С начала года я активно пилю свой иишный «второй мозг». Сначала он вырос из моего личного дневника в накопленный контекст жизни, для более качественных ответов с ИИ в чатике. Потом поверх него начал достраиваться контекст по проектам, CRM контактов, доступ к звонкам, телеге, дашбордам и разные агенты, которые помогают принимать решения, трекать меня по целям и задачам. Сейчас я пытаюсь формировать такие контексты для проектов, в том числе, чтобы к ним могли подключаться сотрудники. Для его разработки и обучения сотрудников нанял штатного вайбкодера и сам очень много рисерчу. В основном у западных компаний. Недавно наткнулся Грега Айзенберга, основателя Late Checkout ($100M+ выручка). Он описал, как сегодня выглядит оргчат его бизнесе. В управлении тонкий слой людей, отвечающих за стратегию, креатив и суждения. Под ним широкий слой AI-агентов: саппорт, продажи, исследования, маркетинг, операции. Управление людьми всё больше превращается в управление агентами, а управление агентами в управление и создание контекста. По его мнениею, контекст — это и есть компания, общий мозг, к которому подключены люди и AI. Люди приходят и уходят, агенты меняются и устаревают, а контекст остаётся, накапливается и развивается. Управление его компанией, это способность сохранять и управлять контекстом, который ускоряет и людей, и агентов. Возможно, пока чуть сложно и абстракно звучит, но я все больше в этом убеждаюсь по мере развития собственного «второго мозга». Как-нибудь сделаем эфир и покажу как все это выглядит.

Замена роботов Аналитики посчитали, что 8% полок во всех магазинах реально пустуют, пока учетная система думает, что там стоит товар. Это стоит сетям триллион долларов выручки в год. Сумма, мягко говоря, круглая. Починить её “легко”, надо просто почаще смотреть на полки и сравнивать то, что видишь, с тем, что программа показывает. При расхождении – чинить. Основной вопрос – а кто, собственно, будет смотреть. Walmart даже роботов специальных для этого делал. Американский #стартапдня Augmodo придумал идею красивее. Он вешает на обычного сотрудника специальный бейджик с двумя камерами. Человек ходит по залу по своим делам, онлайн-заказы, например, собирает. Бейдж в это время снимает стеллажи по пути, а Умные Алгоритмы собирают из этого карту магазина: что где реально стоит, где дырка, совпадает ли живая выкладка с планом. В итоге, если сравнивать с роботом, – не надо покупать специальную железку, не надо её заряжать, не надо обслуживать. Человек выполняет все те же функции совершенно бесплатно и по пути к основной работе. Вся нагрузка – лишние сто грамм на шее, зарплату наверняка ни на копейку не поднимают. Стартапу три года, оценка в последнем раунде – 350 миллионов долларов. https://www.augmodo.com/ #магазин #офлайн #железо #roundb #сша

Context-1 — поисковый агент, который умеет избавляться от лишнего. Часть 1/2 Авторы сегодняшней статьи заявляют следующую проблему. Когда агент ищет что-то в поиске, то нерелевантные страницы, выданные браузером, всё равно остаются в контексте агента. Чтобы справиться с этим, контекст можно обрезать или суммировать. Ещё одно весьма перспективное направление в этой области — self-editing context, при котором модель сама определяет, что ей нужно для решения задачи и может отбрасывать бесполезные документы. Этот подход авторы статьи и берут за основу своего субагента Context-1, построенного на модели в 20B параметров. В его арсенале есть четыре инструмента. Первый, search_corpus(query), позволяет оценивать релевантность документа: отбирается 50 документов, ранжируются, самые подходящие отправляются модели в рамках доступного бюджета токенов. Инструмент grep_corpus(pattern) проводит поиск с помощью регулярных выражений, read_document(doc_id) нужен, чтобы прочитать документ. Самый интересный из инструментов — prune_chunks(chunk_ids), который даёт модели возможность убрать какие-то фрагменты из контекста с сохранением траектории. После каждого шага модели сообщается, сколько токенов у неё осталось. Когда контекст заполнен наполовину, модель советуют освободить его, — но только на обучении, не на инференсе. После преодоления какого-то порога по токенам, модель начинает получать отбивку о необходимости почистить контекст на каждый запрос вызова инструментов для получения новых документов. В этом случае модель либо должна выдать ответ, либо запустить prune_chunks(chunk_ids). Авторы придумали, как генерировать синтетические данные для RL с возрастанием по сложности. Генерация происходит в пять стадий: Gather supporting documents — сбор сопутствующих документов, которые содержат уникальные факты на основе заданного сида. В статье приводится пример с сидом «Синагоги в Брюсселе», по которому модель собрала факты вроде «Синагоги выполнены в романо-византийском стиле». Generate clues (obfuscated references to facts) — собранные на первом этапе факты встраиваются в одну задачу, загадку, где разные сущности заменены фактами. Так, вместо, собственно, «синагога» в этом тексте будет сказано «религиозные сооружения в романо-византийском стиле». Verify that the task is valid — этап проверки, что в сопутствующих документах есть подсказки, ведущие к ответу. То есть в каком-то из документов должно быть прямо сказано, что «синагога — это религиозное сооружение в романо-византийском стиле». Проверка осуществляется не с помощью LLM, а просто кодом на Python. Optionally, collect distractors — опциональное добавление в базу документов-дистракторов. Важно, чтобы они не только вели модель по ложному пути, но и случайно не содержали правильных ответов. Optionally, recursively chain — опциональная генерация задач, которые связаны с прошлыми задачами. Так получается синта, которую нужно решать в несколько шагов. Во второй части поговорим об обучении и результатах. Разбор подготовил ❣ Владислав Пыж Душный NLP

