Недавно YC Startup School выпустил видео со своей бесплатной образовательной программы для основателей стартапов. Всегда очень вдохновляюсь, когда супергерои, построившие классный бизнес, приходят с живыми выступлениями и рассказывают про свои уроки. Вот кто был крашем из выступающих у меня в этот раз. Jensen Huang — «The Mindset That Built NVIDIA» Хуанг рассказывает, как NVIDIA начинала не с той технологии, освоила нужную по трём учебникам из Fry's и в итоге совершила ключевые прорывы в современных вычислениях. [YC Library: Jensen Huang](https://www.ycombinator.com/library/Tq-jensen-huang-the-mindset-that-built-nvidia) Boris Cherny — «Building Claude Code» Интервью с Дианой Ху сразу после запуска Opus 5. Черни рассказывает о том, как создавался Claude Code, на что способны новые модели и как строить продукты, когда возможности ИИ так быстро растут. [YC Library: Boris Cherny](https://www.ycombinator.com/library/UN-boris-cherny-building-claude-code) Dmitri Dolgov — «The Demo Is Only 1% Of The Work» Со-CEO Waymo про то, что демо — это лишь 1% работы: показать, что беспилотная машина умеет ездить, заняло 18 месяцев, а довести это до полноценного продукта — 15 лет. Долгов говорит про world models и closed-loop симуляцию, которые Waymo использует в разработке, и подчёркивает ключевое отличие физических систем от софта: в реальном мире ошибка стоит куда дороже, чем токен, поэтому автономный транспорт требует несравнимо более строгого тестирования, чем обычные продукты. [YC Library: Dmitri Dolgov](https://www.ycombinator.com/library/WV-waymo-co-ceo-dmitri-dolgov-the-demo-is-only-1-of-the-work) Все выступления можно посмотреть здесь: [YC Startup Library](https://www.ycombinator.com/library)

Context-1 — поисковый агент, который умеет избавляться от лишнего. Часть 2/2 Продолжаем изучать агент Context-1. В первой части мы рассмотрели, что это вообще такое и какие задачи перед собой ставили авторы. А в этой части поговорим о метриках и обучении. Для оценки качества ответа авторы предлагают использовать четыре метрики: Final answer found (смогла ли модель найти документ с правильным ответом в выдаче), Recall (доля релевантных документов, которые выбрала модель, от общего числа релевантных документов), Precision (число релевантных документов, которые модель отвергла) и FB (среднее гармоническое Recall и Precision; идея авторов в том, чтобы штрафовать модель за отбор нерелевантных документов только под конец обучения). Также предлагают рассматривать Trajectory recall, оценивая качество траекторий и поощряя модель за отбор нужных документов и не награждая чрезмерно за случайное нахождение верного ответа.  На SFT авторы генерировали некоторое количество траекторий с помощью Kimi K2.5. Дальше заводили RLVR на модели gpt-oss-20b с LoRA. Вместо GRPO применяют CISPO — модификацию, которая позволяет лучше бороться с энтропийным коллапсом. Что касается реворда, то здесь на модель накладываются два штрафа: за уменьшение контекста несколько раз подряд и за количество шагов (если их больше 64). В результате модель научилась чаще работать с параллельным вызовом инструментов и лучшему прунингу в сравнении с базовой gpt-oss-20b. А число шагов в траекториях сократилось. С результатами по четырём доменам — веб, финансы, юридическая информация и электронная почта — можно ознакомиться в первой таблице.  Обратите внимание, что Context-1(4x) — это конфигурация, на которой запущено сразу четыре агента, а результаты их выдачи объединены с помощью метода Reciprocal Rank Fusion. Авторы отмечают, что даже в таком случае требуется меньше ресурсов, чем на запуск крупных моделей. Что же касается опенсорсных бенчмарков (таблица 2), то тут оценивалось, есть ли финальный ответ в документах, которые выбрала модель.  В финале авторы отмечают, что им не хватает разнообразия задач — все они представляют собой таски вида «найди что-то в ворохе документов». Также в работе говорится, что потенциально к используемым инструментам можно добавить и тулы для написания кода, и оркестратор. Наконец, предлагается поработать над менеджментом контекста: например, сохранять какое-то минимальное количество информации из выкинутых документов или суммаризировать большие страницы.  Разбор подготовил ❣ Владислав Пыж Душный NLP

