Жизнь, ИИ и роботы Новая рубрика, где собираю интересные новости и открытия, вот на этой неделе так👇🏼 ✦ Искусственная клетка впервые начала делиться Биологи из Университета Миннесоты собрали систему из неживых компонентов. Она растёт, реплицирует ДНК и делится. Это ещё не «жизнь»: системе нужна подпитка, нет метаболизма и защиты, но это самая продвинутая искусственная клетка на сегодняшний день ✦ Zai выкатила ZCode 3.0: нативный IDE Среда разработки с мультиагентным режимом с интеграцией GLM-5.2. Автономное планирование, кодинг, ревью, деплой. Есть удалённое управление через Telegram, WeChat и Feishu. Китай усиливает конкуренцию в AI-coding ✦ OpenAI готовит клавиатуру для Codex В тизере показали компактный макропад. Похоже коллаборация с Work Louder. В устройстве отдельные клавиши под review, diff, plan, run, approve и другие действия агента ✦ Чтение мыслей: Meta* представила Brain2Qwerty v2 Система считывает активность мозга через MEG (без операций и имплантов), может восстанавливать текст, который человек молча печатает. Работает это так: сигналы мозга → модель угадывает буквы → собирает слова → LLM доводит текст до читаемого вида. Средняя точность пока 61-70% слов *Meta признана экстремистской организацией и запрещена в РФ ✦ AGIBOT: провёл шестидневную трансляцию работы гуманоидов Роботы G2 в прямом эфире работали на заводе: визуальный контроль планшетов, сортировка, перемещение материалов и др. Отработали 64 часа, заявлено, что выполнено 99,99% успешных операций Все выпуски тут: #интересное@EF9MERA 👀 EFEMERA

✔️ Cognition разработала архитектуру, которая снижает затраты на программирование на 35% Американская лаборатория прикладного ИИ представила гибридную архитектуру Devin Fusion для автоматизации кодинга.

На бенчмарке FrontierCode система снижает затраты на генерацию кода на 35% без падения качества.

Devin Fusion использует динамическую маршрутизацию и концепцию напарника. Система оценивает сложность задачи в реальном времени и переключает запросы между моделями с применением сжатия контекста. Тяжелая LLM планирует архитектуру, уточняет требования и проводит ревью. Легкий агент пишет базовый код, тесты и валидирует результаты. Для предотвращения конфликтов модели используют независимые кэши контекста.

В связке с GPT-5.5 и Claude 4.8 Opus архитектура экономит больше трети ресурсов, с Fable 5 - до 41%.

Внутри Cognition гибридная маршрутизация уже закрывает 88% успешных PR.

Главное ограничение системы в кейсах со сложной бизнес-логикой (например, в связке React/Redux). Избыточное делегирование кросс-файловых задач младшей модели снижает результативность почти в 2 раза.

Devin Fusion доступен только на платформе Cognition. @ai_machinelearning_big_data #news #ai #ml

Пока мир сходит немного с ума с нейронками по паспорту и опенсорс суверенными моделями, я решил начать читать настоящую базу - книгу Эванса по DDD. По ощущениям я снова оказался в той ситуации, где мне нужно разъяснение, а как код то писать надо. Первый раз меня подтолкнула книга "Чистая архитектура", где я понял, зачем интерфейсы вообще нужны. Пока что, прочитав 1 главу, которая посвящена тому, как говорить заказчиком про ТЗ, буквально. Мне этой проблемы не понять, может ранее программисты напрямую общались с заказчиком, а не через менеджеров, и им реально приходилось вытаскивать адекватные требования из людей. Да и не понял я момента, где он говорит, что должен быть поток обратной информации от разработчика. Однако довольно интересный момент в 1 главе есть. А именно замечание о том, что какие-либо правила системы не надо прятать в операциях, а надо выносить на уровень хотя бы методов. И делать это надо не ради расширяемости или чего-то еще, а что бы просто ментально было понятно, что тут не просто домножение на10 или деление на 3, а специальная операция для определенной цели.

North-Mini-Code-1.0-w4a16 Квантованная версия (4-бит вес, 16-бит активации) первой модели Cohere для разработчиков: управление подзадачами, анализ архитектуры, code review. * Архитектура: Sparse MoE на базе Transformer. 30B параметров всего, 3И активно. Высокая скорость, низкие требования к GPU. * Контекстное окно: 256K токенов для анализа репозиториев целиком. * Максимальный вывод: до 64K токенов. * Поддержка: нативные инструменты, чередующееся рассуждение (interleaved reasoning) через JSON-схему. * Обучение: платформы SWE-Agent, mini-SWE-agent, OpenCode, Terminus 2 для устойчивости в реальных средах. Сценарии использования: * генерация кода и тестов * рефакторинг legacy-кода * автоматизированный code review в CI/CD * локальный AI-ассистент для приватности * создание агентных пайплайнов для аудита безопасности и unit-тестов #MoE #reasoning #coding

Вот вам еще одно исследование, тоже вполне себе флеймовое. Авторы использовали серьезный набор данных — более 100 000 разработчиков GitHub плюс внутренняя телеметрия Microsoft по использованию AI-инструментов. Метод — сопоставленный событийный анализ (каждого, кто внедрил инструмент, сравнивают с близнецом-разработчиком на год раньше, чтобы отделить эффект инструмента от общей волны внедрения AI). Задача исследования — выяснить, как растет отдача по мере внедрения AI-инструментов и доходит ли эффект до конечного продукта. На уровне написания кода прирост огромный и растёт с каждым поколением. По числу коммитов накопленный эффект: ▪️ автодополнение — +40% ▪️ + синхронные (интерактивные) агенты — +140% ▪️ + асинхронные (автономные) агенты — +180% Но дальше по цепочке выигрыш стремительно затухает. Те же 180% по коммитам превращаются в +50% по числу проектов и всего +30% по фактическим выпускам. У синхронных агентов разрыв ещё нагляднее: +741% строк кода, +65% пул-реквестов — и лишь +20% релизов. Основная гипотеза, что происходит — в цепочке остаётся слабое звено, то есть человек. Громадный выигрыш в разработке и генерации кода дальше упирается в живого ревьюера — code review это же очень важная стадия, как можно доверять тупой машине? — и там и пропадает. Кстати, аналогичную картину авторы видят в приложениях в App Store, Chrome и Google Play — количество новых приложений выросло значительно, но общее использование приложений по площадкам осталось прежним. Подавляющее большинство новых приложений не смогли набрать даже минимальную аудиторию. Собственно, это полностью согласовывается с общей идеей — узкое место просто переехало в маркетинг приложения. https://www.nber.org/papers/w35275