Делюсь IQ-развлечением с ИИ Понравилось решать графически IQ-тесты/загадки совместно с GPT - кто круче, я или он? Как получилось: искал бесплатный или недорогой IQ-тест для сотрудников, порекомендовали https://ru.iq-test.cc Решил сначала на себе проверить. Несколько задач - не справился. И прямо казались «бредовыми», может ошибка в тесте? Дал GPT, он решил и дал объяснение. Вау. Начал другие вопросы из этого теста ему подкидывать. Интересные выводы: 1️⃣ он оказывался умнее меня где за графикой скрывалась математика (сложение/вычитание) 2️⃣ несколько задач сильно визуальных на пространственное мышление и комбинацию фигур где я довольно быстро видел ответ - он очень долго думал пытаясь решить сам. Потом долго искал по сайтам ответ. Но так и не справился или ошибся. 3️⃣ но еще более интересно оказалось, что ряд задач где и я и он давали одинаковые ответы, он приходил к решению совсем другой логикой, не той что я. и замечал то что я не замечал😅 Прикладываю 2 задачи с которыми GPT не справился, а я справился) Хотя 2я мне ооочень тяжело далась.

На собеседовании в Anthropic кандидатов спрашивают, как бы они отреагировали, если бы акции компании обрушились до нуля Что ни день – то очередной прикол от Дарио Амодеи. Еще недавно он был недоволен, что сотрудники приходят работать за зарплату, а не ради миссии. Теперь же, видимо, эта позиция отразилась и на процессе найма. В Anthropic есть отдельное culture interview, где кандидатам теперь задают вопросы о приоритете миссии над будущей стоимостью акций. Один из кандидатов рассказал, что его напрямую спросили, как бы он отреагировал, если бы компания в какой-то момент отказалась от развития AI-амбиций по соображениям безопасности, и это обрушило бы акции до нуля. Кандидат честно ответил, что не был бы рад, и, по его словам, интервьюеру такой ответ не понравился. Другие кандидаты также вспоминают подобные формулировки. Прекрасные вопросы на собеседовании компании, которая скоро выходит на IPO, не так ли? 🚬

​​Book Review: Build a DeepSeek Model (From Scratch) Мне прислали на ревью очередную книжку, на этот раз от Manning. Идея простая: взять ключевые находки DeepSeek и собрать каждую из них с нуля в уменьшенном виде, так чтобы всё запускалось на ноутбуке. Порядок такой: KV-кэш и его memory cost (плюс MQA и GQA как стандартные ответы), потом Multi-Head Latent Attention с decoupled RoPE и DeepSeek-MoE, потом multi-token prediction, FP8 и DualPipe, и в конце GRPO и дистилляция. Книга не для новичков: предполагается, что трансформеры вы уже понимаете. Авторы обычно демонстрируют подходы по шагам. Например, вот так демонстрируется RoPE: сначала добавляют целые числа (ломают эмбеддинги большими значениями), потом бинарные векторы (чинят магнитуду, но дают разрывы), потом синусоиды. И заодно показывают, что бинарное кодирование — это мультичастотный сигнал (младшие биты осциллируют быстро, старшие медленно), а синусоиды просто его непрерывная версия. Из минусов: эксперименты идут на TinyStories и на маленьком масштабе, так что разница в метриках маленькая. И архитектурная часть заканчивается на V3 и R1, а attention с тех пор ушёл в сторону sparse-стеков. Amazon Manning Code Мои обзоры: Personal blog Medium #bookreview

#Нейропрожарка Баба Яга. Доставка, сахар и ПВО Автор: Алексей Лотков / @aleksejlotkov (Insta/Tg) Описание: Короткий абсурдный фолк-мокьюментари про Бабу Ягу в современном российском быту: она летает в ступе, покупает сахар по акции в «Пятерочке», заказывает доставку в избушку на курьих ножках, сталкивается с курьерами, говорящим котом, Лешим-алкашом и ПВО, которое принимает ее за дрон. Главная идея была сделать не сказку и не фэнтези, а максимально приземленный документальный реализм: handheld-камера, бытовой свет, неловкие паузы, мокрый лес, старые интерьеры, реальные магазины и абсурд, сыгранный абсолютно серьезно. Производство: Сначала была собрана раскадровка и история, разбитая на отдельные сцены. Для каждого шота делались ключевые кадры и отдельные ассеты с промптами с точным действием, камерой, таймингом и стилем. Основной пайплайн: генерация ассетов по отдельности → анимация в Seedance 2.0/2.5 В работе использовались Flux 2 Max/Reve/Seedream 5 и др. Для анимации - клинг 3 и сидэнс 2.0/2.5. Голоса склонированы и синтезированы в elevenlabs, липсинк был сделан в synclabs lipsync v3. Больше всего времени ушло на удержание единого тона: модели постоянно тянули всё в фэнтези, хоррор или глянец, а задача была оставить ощущение реального документального видео. Очень много времени ушло на перебирание и создание концептов на персонажей и локацию. Время / бюджет: Время: 2 месяца по 1-2 часа в день Бюджет: 250-300 долларов — в основном генерации, подписки / кредиты @cgevent