гайз, я тут на днях по долгу службы отсмотрел топ-500 скиллов, из них ~топ-50 потестил руками. подумал, вам оно интересно, аля обзор? ну типа там всякие бандлы в духе superpowers, matt pocock, corey haines, что в них топ, что в них кал, etc. я понимаю, что с такого рода контентом я года на 1.5 отстал, и мне даже как-то стыдно про это писать - наверное, про те же superpowers норм каналы с психически стабильными не выпадающими из жизни авторами уже тысячу лет назад всё написали, но вдруг 🙂 в общем, контент потненький, зазря делать лениво, но если кому-то оно надо - почему бы и нет. давайте так: • 👍палец вверх - если надо • 💩какашку - если не надо • коммент "не спеши, в 2027 про них напишешь", если контент ещё не дозрел

🛠️ Метод По существу предлагается не так уж много: - 📐 Берем квадратичное разложение. Вместо полного Гессиана (матрицы Фишера) берем диагональ, а ее оцениваем через статистики Адама (которые у нас и так есть). - ⚖️ Диагональ Фишера используем для подбора оптимальных скейлов при заданных квантованных значениях (кодах). Перебирая общий скейл-фактор, находим оптимальные коды. - 🔢 В основном фокусируются на INT2/3/4, но еще рассматривают и NVFP4, где скейлы перебираются по FP8-сетке. Дальше много всякой теоретической лабуды, которой я не читал. 🧪 Эксперименты Для валидации метода рассматривают QAD (дистилляцию на логитах исходной модели) предобученных Qwen3-4B-Thinking-2507 и Llama-3.1-8B-Instruct, а также SFT Qwen3-4B-Base. По бенчам в 2 битах оно заметно лучше QAT/PTQ-бейзлайнов, в 3 и 4 битах разница не столь существенна. Лосс на обучении ниже и стабильнее. Ablation показывает, что все компоненты дают пользу: - 🧠 Hessian-aware взвешивание - 🔍 Поиск скейлов Итоговый оверхед якобы небольшой — замедление шага обучения всего на 1,5% против стандартного QAT со STE. 🧾 Выводы Вроде бы несложная модификация STE, потенциально улучшающая качество. Но эффект провалидирован только на небольших моделях (обучение без FSDP, по всей видимости). Для больших моделей аншардирование статистик Адама может приводить к нетривиальному замедлению. Кроме того, нынче модно учить с Мюоном, а там аналога такой кривизны просто нет. При этом Мюон со STE может быть и не хуже Адама с прибамбасами, кто знает. Но для лечения GGUFов тема вполне рабочая.

Voice Mode в ChatGPT — это лучший коуч по английскому У меня есть задача научиться классно выступать и говорить на английском. Я долго и занудно искал себе коуча, проводил собеседования, знакомился, платил денюшки. А теперь ChatGPT делает то же самое за ту подписку, которую я уже ей плачу. И делает это на удивление хорошо. Сегодня я гулял с собакой [нашему сладкому пирожочку уже скоро год] и за час нейронка помогла мне найти и начать менять коммуникативные паттерны: • привычка к длинным переусложнённым предложениям • монотонный ритм внутри предложения с ростом или падением интонации к концу • отсутствие гибкости в ритме и интонациях То есть эта шайтан-машина слышит интонацию и ритм! Она перебивает, корректирует по ходу, гибко подстраивается под запрос и контекст. Почему лучший коуч? Потому что доступен сразу и входит в твою подписку. Не требует определённого времени. И можно просить его вайбкодить тебе тетради для практики и может давать обратную связь на тексты. Прикиньте! Я не знаю зачем нужны скайенги и преподаватели по английскому. Я абсолютно mindblown 🤯

Проклятие незнания. Слепая зона учебного процесса В детстве автору дали вскопать участок, а камни сбрасывать в кучу. Он провозился полчаса на одном квадратном метре, углубившись на две лопаты, потому что решил, что главное тут очистить землю от камней. А надо было просто вскопать на штык и подготовить грядку под посадку. Камни были делом десятым. Ровно это происходит на любом занятии, где учитель видит конечную цель, а ученик нет. Класс пишет один диктант, но Маша выводит красивые буквы, Дима следит за орфографией, Катя воюет с запятыми, Вася обдумывает сюжет, а Петя правит стиль как начинающий писатель. Формально все заняты одним и тем же, а на деле отрабатывают разные навыки, каждый по своей внутренней шкале важного. При равных способностях результат выходит разный, и годами преподаватель не мог понять почему. Пока не дошло, что студенты не просто путают, что здесь первично, а что нет. Они искренне уверены, что всё понимают.

