Очень правильная постановка вопроса в позавчерашней статье на New York Times: если так много умных экспертных людей, и так много данных, то почему никто не может сказать, что реально происходит на рынке труда (под влиянием AI) — и будет происходить дальше? Ну то есть да, очень много мнений и убедительных интонаций. Но почему в этих мнения так много противоречий? Что говорит автор текста: • Существующая система макроанализа и данных (в основном, государственная) не подходит для описания тех явлений и изменений, которые мы наблюдаем и пытаемся измерить • Эти данные ещё и постоянно опаздывают • Большая проблема с интеграцией показателей, в том числе методологической — в итоге они описывают противоположные тенденции • Сложности с атрибуцией — эксперты могут приписывать тенденциям системный характер, тогда как это скорее наложение уникальных обстоятельств и кризисов • Отсутствие надежной методологии прогнозирования на 3-5-10 лет Ну и очевидно, что это касается не только влияния AI на профессии, но и в целом — рынка труда, образования, бизнеса и экономики. Переведённый пдф в комментариях. → https://www.nytimes.com/2026/07/02/business/economy/ai-economy-data.html

Американский ИИ-стартап Manifest OS Даниэля Мишина привлек $60 млн от Menlo Ventures, Kleiner Perkins, First Round Capital и Quiet Capital. Сделка была закрыта в апреле этого года. Оценка стартапа составила $750 млн. Manifest OS в 2024 году основал серийный предприниматель Даниэль Мишин. Ранее он запускал в США маркетплейс аренды жилья June Homes [в 2025 году было объявлено о слиянии компании и нью-йоркского оператора коливингов Outpost]. Manifest OS - это платформа, предоставляющая ПО на базе искусственного интеллекта для юристов. Как рассказал сам Мишин в подкасте Оскара Хартманна, В США в 3 раза больше юристов, чем в любой европейской стране, и в 10 раз больше, чем в Китае на душу насления Европе или Китае. При этом американский юридический рынок предприниматель назвал “очень закрытым и очень зарегулированным”, участники которого тратят на неюридическую работу ⅔ времени. Manifest OS решает эту проблему, взяв на себя ту часть работы специалистов, которая не требует лицензирования. Речь идет о закрытой экосистеме для специалистов, позволяющую вести календарь, обрабатывать входящие заявки, составлять документы и выставлять счета. Кроме того, компания предлагает централизованный бэк-офис для предоставления фирмам помощников юристов и административного персонала. По словам Мишина, решение позволяет в 3-4 раза увеличить продуктивность каждого юриста. В Manifest OS открыты для сотрудничества с юристами, начинающими практику во всех 50 штатах США. Также СМИ пишут, что компания будет поощрять аффилированные фирмы к внедрению фиксированной платы и результатов, для чего она готова предоставлять рекомендации по ценообразованию на основе анализа рынка. @rusven

Я попросил у OpenAI Codex: а собери мне скелет AI Native проекта под мою задачу (5 минут объяснения про платформу для выгрузки видео про AI Coding, практических примеров и обсуждений на ~200 человек). Задачку я запустил из Control Center в Agentic Loop режиме (goal mode) и сказал, какие блоки из каких уже подключенных к центру проектов брать. В этот раз получилось сильно симпатичнее, чем обычно. Почти нет желания доделывать. Пару странных решений Codex втихую протащил, но никаких самопальных тестов в этот раз, что уже прогресс. Дальше - зачистить напильником шероховатости (чтобы задать тон будущему коду) и завести BDD спеки (SDD без вайб-зависимости). Очень круто видеть, как с каждым месяцем путь от идеи/эксперимента до первых MVP все больше сокращается! Ваш, @llm_under_hood 🤗

Как работать с Claude эффективно через проекты: До недавнего времени вела проект по своему Instagram-блогу в одном чате Claude: рилсы, карусели, посты, аналитика. Приходилось каждый раз давать тз, контекст, инструкция противоречила сама себе. Разложила по 6 проектам: говорящие рилсы, виральные рилсы, карусели, посты канала, визуалы, аналитика. Отдельный проект эффективен, когда у задачи есть свои уникальные правила. Пример: у говорящих рилсов важны польза и экспертность. У виральных — хук и звук, экспертность не нужна. Свалишь в одну инструкцию, будет противоречие. Как работать с проектами в Claude: 🔺 Добавлять инструкцию и файлы в проект (это разные сущности). Инструкция задаёт правила, файлы — референсы и уточнения. Все это чтобы вы не писали контекст в чат каждый раз, проще один раз сделать клевые инструкции чем каждый раз в попыхах. 🔺 Пишите в правила так же и то, что ему НИКОГДА не делать 🔺 Живое правило (тренды, цифры) пишу как принцип «сверяйся с актуальным», а не как конкретную цифру, иначе устареет 🔺 Инструкцию и файлы делайте с Клодом: накидайте контекст, попросите собрать структуру, доправьте руками 🔺 После 3-5 чатов дополняйте, первая версия не финальная Работаете с проектами в Клод?

