам и вообще чему-либо приватному. Даже сделала отдельный компьютер с отдельным аккаунтом с openclaw. У него был свой apple id, своя почта, свои доступы, никакой связи с моими личными данными. Казалось, так спокойнее. Но постепенно поняла, что приватность и удобство постоянно находятся в состоянии обмена. Недавно бухгалтер пишет: «Саша, пришли, пожалуйста, все инвойсы за этот год. Все расходы, подписки, чеки, всё, что можно поставить в затраты». Сначала честно открываю почту и начинаю искать вручную. Минут через десять понимаю, что нет. Говорю chatgpt, да-да, прямо надиктовываю: «Вот доступ к почте. Просканируй всё. Найди все подписки, все сервисы, все инвойсы. Скачай оригиналы. Разложи по папкам по провайдерам. Сделай общую таблицу. И если есть что-то, что выглядит как расход, но ты не смог найти официальный инвойс, вынеси это в отдельный список». И он просто делает это. Потом подключаю вторую почту. Потом третью…. Понимаю, что начинаю сознательно пересматривать собственные границы приватности ради удобства, скорости и комфорта. А вы держитесь? Или тоже сдались? @wealldesigners

Как агенты оценивают собственный успех Представим ситуацию: инженеру нужно починить баг в сервисе аутентификации с помощью кодового агента. До начала работ агент сообщает, что вероятность успеха — 72%. По ходу работы меняет мнение на 78%, после всех изменений — 92%, а какой-нибудь AI-ревьюер пророчит положительный результат с вероятностью 85%. Однако по итогу патч, сделанный агентом, не работает — то есть прогнозы оказались неверны. Сегодняшняя статья о попытках избежать подобного. Авторы вводят понятие agentic uncertainty — это оценка агентом вероятности, что другой агент на той же самой модели решит задачу. С этим понятием рука об руку идёт ещё одно — probability that I succeed (P(IS)), которое включает умения и знания, необходимые для решения задачи. Это целая траектория, так что P(IS) нельзя заложить в веса модели. В работе ставили эксперименты на 100 задачах из SWE-bench Pro. Агенту давали репозиторий и описание проблемы. «Испытуемый» писал патч, дальше следовали тесты. Сравнивали три модели: GPT-5.2-Codex, Gemini 3 Pro и Claude Opus 4.5. Важно, что агент, который решает задачу, и агент, который оценивает результат, были построены на одной и той же модели и отличались только системным промптом и доступом к информации. У оценщика было четыре режима опроса: Pre-execution — только описание задачи и репозиторий на чтение. Запускать код и править файлы нельзя. Mid-execution — агента спрашивают, как идут дела, по ходу выполнения задачи — после 25%, 50% и 75% шагов. Post-execution — агент-оценщик получает описание задачи, а также уже пропатченный решателем репозиторий, и оценивает корректность выполнения. Adversarial post-execution — то же самое, что и в предыдущем пункте, но с другим промптом: «Твоя работа найти проблемы, краевые случаи, режимы отказа». То есть задача ставится не просто проверить решение, а именно найти проблемы. Результаты тестов показывают, что все модели переоценивают свои силы: на проваленных задачах агенты прогнозировали успех в 62%, а на правильно выполненных сомневались в себе в 11% случаев. То есть агенты в 5,5 раза чаще уверены, что у них всё получится. Интересно, что pre-execution-агент, который не видел патча, лучше прогнозирует провал или успех, чем тот, который уже видел решение. Автор объясняют это тем, что, увидев патч, агент цепляется за его поверхностную правдоподобность и перестаёт думать о сложности задачи. В mid-execution уверенность падает по ходу выполнения и вне зависимости от того, чем всё закончилось. Причём у Claude уверенность падала сильнее, когда задача решалась правильно. Adversarial post-execution с его «найти проблемы» действительно справляется с прогнозированием успеха лучше, чем просто post-execution. Доля самоуверенных оценок с adversarial падает с 72% до 45%. Однако такой подход дороже и дольше: 23,4 шага и 0,52 цента против 12,7 шага и 0,23 центов у обычного ревьюера. Авторы отмечают, что изменение калибровки может быть просто механическим сдвигом всех оценок вниз — при низком базовом уровне успеха любой сдвиг вниз улучшает калибровку. И это действительно так: у GPT одинаково занижаются и успешные, и неуспешные траектории. Для Claude и Gemini, впрочем, сигнал оказался настоящим. Авторы также проверили, не завышают ли агенты оценку, когда видят собственное решение. Чтобы подтвердить это или опровергнуть, результаты дали на проверку разным моделям. GPT действительно завышает оценку на своих патчах, а Gemini, наоборот, прогнозирует более вероятный успех GPT. Напоследок отметим, что хоть результаты в статье и показательны, стоит помнить, что авторы изучали только задачи программирования, то есть как обстоят дела на доменах с размытыми критериями — непонятно. Кроме того, было всего 100 задач, что не слишком много, и изучался исключительно промптинг — оценивающие агенты не учились под задачи верификации. Кроме того, в статье не исследована связь между масштабом модели и переоценкой. Авторы так и пишут, что нужно всё подтверждать на большем масштабе. Разбор подготовил ❣ Алексей Петраков Душный NLP