Про аутрич в WhatsApp 😀 Статус: все сложно Если в телеге уже более-менее понятны алгоритмы и система разбана, то в вотсе за неделю я словила три блока аккаунта: один раз – запрет на отправку сообщений новым контактам на 6 часов, и два раза – полную потерю доступа с последующим обжалованием через поддержку Реакция на сообщения в 50% негативная В отличие от пользователей телеги, там почти каждый спрашивает, как я вообще нашла его номер телефона. Для них, кажется, до сих пор открытие, сколько данных о нас лежит в интернете, бедолаги) При этом многие сами переводят общение из линкедина в WhatsApp и спокойно скидывают свой номер Есть гипотеза, что все очень зависит от сферы. Белые компании пока не особо рады, когда им сразу пишут в WhatsApp, а вот в айгеминг это, кажется, вообще никого не смущает)) Короче, пока наблюдаю, и не теряю надежды на золотую вотс ап-аутрич-жилу 😅

Давно не было материалов по подготовке к интервью! Давайте разберем один из самых важных вопросов на recruiter screen: What are your salary expectations? И сразу reality check: в США первое собеседование очень часто проходит просто по телефону. Вам звонит рекрутер, никакого Zoom, вы сидите и разговариваете с телефоном. Такая культура, оторви и выбрось. Теперь про деньги. Есть несколько стратегий ответа на вопрос про salary expectations. 👉🏻Вилка уже указана в JD. Самый простой вариант. Не надо придумывать новую вилку и начинать торговаться с самим собой. Можно ответить: “My expectations are within the range posted for this role. At this stage, I’d like to learn more about the position and the overall compensation package.” Все. Вы подтвердили, что бюджет вас устраивает, но конкретную цифру пока не назвали. 👉🏻Вилки в JD нет, но компания большая. Идем исследовать. Смотрим Levels.fyi, Salary.com, Glassdoor Salaries и другие источники и пытаемся понять, сколько именно эта компания платит людям вашего уровня. Тогда можно сказать: “Based on my research, the company’s compensation for this type of role is within my expectations. I’d be happy to discuss the exact number once I understand the scope and level of the position better.” То есть опять не торгуемся сами с собой на первом звонке. 👉🏻Самый веселый вариант: информации нет вообще. Ни вилки, ни нормальных данных по компании. Тогда исследуем эту позицию в этой локации и понимаем market range. Я бы ориентировалась на верхнюю часть вилки, если ваш опыт ее действительно поддерживает. Например: “Based on my research for similar roles in this market, I’d be targeting the upper part of the market range. As we move forward and I learn more about the scope and expectations for the role, I’ll be able to give you a more precise number. I’m confident we can find common ground if there’s a mutual fit.” Задача recruiter screen: не выиграть salary negotiation. Задача: не назвать случайно цифру на $30K ниже бюджета компании и не дисквалифицировать себя цифрой, взятой с потолка. Сначала выясняем scope, level, expectations и total compensation. Чем дальше вы проходите по процессу, тем больше информации у вас для нормальных переговоров. Hopefully that helps. #interview #interviewtips