Бенчмарк Anthropic Fable на бизнес задачах после лоботомии @AigizK успел сделать бенчмарк Anthropic Fable до того, как его закрыли. Тем интереснее стало сравнить на том же бенчмарке новую экспортную версию после открытия заново. И там получается грустная картинка. Новый Anthropic Fable урезали настолько, что модель упала с 12 места на 39ое в нашем бенчмарке. Основная причина - 15 пустых ответов с stop_reason=“refusal” там, где раньше были ответы. Просели тщательно подобранные, но совершенно безопасные задачи на кодинг и интеграцию. В общем, с такими параметрами и стоимостью, особого смысла использовать Antropic Fable - нет. GPT-5.5 сильно лучше и куда дешевле. Ваш, @llm_under_hood 🤗

StiTching Мне сегодня нужно было сшить кожу на пальце, и в процессе этого перформанса я вспомнила про model stitching. Чтобы скрасить время — врачебное и моё — начала рассказывать зачем это надо. Без понятия, зашло ли хирургу и медсестре, но зато я обнаружила для себя интересный тейк на поделиться с вами = ) Что:

Model stitching как идея появился в 2015 году. Его выдвинули как метод изучения эквивалентности двух сетей, но математическая эквивалентность здесь мимо не проходила — она, более того, не верна — авторы назвали два представления эквивалентными, если существует преобразование между ними, в математике мы требуем аксиом).

Тогда это осталось нишевым инструментом для картинок — юзали AlexNet-ы. Потом в 2021 NeurIPS идею дооформили, вышли две работы: Similarity and Matching of Neural Network Representations и Revisiting Model Stitching to Compare Neural Representations. Кстати, в первой работе шутили про Франкенштейна (или нет). Как это стало устроено: Смотрим на две обученные и замороженные сети A и B. «Сшитая» модель строится так: • берём нижние слои сети B (front model, представление r = B≤ℓ) • между ними ставим тонкий обучаемый stitching layer — единственный, кто обучается • подключаем к верхним слоям сети A (top model, A>ℓ) То есть делаем бутерброд из белого и темного хлеба, если хотите. А формально ищется простейший слой, задачей вида: L_ℓ(r; A) = inf_{s∈S} L(A>ℓ ∘ s ∘ r) Где s — stitching layer, A>ℓ — верхние слои A, r — представление из B. s∈S — тут специально, мы ищем слой из класса простых слоев, а инфимум (inf), как математический знак, говорит нам, что stitching layer обязан быть минимальным: для свёрточных сетей — 1×1 conv с BatchNorm, для трансформеров — token-wise linear. Как именно обучают stitching layer: — HLM (hard label matching) — минимизируем ошибку на настоящих метках задачи. — SLM (soft label matching) — минимизируем расстояние до предсказаний end-модели, а не до ground truth. — DM (direct matching) — напрямую минимизируем расстояние между активациями на уровне stitching. — FuLA (functional latent alignment, Athanasiadis et al., 2026) — stitching layer обучается имитировать не только выход end-модели, но и её внутренние процессы послойно (на пальцах плохо — надо читать). Метрика успеха — stitching penalty = разница между ошибкой сшитой модели и ошибкой базовой A. Penalty ≈ 0 означает совместимость. Penalty < 0 — сшитая модель стала лучше базовой, то есть мы буквально подсадили ей более сильные нижние слои. Зачем это нужно: Смотрим на фиолетовую/рыжую цитату — изначально — метрика сходства. Но потом пошло интереснее. Например, Stitchable Neural Networks (CVPR 2023) можно семейство предобученных моделей разного размера (например, Swin-Ti/S/B), сшить и получить модель, которая во время инференса может динамически переключаться между режимами accuracy/efficiency или T-Stitch: ускорение диффузионных моделей через замену первых шагов денойзинга на более лёгкую сеть и возврат к тяжёлой для финального качества. Это что, пахнет LoRA? Эту мысль я обдумывала при знакомстве со stitching. Вдруг она не возникла у вас — я опеределиа. Да: оба метода замораживают предобученные веса и вставляют тонкий линейный слой. Но нет: LoRA адаптирует одну модель к новой задаче, stitching измеряет совместимость двух уже обученных сетей на старой задаче. Финал не придумала, но stiting — одна из штук, висящих у меня на "идеи для рисерча". А ещё — просто вдумайтесь! Этот AI-мир можно сшить! Хирург, кстати, ничего не спросил, но швы наложил нормально. Аккуратнее будьте, друзья, и будьте здоровы! 😌

#Нейропрожарка CyberKolobok - Episode 1 Автор: Vitaly Mostovoy https://www.behance.net/druidmusicai-video Телеграм: @VitalyMostovoy 🛠 Решил запилить нейрослопчанского с минимальным сюжетом, в стиле переосмысления сказки про колобка в кибер сеттинге ⏱️ Срок: примерно 5 часов 💡 Идея пришла в голову довольно давно, но руки не доходили реализовать на практике, но вот выдался свободный вечер и решил уже закрыть гештальт. Косяки с консистентностью и некоторые артефакты не стал править специально, оставил как есть, чисто ради эксперимента закинул ролик в инсту с ютубчиком, и внезапно он стал люто набирать просмотры, на данный момент более 3М просмотров в ютубе и инсте, видимо, такого рода контент почему-то людям зашел. И подписоты набежало тысячи их. Даже немного обидно, есть видосы, в которые реально душу, ресурсы и время вкладываешь, а они никому не вперлись по итогу. Ну, значит, продолжаем наблюдение за алгоритмами, такскть, запилил еще 3 эпизода - ну они уже не залетели, однако подписочники от них продолжают прибывать, что уже неплохо 🔎 Что я использовал (решил обойтись минимумом инструментов): • Seedance 2 - анимация • GPT, NB Pro - статика • Suno - саундтрек (без фиброзного вокала, разумееццо)) • Premiere Pro – монтаж @cgevent