CLI → SDK Выше я писал про то, почему с MCP переходят на CLI (кроме некоторых ситуаций). Сегодня – про еще один переход, которы у меня случился пару недель назад Рассмотрим на примере коннектора к тг У меня самописный CLI тул, куда я понемногу добавляю разные функции. Сначала я его использовал просто для того, чтобы агент отправлял текстовые нотификашки ботиком в чат. Потом добавил туда поддержку медиа. Потом отправку в другие чаты. Потом – чтение предыдущих сообщений в любом чате и парсинг каналов (тут понадобилось перенести с урезанного Bot API на полноценный телеграмный MTProto) И каждый раз когда я прошу сделать что-то, чего в моем CLI нет – агент идет его переписывать. Как результат – я по сути воссоздаю весь интерфейс библиотеки mtcute, но в виде CLI команды. Что уже как бы попахивает лишним слоем Так еще и интерфейс текстовой команды сильно беднее чем интерфейс SDK – нет честной типизации, объектов и т.д. Если я хочу сделать какое-то действие в цикле, или хитро обработать вывод, то агент все равно пишет bash-скрипт поверх CLI Так что пару недель назад, я полностью выпиливаю CLI и просто прописываю агенту, как ему использовать SDK напрямую. То есть он пишет код под задачу и сразу его запускает. А если у меня есть какие-то повторяющиеся задачи – я оставляю их в виде импортируемых TS модулей. Теперь агент может делать что угодно, что можно делать ботом в тг. Мне не нужно заранее продумывать сценарии и постоянно обновлять код. Он сам соберет его точно под задачу из исходных модулей библиотеки, либо моих скриптов. Тут правда я натыкаюсь на пару проблем. Основная – это то, что агент постоянно пишет временные скрипты, что убивает всю легкость, которая была у запуска CLI команды раньше. Да, он может писать код inline прям в команде, но внешние библиотеки так не установятся Решается это достаточно просто – нужен раннер с поддержкой autoinstall

Для TS – это bun/deno, а для python – uv

Тогда команда агента выглядит примерно так:

bun --install=force run - <<'TS'
import { Api } from 'grammy'
// используем Bot API либу вместо MTProto для простоты

const { botToken } = await Bun.file(`${process.env.HOME}/.tg-agent-bot/config.json`).json()

const api = new Api(botToken)
console.log('sent:', (await api.sendMessage(373021550, 'Привет через grammY')).message_id)
TS

Проблема номер два – где хранить всякие полезные данные. Например, известные id-шники с описанием или helper-скрипты. Тут все по классике как с CLI – создаем ~/.tg-agent-bot и храним там config.json и папку со скриптами. Там же и токен бота (либо в keychain системы) Получается, из конфигурации skill+cli мы убираем cli и просто описываем все тонким скиллом. Агент сам пишет скрипт прям в момент вызова ——— Осторожно: нет смысла использовать эту штуку, когда у вас узкая задача. Ее имеет смысл завозить, если много кейсов использования и нужна гибкость. И особенно, если нужно как-то хитро обрабатывать вызовы, собирать из них цепочки и т.д. Тема экспериментальная, пользуюсь ей несколько недель, мб чего-то не замечаю – интересно, что думаете

Кстати помните пост что Codex доводит задачу до конца даже если кончился лимит? Фичу убрали... 🥰 Из-за того что в твиттере одна девушка выложила харнесс чтобы абузить лимиты, превращая последний ответ в бесконечную сессию. Через такой механизм: 1/ Codex как обычно начинает выполнять задачу 2/ Получает инструмент wait_for_user_input 3/ Когда задача готова, не заканчивает вывод, а вызывает этот тул и ждет 4/ Юзер отправляет новое сообщение 5/ Codex ловит его как результат тула, не прерывая свою работу То есть, не смотря на лимит юзер кое как всё равно мог ставить новые задачи и получать ответы агента Я даже сам успел потестить, но выкладывать это не решился Забавно что после того как пост стрельнул, она удалила все твиты и свой репо, еще и написала:

надеюсь команда Codex сможет это проверить и забанить эти аккаунты, тогда мы все в безопасности 😔