Новое знание и непрогнозируемый ущерб Первый параметр хорошей ошибки: это новое знание. Если в результате действия мы получаем новую информацию, то это уже не ошибка, а опыт или эксперимент. Если же в результате мы ничего нового не узнаем, то это не опыт, это может быть просто глупостью. Если мы кинем ноутбук в воду и после этого он перестанет работать — то тут нет никакого нового знания. Мы просто сделали глупую вещь. Если же мы кинули кусок каучука на плиту и получили вулканизированную резину — то это полезная ошибка. Второй параметр: нет значительного непрогнозируемого ущерба. Иногда эксперименты стоят денег, даже сравнительно больших денег. В краш-тестах бьют машины чтобы понять, как машина ведет себя при аварии. В этом случае наши затраты на тест — это стоимость машины. Это может быть значительная сумма, однако она необходима для сертификации или создания более безопасных машин. Мы прогнозируем эту сумму как убыток, для нас не будет сюрпризом, что мы списали эту машину. Если мы разбили машину и не получили новой информации — то вот это точно глупость. Во всем нужен баланс. Чернобыльская авария дала нам кучу новой информации про радиацию, работу оборудования, поведение природы при облучении и т.д. Однако цена за это новое знание была слишком высока, чтобы признать это полезной ошибкой. Если определять сколько же мы можем потратить на новое знание — зависит от компании и ее аппетитов. Нетфликс достаточно четко понимала, что для того, чтобы понять рынок, необходимо тратить деньги. В 2017 году перед Нетфликс стояла задача выйти на зарубежные рынки. 80% роста было за пределами США. Нужно было завоевать Бразилию, Индию, Индонезию. Однако компания совершенно не представляла что происходит на рынках этих стран, какие шоу будет пользоваться успехом, какие нет. Один из принципов, как принимать решения: это познавательная ценность неудачи. Когда ваша команда покупает и производит контент в разных странах мира, необходимо сосредоточиться на уроках, которые можно извлечь из любого опыта. Будьте готовы делать крупные рискованные ставки в странах с наибольшим потенциалом, таких как Индия и Бразилия, чтобы мы могли как следует изучить их рынок. Нам нужны победы, но еще больше нам нужны крупные, громкие поражения, на которых мы сможем учиться. Нам нужно постоянно задаваться вопросом: «Если мы купим вот эту программу и она провалится, какую информацию нам это даст? Если какую-то большую и важную, нужно покупать». То есть, Нетфликс спокойно могла позволить потерять несколько миллионов долларов — но компания прогнозировала этот ущерб. И здесь ключевые слова: значительный и непрогнозируемый. Если ущерб не значительный — то можно не думать и даже не особо волноваться на этот счет. Если ущерб значительный, но прогнозируемый — то почему бы и нет? #чф #ошибки

Зачем пожилым людям метаверс. (я сейчас не о вас, сорокалетние тинейджеры) Эту потрясающую историю прислал подписчик.

Пожилую женщину друзья уговорили зарегистрироваться на платформе Opensim. Помогли ей настроить симпатичную аватарку и оставили самостоятельно познавать этот мир. Она худо-бедно научилась управлять аватаром и плясать в клубах. У нее появилось куча друзей, еще мужики пишут, подкатывают. Ее это очень зацепило! И аватар у нее молоденькая, красивая девушка. Скоро она нашла себе там пару! Самое интересное, что в ней проснулась жуткая страсть, желание быть женственной и соблазнительной. И захотелось ей сделать себе супер развратную аватарку, со всеми кардашьянами наружу, дабы держать своего кавалера в тонусе и фокусе. Просто подарить готовый аватар было мало, решили научить ее делать все самой. Созвонились по зуму и пока объясняли, что да как, сзади возник дед. Муж ее, то есть, реальный. Он начал ворчать, что дома жрать нечего, пока она фигней мается. Она предложила ему присоединиться. Мол, сделаем тебе аватар секси мальчика, будешь плясать и девок соблазнять. Деда пока так и не получилось индоктринировать, но ее аватарка в итоге была сделана отлично и представляла собой чистейший грех! Подозреваю, что ее кавалер теперь испытывает определенное напряжение, глядя, как их авики вместе танцуют румбу)

Глядишь, там и до теледильдоники дойдет. Должна же быть какая-то радость на пенсии кроме выращивания помидоров.