Знаете, что больше всего меня бесит в некоторых студентах? В неумении "смотреть по сторонам" и "копаться". У меня не открывается файл? Задай вопрос гуглу или ИИ-чату, в чем его можно открыть. В этом браузере у меня не так, как у тебя? Попробуй использовать другой браузер. Ссылка не работает? Наверное, стоит сначала проверить с VPN. Если и с ним проблемы, то тогда я помогу. У меня не те данные? Так это же твои данные, они могут отличаться от моих. А здесь кнопка выглядит по-другому? Да, интерфейсы меняются. Источник правды к ним всегда один – официальная документация. А еще многое зависит от того на какой ОС вы работаете; десктопная, мобильная или веб-версия открыта. SQL вернул ошибку? В ошибке есть указание, что не так. Его просто нужно прочитать и исправить. И таких примеров у меня очень много.

Самостоятельности на курсах не учат, вы уже должны приходить на них с этим навыком. Не всегда есть ровный алгоритм, повторение которого 100% закроет все задачи.

Вот тут я как-то собрал подборку советов "Как правильно учиться?". Не поленитесь почитать. А на работе будет еще хуже. На курсах я стараюсь всегда отвечать, а вот в реальной команде – это не всегда так. В эпоху ИИ меня это удивляет еще больше... Нам дали мощный инструмент на данный момент, но им не пользуются! #обучение | все курсы |материалы по тестированию | видео

Провела внутренний мастер класс по ИИ для коллег. Показывала очень конкретные примеры того, как работаю с диском, таблицами и данными, превращаю их в дашборды. Несколько мыслей по итогу: 1. Всего полгода назад я не умела ничего из того, о чем сегодня не рассказывала. По внутренним ощущениям кажется, что я уже вечность с ИИ, но нет - продвинутое взаимодействие я начала в январе-феврале. А умную ИИ-систему построила всего месяц назад. 2. Вторая мысль грустнее. Я хотела, чтоб ребята ушли с ощущением - О! Я тоже так смогу! Но мне кажется, что все ушли с ощущением, что все это очень сложно. И далеко - недостижимо. И надо у кого-то долго и сложно учиться. И тут повторюсь, я полгода назад была в этой точке. Добежать до моего уровня можно очень быстро при желании. Но мне кажется, мне не поверили, что это реально просто можно освоить. 3. Работать с документами. таблицами и дашами через коннекторы и MCP - лучшее, что случилось в моей рабочей жизни. Сокращает недели, месяцы рутинного труда. Я тут совершенно точно не преувеличиваю оценку. 4. Такие воркшопы с обменом опытом - лучше всего продвигают в технике взаимодействия с ИИ. Видишь, как рабочую задачу решает коллега, пробуешь решить ее также = осваиваешь новую ступеньку. Просто надо делать это регулярно. Я почти каждый вечер и каждую субботу что-то «пилю» в своей ИИ-системе. Не считая того, что ежедневно активно использую в работе. 5. Мне говорили - ну что там готовиться? Придешь расскажешь как что делаешь. Кажется во мне ноль импровизации))) я упоролась: разработала структуру этого МК, превратила в интерактивный чек-лист, сделала раздатку про подключения, собрала в кучу все материалы для демонстрации. Часа два готовилась вчера ночью. А потом еще плохо спала: металась между «никто не придет» и «придет неуправляемо много людей». Рада, что провела. Но с моим уровнем ответственности это было вообще не легко. Надеюсь, ребятам будет полезно. В общем, как ваш ИИ-амбассадор, призываю - продолжайте пробовать и не бойтесь. Шаг за шагом все освоится. Любовь на удаленке | Оля Сохнева #ИИ_наудаленке

Люди часто выбирают в качестве своего первого проекта платформер. В этом нет ничего плохого, особенно если потратить на него месяц и затем перейти на что-то другое. Для наработки опыта самое то. Хуже, когда делают платформер в качестве коммерческого проекта. Дело в том, что это самый перенасыщенный жанр, а это значит, что выделиться на фоне остальных проектов не просто сложно, а практически нереально. Но если вы всё же надумаете двигаться в этом направлении, почитайте о том, как делать платформеры правильно: 1) Записка с основными тезисами по платформенной физике: https://2dengine.com/?p=platformers 2) Отдельная лекция о том, как сделать хороший прыжок: https://www.youtube.com/watch?v=hG9SzQxaCm8 А также статья по мотивам видео выше. https://superyateam.com/2019/10/29/setting-up-ue4-character-jumps/ 3) Как спроектировать уровень для платформера: https://gamin.me/posts/12592 4) Большой материал о тонкостях работы с камерой в 2д платформере: Первая часть: goo.gl/v92zpM Вторая часть: goo.gl/ZQvjLs