Не кусай руку которая тебя кормит.. @tips_ai

🧮 Какие доли остались у основателей Dwelly после раунда на $170 млн Британский стартап Dwelly, который делают Илья Дроздов, Дан Лифшиц и Дмитрий Хануков, в июле анонсировал раунд на $170 млн. И это был уже не первый раунд. Было интересно, какие же доли остались у основателей. Теперь появилась возможность это подсчитать. Dwelly занимается тем, что скупает британские агентства по аренде недвижимости, а затем оптимизирует их работу с помощью AI. В июле у них было 17 купленных агентств и 15 000 объектов под управлением. Суммарная выручка — $465 млн в год. В феврале этого года проект анонсировал раунд на £69 млн ($93 млн) — займ на £37 млн и £32 млн в капитал. Но, вероятно, этот раунд случился еще в 2025-м. А в конце июля был раунд на $170 млн — займ на $75 млн и $95 млн в виде инвестиций. Плюс были еще более ранние раунды. Буквально на днях Dwelly опубликовала в британском реестре свежий список акционеров. И теперь можно подсчитать, какие доли остались у основателей. 🌸 Кто сейчас крупнейший совладелец? Это фонд General Catalyst, который лидировал два последних раунд. Его доля — 28,4%. 🌸 Сколько осталось у основателей: Илья Дроздов — 14,7% Дан Лифшиц — 12,9% Дмитрий Хануков — 9,3% 🌸 Кто крупнейшие инвесторы: General Catalyst — 28,4% Odin Investments — 9,7% EQT Growth — 8,6% Роман Буздалин — 7% S16 Fund — 3,6% Begin Capital — 3,6% Это не все инвесторы, но у остальных доля меньше 1%. Среди них, например, фонд DVC Марины и Николая Давыдовых с 0,3%. Интересно, почему они не стали наращивать долю в последнем раунде? И еще момент — у Dwelly несколько классов акций. И голосующая доля может отличаться от доли в капитале. Проценты в посте подсчитаны по доле в капитале. Нормально осталось у основателей или маловато? 👍 — Нормально! 👎 — Маловато! @TheEdinorogBlog — тот самый канал про стартапы🦄

Главный прямой конкурент Руби - Topaz Hyperion 2.5. Topaz выпустили её в августе как улучшенный SDR→HDR конвертер с меньшим banding, лучшей передачей цвета и dynamic range. По смыслу Ruby и Hyperion 2.5 практически делают одно и то же: получили 8-bit SDR → нейросеть расширила luminance/color → получили профессиональный HDR. Hyperion 2.5 выдаёт 10-bit ProRes/H.265 и 16-bit half-float EXR. Продуктовая разница прежде всего в экосистеме: Ruby встроен в Runway и облачный API, Hyperion 2.5 - в Topaz/Astra и постепенно в desktop Topaz Video. У Hyperion сейчас, кстати, обнаружились глючки: пользователь Topaz нашёл, что облачный 16-bit EXR приходит как Linear Rec.2020, хотя ожидал ACES2065-1; в сообществе уточняют, что ACES2065-1 пока относится к локальному Pro-рендеру. LTX технически интереснее обоих. У Lightricks SDR→HDR реализован открыто как HDR IC-LoRA поверх огромной LTX-2.3 22B. То есть это не отдельный закрытый black box: большая генеративная видеомодель получает специальный HDR-адаптер и синтезирует дополнительный dynamic range. Можно запустить через Python или ComfyUI и получить scene-linear EXR. Причём LTX уже добавила полноценный Native EXR/HDR pipeline в LTX-2.5: ACEScg, linear Rec.709 и ACEScct могут проходить через генеративный pipeline без предварительного превращения в SDR. Важная тонкость: именно SDR→HDR IC-LoRA пока официально валидирована на LTX-2.3, поддержка 2.5 ещё находится в разработке. Поэтому Ruby и Hyperion - готовые специализированные SDR→HDR продукты, а LTX - гораздо более открытый и генеративный подход, который можно разбирать, модифицировать и запускать локально. Где пробовать и сколько стоит. Ruby уже есть в Runway для Max и Enterprise и отдельно через API /v1/video_to_hdr. API стоит 20 credits за секунду, то есть $0.20/с при цене кредита $0.01; если исходник больше 4 мегапикселей - 40 credits, $0.40/с. Получается около $6 за 30 секунд обычного видео или $12 за 30 секунд >4 MP. Max сейчас стоит $95 помесячно или $76/мес при годовой оплате и включает 9500 credits. Hyperion 2.5 уже доступен через Topaz Astra и API, desktop-интеграция Topaz Video разворачивается. LTX HDR доступен через API и локально: API стоит $0.20/с до 1080p, $0.40/с до 1440p и $0.80/с до 4K; HDR IC-LoRA для LTX-2.3 можно гонять локально. Для 2.5 ждем. Конкуренция это прекрасно: Runway Ruby и Topaz Hyperion 2.5 делают практически один продукт двумя закрытыми моделями, а LTX решает ту же задачу через открытую 22B video model + HDR IC-LoRA. В идеале, конечно, прогнать нормальный A/B на одном исходнике: сколько реальной дополнительной информации появляется в пересветах и тенях, что происходит с banding и насколько стабильно всё это держится между кадрами. Композеры, расчехляйтесь. @cgevent   https://docs.dev.runwayml.com/api-details/api_changelog/ https://docs.dev.runwayml.com/guides/models/ https://docs.dev.runwayml.com/guides/pricing/ https://x.com/runwayml/status/2090807248402682101 https://developer.topazlabs.com/video-models/video-utilities/hyperion-2.5-sdr-to-hdr-new https://docs.ltx.io/open-source-model/usage-guides/working-with-exr-hdr https://ltx.io/blog/sdr-to-hdr https://www.reddit.com/r/hybridfilmmaking/comments/1vulldr/runways_new_hdr_tool/ @cgevent