✔️ ChatGPT пришёл на Linux OpenAI выпустила предварительную версию десктопного приложения ChatGPT для Linux. Клиент собирает в одном окне обычный чат, Work и Codex. Есть сборки .deb и .rpm под x64 и ARM64. Официально поддержаны Ubuntu 24.04 и 26.04 LTS, Debian 13, Fedora 43 и 44. Пользователям других дистрибутивов, пока идёт превью этап, придётся по-прежнему работать через браузер или ставить неофициальные сборки. OpenAI в X ✔️ У Gemini миллиард пользователей в месяц Гендиректор компании Сундар Пичаи назвал Gemini самым быстрорастущим продуктом в истории Google и 14-м её сервисом, который преодолел миллиардный рубеж. В феврале было 750 млн человек, в мае - 900 млн, в июле - 950 млн. Последние 50 млн пришли за один месяц. На iOS аудитория перевалила за 100 млн. Голосом с Gemini общаются 63% пользователей. В режиме Gemini Live каждый пятый запрос идёт с камерой или показом экрана, а школьники прикладывают файл к 38% запросов. Каждый день Gemini генерирует больше 150 млн изображений. blog.google ✔️ Microsoft выпустила MAI-Code-1.1-Flash для GitHub Copilot Новая языковая модель вчетверо дешевле июньской версии. Токенов на задачу она тратит на 25% меньше, а выживаемость кода (доля написанного моделью, которая остаётся в проекте) выросла на 4%. В тестах MAI-Code-1.1-Flash обходит предыдущую версию и компактные Haiku 4.5 и GPT-5.4 mini, но проигрывает DeepSeek-V4-Flash и по баллам, и по цене генерации. Сравнение с DeepSeek Microsoft вынесла только в техотчёт, в пресс-релиз оно не попало. Microsoft продолжает вытеснять чужие модели своими - семейство MAI постепенно становится вариантом по умолчанию в ИИ-сервисах компании. microsoft.ai ✔️ Alibaba открыла модель, которая анимирует персонажей в реальном времени Команда Tongyi Lab выложила веса Wan-Animate-2. Модель берёт движение с одного видео и переносит его на персонажа, а потом строит готовую сцену с разных ракурсов. Она справляется с необычными пропорциями тел и любым соотношением сторон кадра. Из пайплайна убрали скелетный риггинг, оценку поз и сжатие признаков движения. Теперь модель сама сопоставляет движение с телом персонажа. По данным Alibaba, качество не уступает Kling и Dreamina. Веса лежат на Hugging Face и ModelScope. Также доступна версия Wan-Animate-2-Lite - для цифровых аватаров и трансляций. Для видео в 720p нужно восемь ускорителей A800. Lite-версия выдаёт 24 FPS в разрешении 400×720 на четырёх H100. Alibaba Wan в X ✔️ Mistral откроет свою платформу для чужих моделей Французский стартап начал хостить сторонние модели на своих серверах. Первой стала GLM-5.2, она развёрнута на инфраструктуре Mistral с теми же гарантиями хранения данных и местного контроля, что и собственные продукты компании. Заодно компания вывела в общий доступ региональные эндпоинты в Европе или США и запустила приоритетный тариф с гарантией доступности. Суверенный ИИ Mistral теперь понимает как контроль над серверами и правилами обработки данных, а не как обязательное обучение моделей с нуля. Ранее независимые исследователи выяснили, что архитектура флагманской Mistral Large 3 похожа на DeepSeek V3. В сети шутят, что Европе больше не нужно переупаковывать азиатские модели - достаточно дать им свои серверы. mistral.ai @ai_machinelearning_big_data #news #ai #ml

Зачем нужен финансовый дневник Финансовый дневник — это полезный инструмент для ведения учета и анализа как личных, так и деловых финансов. Регулярная фиксация доходов и расходов позволяет ясно увидеть, на что уходит бюджет, какие статьи можно сократить и какие финансовые привычки нуждаются в пересмотре. Такой подход помогает контролировать траты и эффективнее двигаться к поставленным финансовым целям. Для предпринимателей финансовый дневник играет ещё более важную роль. Это не просто учетная запись, а полноценный инструмент для повышения финансовой дисциплины. Он позволяет оперативно отслеживать движение средств, выявлять слабые места в расходах и более точно планировать бюджет компании. Фиксируя каждую транзакцию, можно избежать финансовых просчетов и незапланированных убытков. Такой дневник помогает лучше управлять денежными потоками, находить скрытые резервы и формировать более осознанное отношение к деньгам. Фаундер | Бизнес и Стартапы

Китайское гиперзвуковое оружие будет наводиться по звездам в случае отказа BeiDou Полеты на высоких скоростях зависят от спутниковых навигационных систем. Если противник сможет заглушить или исказить сигнал, гиперзвуковой аппарат собьется с курса. Китайские исследователи создали прототип навигационной системы, которая позволяет гиперзвуковым аппаратам ориентироваться по звездам, когда спутниковые сигналы GPS или BeiDou недоступны. Проект под руководством Гуандунской академии аэрокосмических исследований на днях прошел финальную экспертизу. https://hightech.plus/2026/08/13/kitaiskoe-giperzvukovoe-oruzhie-budet-navoditsya-po-zvezdam-v-sluchae-otkaza-beidou