📊 Подведём небольшие итоги опроса про практику

Довольно интересный у нас получился опрос 🙂

Возможно, результаты ещё немного изменятся, но на данный момент картина такая: 🔵 Hack The Box — 43 голоса (35%) 🟢 TryHackMe — 42 голоса (34%) 🟠 PortSwigger Web Security Academy — 26 голосов (21%) 🟣 Свой вариант — 12 голосов (10%) Всего проголосовало 123 человека. И что самое интересное — HTB лидирует всего на один голос 😄 Честно, ожидал чуть большего разрыва. В комментариях уже написали, что некоторые, возможно, недооценивают PortSwigger — и с этим сложно спорить. Особенно если речь идёт именно о web-направлении: там огромное количество очень хороших лабораторий, и многие темы можно отрабатывать буквально по шагам. Но пока факт остаётся фактом:

🥇 Hack The Box впереди всех.

Совсем рядом идёт TryHackMe, поэтому по факту у нас получилась почти ничья. Я сам, кстати, довольно часто зависаю именно на TryHackMe 😄 Но тут всё просто — в своё время взял новогоднюю подписку с очень большой скидкой, поэтому теперь стараюсь использовать её по максимуму😄. При этом, как мне кажется, у каждой платформы своя сильная сторона: 🔵 HTB — ближе к самостоятельному поиску решений и полноценным цепочкам атак. 🟢 TryHackMe — отлично подходит для последовательного обучения и закрепления базы. 🟠 PortSwigger — очень сильная площадка именно для практики по web security. Поэтому после опроса, я понял, что вопрос был сформулирован не совсем правильно🤔

«Какая платформа лучше?»

Скорее:

«Какая платформа лучше именно для вашей текущей задачи?»

Если только входите в тему — одна. Если хотите больше самостоятельности — другая. Если качаете web — третья. И отдельный респект тем, кто написал свои варианты в комментариях — GOAD, SIEM + BadBlood и другие стенды тоже точно заслуживают внимания. Так что опрос получился реально полезный. Теперь хотя бы видно, чем в основном пользуется наше сообщество 👌 #опрос #практика #htb #tryhackme #portswigger #pentest

Хорошие ошибки То есть, у нас есть хорошие и плохие ошибки. На мой взгляд, критерием как мы можем отличить «хорошую» ошибку от «плохой» являются два вопроса: 1. получим ли мы новое знание от этой ошибки 2. может ли ошибка принести значительный ущерб Значительный — больше чем мы планируем потерять. По тому как процессы работают с отклонениям их можно расположить между двумя полюсами: 1. процессы, где отклонение приведет к значительной неудаче, катастрофе или аварии. Это обслуживание и управление самолетами, работа атомных электростанций, содержание опасных вирусов, управление машинами, массовое производство и тому подобные процессы. 2. процессы, где вариативность можно и нужно наращивать. Творчество, создание кинофильмов, поиск новых сплавов и/или материалов, разработка новых идей, поиск новых вирусов или молекул лекарства и так далее. Если мы хотим получить что-то новое — то надо начать делать неожиданные вещи. Понятно, что не надо хаотично дергать руль автомобиля, но попробовать новый варианты доехать до работы или с работы или попробовать новую кухню — хороший вариант. То есть, в ряде процессов нам надо наращивать вариативность или количество разнообразных ошибок. Можно запланировать систему, которая будет искать эти «полезные ошибки». Равно как Талеб предложил построить антихрупкую систему, которая за счет ошибок становится прочнее, точно также можно и настроить систему, которая будет искать эти новые возможности, и в том числе за счет ошибок — будет становится лучше. В обучении есть интересный парадокс: самое полезное для нас знание мы узнавали случайно. То есть, благодаря какой-то ошибке и какой-то вариабельности процесса. #ЧФ #ошибки