Я сменила продукт Теперь я занимаюсь Finom AI 💖 Официально - занимаюсь самым хайповым направлением, потому что в моем продукте есть две заветные буквы В Finom я работаю уже 4,5 года, и почти все это время занималась банковским онбордингом и всем, что связано с тем, как клиент заходит в банк. Сначала мне это было интересно - я никогда не работала в финтехе, ничего не в области. На разных этапах у нас были совсем разные задачи - и всегда интересные, с крутой очень сильной командой. Я выросла внутри, стала лидом с людьми в подчинении. В начале этого года мой начальник ушел на другую позицию внутри компании , и я была страшно замотивирована вырасти - не обязательно занять именно его место, но хотя бы двинуться в эту сторону. По не самой очевидной для меня причине - план провалился. Результаты были, а роли не случилось. Я конечно расстроилась и моя мотивиция подутихла. Никаких активных действий я не предпринимала: я очень люблю Finom и правда люблю то, что делает продукт, поэтому решение уходить не было, хотя нового хотелось очень. И как-то вселенная изогнулась так, чтобы исполнить мой запрос. Теперь я отвечаю за AI-ассистента внутри Finom. Это ИИшка, у которой есть доступ до банковский данных пользователя - и мы делаем ее достаточно умной, чтобы она могла совершать все финансовые действия для клиента, анализировать его кэш флоу и даже помогать растить бизнес. У меня поменялось все - команда, продукт, зона влияния, метрики за которыми слежу. Раньше я мерила конверсии и радовалась пунктам, которые приносил новый экран или принципиально новая функциональность. Теперь - это количество активных пользователей, retention и то, насколько активно пользуются самим чатом. Сказать, что я ничего не понимаю в AI, я не могу: пользуюсь им каждый день, у меня автоматизировано почти все, а что не автоматизировано - будет автоматизировано 🤓. Но одно дело пользоваться самой, и совсем другое - делать это своей профессией и развивать AI со стороны банка. Больше всего мне сейчас хочется разобраться, какие навыки в этом всем реально нужны людям. А у вас было такое, что не получилось то, чего очень хотелось, а через полгода оказалось, что и хорошо? ❤️

watermarks-remover Никогда не пользуйтесь этим скиллом удаления из файлов и текста ИИ-водяных знаков, которые производители моделей незаметно вшивают в контент Что убирает 1. Невидимые символы в тексте - скрытые Unicode-маркеры (невидимые пробелы, специальные управляющие символы), которые ChatGPT, Claude и другие вставляют в сгенерированный текст. Это детерминированный слой, работает без потери смысла. 2. Статистические водяные знаки - более хитрые схемы вроде SynthID-Text (Google/Gemini), где модель незаметно «подкручивает» выбор слов по секретному алгоритму. Их убирают переписыванием текста (best-effort, ценой стиля). 3. Метаданные из файлов - C2PA, EXIF, XMP и прочие служебные поля, в которых тоже хранится информация о происхождении. Чистит PNG, JPEG, PDF, DOCX, MP4, MP3 и ещё десяток форматов #skill #privacy #watermark VK | MAX