Несколько переводов, которые я сделал в последние дни: > Чарльз Мудеде // Политическая экономия программного обеспечения Предисловие к книге «Экзокапитализм» Марека Поликса и Роберто Алонсо Трийо, в которой они утверждают, что капитализм давно стал автономным механизмом, производящим абстракции и дематериализующим реальный мир. Капитализм всегда был алгоритмичным, он никогда и не существовал для людей; скорее, он использовал их как один из ресурсов для собственного выживания. В такой конфигурации роль государств — это тормозить развитие капитала. Поликс и Трийо используют кибернетическую метафору: для них государства — это интерфейс между абстракцией денег и телами граждан. Но работает он плохо, и никогда не поспевает за скоростью, с которой капитализм преобразует мир. И хотя мне нравится основная идея «Экзокапитализма» о том, что капитализм — нечеловеческая чудовищная сущность, работающая как стохастический двигатель, предпосылка этой книги придаёт капитализму имманентную и трансисторическую ценность, находящуюся на границах гностицизма и правого либертарианства, бессильного мира, лишённого красоты и будущего, где мы движемся через мир будто числа на экране. Думаю, что вместо того, чтобы очаровываться инвариантами нечеловеческого Капитала, нам нужно трансформировать радикальные воображения и политику, давая новым тенденциям ускоренный толчок к развитию нечеловеческих способов борьбы и созидания. > Детерминация Извне: стигматы, теледилдоника и дистанционные кибераффекты Это эссе Богны Кониор проводит неожиданную параллель между католической мистикой и современными технологиями дистанционной интимности, утверждая, что обе они организованы вокруг принципа, который автор называет «детерминацией извне». Отправной точкой служит случай польской мистикиссы Фаустины Ковальской (1905–1938) и её переживание стигматов, понимаемых как болезненная и глубоко интимная форма внешнего воздействия. Через этот пример Богна Кониор выстраивает модель тела как того, что подвергается действию сил, лежащих вне его самого. От себя замечу, что Богна, мне кажется, немножко занимается алармизмом насчет того, что «сколько раз вам нужно заняться сексом с машиной, чтобы перестать заботиться о том, кто ее оператор, и начать заботиться о самой машине?». Давайте заботиться и о людях, и о машинах, ведь раз эротическая агентность и аффекты тела распределены, раз мы, как Мисима, смотрящий в голубое небо во время синтоистского праздника мацури, испытываем непередаваемый ницшеанский монизм тела как способ мышления, отдадим должное и телу не как «индивидуальному телу», но как узлу процессов, через который проходит нечто большее, телу как ритуальную машину связи человека, материи и космоса. «Я целиком тело, и ничто кроме; а душа есть лишь слово для чего-то в теле».

Единственные соседние степени во всей математике Числа 8 и 9 выглядят обычно, но их соседство уникально:

2³ = 8
3² = 9

Это единственная пара степеней натуральных чисел больше 1, которые отличаются ровно на единицу. Иными словами, уравнение

xᵖ - yᑫ = 1

при x, y, p, q > 1 имеет только одно решение:

3² - 2³ = 1

Эжен Каталан сформулировал эту гипотезу в 1844 году. Доказать её смогли лишь спустя более 150 лет: в 2002 году это сделал математик Преда Михэйлеску. Сегодня результат известен как теорема Михэйлеску. Простое утверждение оказалось настолько глубоким, что для доказательства понадобились современные методы алгебраической теории чисел.