Чему нас, вайб-кодеров, может научить гитарист Арии? В 1992 году Сергей Терентьев (тот самый, который потом в Арии играл) поехал с туркменской группой «Гунеш» на гастроли в Китай. Гитару отправили поездом наперёд, а сам он с музыкантами трясся в вагоне трое суток без инструмента и без нот. На руках только кассета с программой и наушники. Три дня в поезде он крутил эту кассету и в голове разбирал каждую партию (гитары-то с собой нет!). Пальцами по колену, глазами в потолок, мысленно перебирая струны, которых нет. Приехал, достал гитару из багажа, вышел на сцену и отыграл. Вот это, ребята, true skill. Гитары нет, а музыка в голове уже готова. Инструмент нужен только чтобы её вытащить наружу. К чему я это. Смотрю сейчас на вайб-кодинг и вижу, как многие путают одно с другим. Наличие клода в подписке принимают за наличие скилла. Открыл Cursor, накидал в промпт "сделай мне SaaS для барбершопов" и ждёшь чуда. На выходе AI слоп, гора кода, которая вроде работает (а главное можно похвастаться что 60К строк код в день делаешь!), но при первом же нестандартном юзкейсе рассыпается, и ты не понимаешь почему. А теперь представь другого чувака. У него в голове уже играет архитектура. Он понимает, как ляжет база, где будет узкое место при росте, какой паттерн в этом месте уместен, а какой развалится. Ему клод нужен не чтобы придумать за него, а чтобы быстро набрать то, что он уже мысленно услышал. Клод для него - это гитара из багажа. Достал и отыграл. Разница между этими двумя ребятами не в скорости печати и не в подписке. Разница в том, что первый пытается научиться играть, впервые взяв инструмент в руки на сцене. А у второго кассета крутилась в голове последние 10-15 лет, и клод для него — просто способ вывести уже готовую композицию. Я сам год назад вернулся к коду после многолетнего перерыва и вижу это на своей шкуре. Моя кассета это память как все должно быть в основе в проекте - ORM, ActionMailer, SolidQueue, SolidCable, SolidCache, простой сетап ит д. Так что если ты только начинаешь, не покупай миф, что ЛЛМ заменит скилл. Она его усиливает, если он есть, и обнажает, если его нет. Учись слышать музыку без гитары. Гитара приедет.

Подписчица однажды спросила меня, как мотивировать детей учиться, когда все школьные домашки за минуту решаются ИИ. Я раз пять садился писать пост, но каждый раз стирал. Потому что я не знаю. И никто не знает: даже университетское образование безнадёжно отстаёт от всё убегающей вперёд реальности Ясно только, что: 1. Надо мотивировать учиться самим. Да, ИИ может решить всю школьную программу, но её суть не в том, чтобы сдать экзамены, а в том, чтобы научиться думать. 2. От ИИ уже никуда не деться. Бесполезно запрещать его применять, пытаться детектировать в решениях, и так далее. Это приведёт только к тому, что дети научатся лучше прятать его применение. Но зато можно попробовать сделать процесс обучения более интересным с ИИ. Пусть он объяснит задачу по математике на примере любимого вида спорта ребёнка. В режиме голосового общения с ИИ можно попробовать учить стихи. Можно генерировать картинки для лучшего запоминания материала или просто ради забавы: пусть исторические персонажи летают на космических кораблях или сражаются волшебными палочками, если это поможет запомнить материал И совершенно точно нужно как-то учить детей осмысленно пользоваться ИИ: проверять материал, находить недостатки. Это навык, который точно нужен в современном мире и скорее всего будет ещё некоторое время актуален. Навык проверки информации вообще полезен, из какого бы источника она ни происходила А какие мысли у вас? Если в подписчиках есть родители, как вы подходите к обучению детей?

Stanford University выложил на YouTube полный курс по Agentic AI уровня graduate school — бесплатно. Курс называется CS329A: Self-Improving AI Agents. Всего 9 лекций от исследователей, которые работают над agentic LLM и системами, способными к самообучению. Что внутри: • агенты, которые сами генерируют данные для обучения; • агенты, которые проверяют собственные рассуждения; • агенты, которые сами придумывают задачи и пытаются их решить; • и главное — как создавать системы, которые могут самостоятельно становиться лучше. Начинается всё с фундаментальных вопросов — почему более крупные AI-модели обычно становятся умнее — и постепенно переходит к продвинутым архитектурам self-improving agents. Думаю много тут будет полезно. https://www.youtube.com/playlist?list=PLangBM27OtEA