Раньше по дефолту в Codex у GPT-5.6 Sol окно контекста было ограничено конфигом на 272к токенов Но теперь его можно расширить до 1 млн токенов. Вставьте это в конфиг:

model = "gpt-5.6-sol" model_context_window = 1000000 model_auto_compact_token_limit = 900000

Или если нужно только на одну сессию:

codex -m gpt-5.6-sol \ -c model_context_window=1000000 \ -c model_auto_compact_token_limit=900000

Эти строчки расширяют контекст у 5.6 Sol до 1 млн токенов, и ставят авто-компакт на 900к, чтобы был запас под системный контекст И в CLI и в десктопной версии Подглядел у Tibo (руководитель OpenAI), только имейте ввиду что токены за пределами дефолтного окна считаются как x2, и тратят больше лимита ☕️ @tips_ai

Воскресил игру, которую сделал 12 лет назад. И она уже вышла на iOS 🧙‍♀️ Друзья, не так давно я рассказывал, что нашёл свою старую игру двенадцатилетней давности и решил её воскресить. И вот — она уже доступна для скачивания. Spell Gate можно забрать бесплатно: 📱 в App Store 📱 в RuStore 👮‍♂️ в Яндекс Играх — там она пока не прошла модерацию, но по ссылке уже можно зайти. Конечно, я не жду, что сейчас все побегут в неё играть, а уж тем более что нас там соберётся много. Это скорее проверка: а оно вообще работает? Можно ли взять штуку из прошлого, довести до состояния «скачал и играешь» и выпустить сразу на нескольких платформах. И, кажется, можно. Но на этом я не остановился. Уже начал делать новую игру — и она мне прям очень нравится. На этот раз будет аркадная, медитативная штука с гранулярным синтезом аудио. В каком-то смысле даже ритм-игра. Пока не уверен насчёт мобильной версии, но думаю, уже на следующей неделе смогу показать вам что-то живое. А у вас как дела? Во что последнее время играете или, может, тоже что-то своё делаете? Расскажите в комментариях. Всех обнял, увидимся на стриме всегда ваш - Nerual Dreming ❤️

Идем дальше в оптимизации: 1/Якобиан (функциональный определитель) — это определитель матрицы Якоби, составленной из частных производных функции нескольких переменных. Он показывает, как сильно меняется объем или площадь при переходе от одной системы координат к другой, и помогает решать сложные интегралы. -> зачем? Анализ чувствительности (Sensitivity Analysis): Показывает, какой из входов сильнее всего влияет на решение нейросети.Нормализующие потоки (Normalizing Flows): Используется в генеративных моделях для точного расчета плотности вероятности при сложных преобразованиях данных.Оптимизация и обучение: Ускоряет поиск минимума функции потерь в сложных архитектурах. 2/ алгоритмы топологической сортировки Тарьяна (Tarjan SCC) Алгоритм Тарьяна для поиска компонент сильной связности (Tarjan's SCC) за один обход в глубину (DFS) находит все изолированные циклы в ориентированном графе. Он использует массив времени входа (ids), массив минимально достижимых вершин (low) и стек для сбора компонент за линейное время \(\mathcal{O}(V + E)\). -> зачем? Применение в ИИОптимизация нейросетей: Сжатие циклических графов вычислений (например, в RNN) для поиска порядка слоев.Автоматическое планирование (AI Planning): Анализ зависимостей между задачами агента для поиска тупиков (дедлоков) и циклов.Семантические сети и Онтологии: Поиск эквивалентных или взаимозависимых понятий, образующих циклы в графах знаний.Компиляторы DSL для ML: Определение порядка выполнения операций и оптимизация потоков данных (dataflow graphs). https://ru.wikipedia.org/wiki/%D0%90%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC_%D0%A2%D0%B0%D1%80%D1%8C%D1%8F%D0%BD%D0%B0

Google настолько давно не обновляли Pro-модель, что её обогнали собственные модели из семейства Flash. Вчера с помощью видеоанализатора искал в записи нашего с Пашей эфира момент, когда AI-агент решил засветить на весь интернет SSH-ключ. Чтобы скрыть этот момент на записи. Там отрывок меньше двух секунд. В самом конце стрима. Мы реагируем на эту оплошность, поэтому я прямо проговариваю "надо будет это заблюрить". Gemini 3.1 Pro Preview (вроде уже устарел, но из состояния "preview" так и не вышел) на протяжении трёх попыток галлюцинировал, придумывал отрезки видео, путал таймкоды и в итоге не дал никакого полезного результата. Переключился на Gemini 3.7 Flash и получил нужный отрезок с первого раза с подробными комментариями по тому, что происходит в видео. Получается, что для анализа содержимого видео у Google лучше всего на текущий момент справляется именно 3.7 Flash. Пробовали уже эту модель в каких-либо ещё задачах? p.s.: Кстати об изображении в медиа поста. Это все доступные модели Google с видео на вход. При всём своём кладбище проектов, старые модели они хоронить совсем не торопятся.