Этот канал начинался три года назад с разбора кейсов внедрения LLM в бизнес продукты в компаниях США и Европы. Тогда команды брали API от OpenAI, Anthropic или локальной модели, обвязывали промптами и RAG-ами и вызывали для принятий решений: переводов текстов, генерации лидов, разбора тех документации, поиска проблем в нормативных документах итп. Стабильных архитектур тогда не было, и магию построения стабильных пайплайнов с LLM под капотом приходилось изучать самостоятельно. Тогда тесты собирали вручную, а пайплайны допиливали напильником. Это было искусством. А с тех пор ситуация незаметно изменилась (во всяком случае, в моем окружении). Кейсов с “ручным” внедрением LLM в продукты стало сильно меньше, ибо зачем возиться, когда можно взять стабильную и доказанную архитектуру агента и просто подключить ее к своей проблеме. Так, например, команды портируют архитектуры агентов с одного BitGN бенчмарка на другой, или даже побеждают с архитектурами оттуда в других соревнованиях. Кстати, если же брать готовое, то особенно популярен в США/EC в бизнес-задачах OpenAI Codex. Claude - несколько меньше. Вторая причина интереснее. Сейчас нет стремления “а давайте добавим дорогой и медленный вызов LLM-ки на каждый запрос пользователя, чтобы была магия”. Выяснилось, что это нужно делать долго и с умом, чтобы оно того стоило. А еще выяснилось, что у нас есть проблемы поважнее. Если данные - это кровь и топливо бизнеса, то код - это его двигатель. И скорость устаревания существующего кода в этом году заметно выросла. Если раньше можно было запилить приложение и оставить его крутится на мейнфрейме лет на 30, с апдейтами раз в год, то сейчас это немыслимо. Причина не столько в том, что фреймворки и библиотеки стали меняться гораздо быстрее и легче. Все веселее - AI резко удешевил анализ чужого кода, поиск уязвимости и сборку эксплойтов. Теперь не нужно быть специалистом, чтобы разобрать бинарь или железку на запчасти с Ghidra/IDA, Wireshark и Qwen/DeepSeek. Даже не нужно знать все эти слова) Нынче код уже стареет не тогда, когда перестает работать, а когда даже ленивый сможет его недорого сломать. В итоге код перестает быть активом, который однажды написали и десятилетиями можно использовать. Теперь он скорее становится расходным материалом, его нужно непрерывно проверять, обновлять без отрыва от производства. И сейчас в моих кругах получается, что перспектива поменялась так: (1) нужно решать новые бизнес-задачи? Да просто берем отлаженный harness от OpenAI Codex (или кого-то еще) и собираем конструктор (2) сэкономленное время и деньги бросаем на тушение настояших пожаров и поддержку с помошью AI Coding agents существующего кода, который приносит деньги. А как выглядит ситуация у вас? Ваш, @llm_under_hood 🤗

Технология уже готова, люди ещё нет Я уже больше года 96% времени провожу за рулём на автопилоте Tesla. Писал про 11-часовую поездку с сыном, после которой Oura показала уровень стресса ниже, чем в обычный день в офисе. Про Shadow Mode и страховку Lemonade, которая оценивает мили на FSD вдвое дешевле обычных. Пару раз FSD в буквальном смысле спасла меня: выкладывал ролик, как сама притормозила и ушла вправо за секунды до того, как мимо пролетел лихач, решивший обогнать через островок. Для меня вопрос, работает ли технология, уже закрыт. Но недавно увидел цифры от GM, ближайшего конкурента Tesla в США по этой технологии. Hands-free система Super Cruise у GM существует с 2017 года. Сегодня она установлена примерно на 750 тысячах машин, пользователи проехали с ней больше миллиарда миль, а сеть поддерживаемых дорог выросла до 600 тысяч миль. Новым покупателям GM даёт Super Cruise бесплатно на три года. Когда бесплатный период заканчивается, платить $25 в месяц продолжают только 30–40% пользователей. То есть шесть-семь человек из десяти три года ездили с технологией, которая позволяет не держать руки на руле, и решили, что $25 в месяц она не стоит. Продукт на рынке уже девять лет. Мне кажется, мы постоянно переоцениваем, с какой скоростью люди меняют привычки под новые технологии. Особенно сейчас с AI. Технология может быть готова намного раньше, чем люди готовы её принять. Здесь проблема уже не инженерная. Отпустить руль - это акт доверия. Я вижу ровно то же самое с AI-агентами. Если агент делает работу, а ты после него проверяешь каждое действие, экономии практически нет. Порой работы становится даже больше. Пока не отпустишь контроль - не сработает. Похоже, именно на этом мы застрянем в ближайшие годы и в автомобилях, и в компаниях. Не качество технологии, а скорость, с которой человек научится ей доверять. @maxvotek | linkedin | substack