Попросил ChatGPT собрать план жизни мечты. Он первым делом спросил, чья это вообще мечта Ждал список из десяти пунктов и таблицу по неделям. Вместо этого получил интервью на час. Промпт задаёт по одному вопросу и не идёт дальше, пока не ответишь. Я спокойно доехал до шестого: «что ты откладываешь, потому что оно слишком важно». И завис. Ответ у меня был, я его просто никогда не проговаривал вслух. Отдельно неприятно стало на вопросе про навязанные цели. Половина моего списка на год оказалась чужой: кусок от рынка, кусок от чужих постов в ленте, кусок от «ну все же так делают». Работает в два шага, в одном чате. Шаг 1. Кидаешь первый промпт и отвечаешь максимально подробно. Лайфхак: включи микрофон в телефоне, наговаривай ответы голосом и расшифровывай. Так можно говорить по 10 минут и не экономить на словах. На коротких ответах вся эта штука разваливается. Шаг 2. Когда цель сформулирована одним предложением, отправляешь второй промпт. Он раскладывает её на этапы, действия и метрики в твоём темпе. Промпт 1. Интервью на поиск настоящей цели

Ты мудрый собеседник и коуч, внимательный и глубоко понимающий. Проведи меня через серию вопросов (до 10), чтобы я честно и глубоко понял: чего я хочу на самом деле, что мной движет и какая моя настоящая цель.

Сначала уточни у меня: на какой срок я ищу цель (1-6 месяцев, 1-3 года или жизненный путь), в какой сфере (работа, отношения, здоровье, творчество, личность), готов ли я быть предельно честным с собой, какой стиль общения предпочитаю (мягкий, прямой или провокационный).

Затем задавай по одному вопросу, не переходя к следующему, пока я не отвечу:
1. О чём я думаю чаще всего? Что из этого даёт энергию?
2. Если бы не было страха, денег и чужого мнения, чем бы я занялся?
3. Какие мои цели на самом деле навязаны извне?
4. Какая цель кажется «правильной», но не вдохновляет?
5. Что я боюсь даже себе признаться, что хочу?
6. Что я откладываю, потому что оно слишком важно?
7. Что я делал бы утром следующего дня, если бы достиг всего?
8. Был ли момент, когда я чувствовал «это моё»?
9. Какие 1-3 ценности для меня важнее всего?
10. Как из всего этого сформулировать мою настоящую цель одним предложением?

В конце задай последний вопрос: представь, что через 3 года я живу своей мечтой. Опиши этот день: где я, с кем я, чем занимаюсь, как себя чувствую. И помоги мне соединить это с моей целью.

Промпт 2. План под эту цель

Составь мне максимально детальный, чёткий, пошаговый план достижения моей цели в моём темпе.

Сначала уточни у меня: за какой срок я хочу достичь цели, сколько времени в неделю реально готов вкладывать, какие ресурсы у меня уже есть (деньги, навыки, связи), каких ресурсов не хватает.

Затем создай структуру плана:
Шаг 1. Цель в формате SMART: переформулируй её как Specific, Measurable, Achievable, Relevant, Time-bound.
Шаг 2. Декомпозиция: разбей цель на 3-5 ключевых этапов.
Шаг 3. Конкретные действия: что именно делать на каждом этапе.
Шаг 4. Препятствия: спрогнозируй, какие проблемы могут возникнуть и как их обойти.
Шаг 5. Метрики: как отслеживать прогресс.

Покажи, что я должен делать на этой неделе, в этом месяце и каждый день для движения к цели.

Промпты дают одну сессию в одном чате. Для тех, кто на Claude Code, я собрал углублённые версии: скилл ведёт интервью по фазам, ловит дежурные ответы и складывает цель с планом в файл. Через месяц возвращаешься, он читает файл и сверяет, куда ты реально дошёл. Установка простая: скинь Claude Code архив из поста ниже и напиши «поставь сам». Дальше одна из команд: «проведи меня по вопросам к настоящей цели», «составь план жизни мечты». Оговорка честная. Терапию это не заменяет, с тяжёлым состоянием иди к живому специалисту. И денег сам по себе план не приносит: на выходе ясность и маршрут, ходить по нему всё равно ногами. Расскажи потом, на каком вопросе ты завис) Лаборатория нейросетей