📅 TL;DR недели 33 Попробуем такую рубрику для занятных Неделя открытых весов: три релиза подряд, и каждый по-своему про то, что фронтир протекает вниз. Meta первой за полтора года выложила открытую модель — Muse Glimmer 30B, dense, Apache 2.0, заточенная под локальный запуск. Я потратил на неё день на MacBook Air M5 и написал большой текст: 7 квантизаций, линейная кривая скорости, спекулятивный декодер DFlash, который вместо обещанного ускорения дал −60%, и неожиданный пол по размеру файла, на котором ломается модель «всё решает пропускная способность». DeepSeek тихо, без ивента и блог-поста, подменил алиас на V4-Pro-0813. Архитектура та же, всё интересное в посттрейне: Terminal-Bench 2.1 с 72 до 88, DeepSWE — рост в пять раз. При цене $0.435/$0.87 это примерно 57× дешевле Fable 5 за 0.1 пункта разницы. Оговорки важнее цифр: бенчмарки вендорские и мерялись собственным харнессом, независимый AA Index даёт 53 против 63 у Opus 5, зрения нет вообще, а цены обещают поднять. В тот же день харнесс открыли под MIT — разобрал его отдельным лонгридом. Qwen выкатил сначала 2.4-триллионный Max, а следом то, чего все ждали — 3.8-27B. Apache 2.0, 262K контекста, ~17 ГБ в четырёх битах, то есть одна потребительская видеокарта. Сравнивать его с прошлым поколением скучно, поэтому сравнил с GPT-5 годичной давности: на одном снапшоте индекса даже апрельский 3.6-27B уже обгоняет флагман августа 2025. Если заявленные цифры 3.8 переживут независимую проверку — это уровень Gemini 3.1 Pro и Opus 4.6 дома за стоимость электричества. Плюс Grok 4.7 с удвоенными лимитами в Cursor и Grok Build, а в выходные смотрели — четырёхчасовой видос про ffmpeg Пишите, что вы думаете про такой формат. #TLDR @techn0danya

Где сложно, нет конкуренции. У меня друг занимается бегом с тренером - тот работают как пейсер, тренирует выбежать из какого-то определенного времени. То есть тренер бежит очень круто, а друг за ним. Ну мало ли какие у людей интересы! Я вот посты писать люблю, бегать на скорость - нет! Так вои история! Тренер заболел, говорит, можно я вместо себя другого пришлю, пока бегать нельзя. Ну ок. В итоге приезжает сам, но на велосипеде - чтобы ехать, а не бежать. Говорит: написал в чаты, где много тренеров, все спросили а с кем бежать, когда узнали, что мужик и скорость большая, то такие: а нет, неохота работать. И никто не подхватил. Поработать налегке - многим ок! А напрячься - уже почти никому. Всегда об этом думаю, когда устаю от чего-то. Неделя у меня была шестидневная эта и прямо лютый интенсив. И я тут думала поныть, а потом сижу и понимаю, что ровно поэтому у меня популярность и активная работа. Потому что на этом уровне интенсивности уже мало людей. И перестала ныть! Короче, не нойте, когда увидите завтра сложную задачу. Это уже редкий навык - такие задачи решать 🔥 #каждыйденьлета

Статические vs динамические QR-коды QR-коды сегодня играют важную роль в упрощении платежей для бизнеса. Статичные QR-коды содержат неизменяемую информацию о получателе, сумме и назначении платежа. Они отлично подходят для фиксированных сумм и легко создаются, что делает их бюджетным и простым решением. Такой формат часто применяют в кафе, магазинах и ресторанах. Динамичные QR-коды формируются индивидуально под каждую операцию и действуют ограниченное время. Это повышает уровень безопасности и даёт возможность гибко менять платёжные данные. Кроме того, они позволяют собирать данные и отслеживать платежи, но требуют более сложной технической реализации и интеграции с платёжными системами, что увеличивает затраты. Выбор между статичными и динамичными QR-кодами зависит от конкретных задач бизнеса и ожиданий клиентов. Фаундер | Бизнес и Стартапы

КАК СТРОИТЬ МАРКЕТИНГОВУЮ МАШИНУ НОВОГО ВРЕМЕНИ Уже несколько месяцев пользуюсь Wispr Flow. Одна из немногих AI-штук, которая в разы подняла мою продуктивность. Почему-то был уверен все это время, что Wispr небольшой стартап, которых на рынке voice-to-text решений полно. В том числе бесплатных и опенсорсных. Можно навайбкодить за вечер под себя персонально. А оказалось, что на последнем раунде Wispr оценили в $2 млрд. Годовой ретеншн 70%, рост пользовательской базы в 100 раз за год, среди которых сотрудники большинства компаний из Fortune 500. Ещё мне казалось, что вырос он целиком на органике. У меня-то он появился именно так: кто-то рассказал, потом я сам рассказал про него, и вот уже второй раз пишу пост в этом канале. А оказалось, что под капотом у них мощная маркетинговая машина. Сеть из 250+ креаторов, каждый делает по 3-10 роликов в неделю. Больше 100 интеграций в email-рассылках каждый месяц (да, рассылки там отлично работают и стоят дорого). Плюс многомиллионный бюджет на платный трафик, которым управляет всего один медиабайер, так как значительная часть процессов автоматизирована через AI. Наткнулся сейчас на подкаст с Мэттом Свулински, который строил этот маркетинг с нуля. Сделал саммари и показался интересным его тезис. Большинство айтишных стартапов до сих пор пытаются расти в первую очередь через контент, SEO, рефералки и органику. А Мэтт предлагает учиться у екома, где бизнес с самого начала строится вокруг платного трафика: много креативов, быстрые тесты и постоянное масштабирование того, что сработало. И включать платный трафик не тогда, когда продукт под него допилен, а как только ты можешь это хотя бы нормально измерять. Чтобы сразу докручивать экономику, связки и креативы. Как итог, чтобы запустить органику и виралку, о которых мечтает любой стартап, нужно как можно раньше научиться начать заливать платный трафик.