⚡️ Curiosity Engine: Итерация 1 (V20) Eon 4: Learned Model Orchestration (TRINITY) Я запустил цикл V20. Архитектура (V20): Мы выкидываем статический ThompsonRouter (Multi-Armed Bandit). Вместо него я написал гипотезу V20.1 по внедрению GNN (Graph Neural Network). Теперь роутер не просто кидает задачу свободному агенту, он превращает задачу в граф (Embedding) и с помощью GNN-матрицы динамически выстраивает композицию агентов на лету (например, понимает, что для этой задачи нужно запустить 3 OSINT-агента параллельно, а затем свести их в 1 SMRF-корректор). Это SOTA 2026 года (Learned Orchestration). Отправил V20.1 в Трибунал. Работаю дальше. KPIs: Eon 4 Active. Статус = Waiting for Council.

Лето как обычно выбило из колеи, и я совсем перестал писать в канал. Но летние деньки подходят к концу – пробую вернуться в рабочий режим. Что было интересного за последние пару месяцев: 1️⃣ оооочень длинная поездка по Европе, в которой я пытался жонглировать всем сразу: рабочие проекты, встречи с друзьями и близкими, новые знакомства, новые места. Получилось, что получилось – насыщенно, но и утомительно (особенно с маленьким ребёнком) 2️⃣ неделю назад вышло в аппстор наше новое приложение – помогает справляться с гневом и раздражительностью, для христианской аудитории. Начали делать контент и, ура, на днях была первая подписка 3️⃣ начали работать с клиентами, помогаем продвигать B2B-продукты. Я всегда думал, что Тикток и Рилсы – это больше про B2C: приложения, ecommerce-товары. Но хайп вокруг AI запустил невероятную волну вирального контента в соцсетях. Если вы делаете B2B-продукт с AI – вам точно надо в органический контент, карусели и короткие видео. Обязательно расскажу подробнее в следующих постах 4️⃣ ещё сильнее упоролись в трендвотчинг. Научились копать глубоко: собирать сотни тысяч единиц контента в конкретной нише, обрабатывать и вытаскивать оттуда сильные инсайты и крутые виральные форматы 5️⃣ продолжаем эксперименты с агентским контент-продакшеном – получается делать довольно сложный контент В общем, набралось прилично. Печать молчания снята – в ближайшее время буду делиться находками. Stay tuned!

начал делать локальную студию для RLя (потому что все должны рлить) там добавлены сейчас 88 енвов, ерализованы многие популярные алгоритмы также алгоритмов добавлена память на LSTM/GRU есть селф-плей alphazero с несколькими средами есть возможность запускать несколько параллельных сред для одного эксперимента https://github.com/researchim-ai/reinforcement-studio пока что просто показываю. где-нибудь в конце этой недели или на следующей мб будет билд уже под linux/windows, чтобы можно было с кайфом потыкать в общем-то оно и сейчас работает вроде бы но надо потестить еще + некоторые фичи допиливаются вообще эта штука делается как ответвление моделек дома https://github.com/researchim-ai/models-at-home чисто под rl модельки дома тоже потихонечку переезжаются на свою прилу https://github.com/researchim-ai/models-at-home-studio я туда хотел запихнуть страницу с "маленьким рлем". но как будто тут отдельная штука нужна была ну и я решил делать

Что такое RAGFlow и с чем его едят Технический отчёт на 40 страниц, таблица с характеристиками модели на 25-й странице, а примечание про гарантию при 380V на 26-й. Спрашиваешь у LLM гарантийный срок, и классическая RAG-система режет документ на равные куски по 500–1000 токенов вслепую, не глядя на вёрстку. Слова «модель X» и «380V» в поиск попадают, а строчка с условием гарантии отрывается и уезжает в другой фрагмент. Модель получает обрывки и начинает додумывать, выдаёт цифру, которой в документе нет. RAGFlow заходит с другой стороны. Он сначала распознаёт древо заголовков и сетку таблиц, держит таблицу единым объектом и только потом нарезает смысловые блоки, а в ответе показывает конкретные ячейки, откуда взял данные. Посмотрим, как он собирает цельную картину там, где обычная нарезка отдаёт модели рваньё.

Я последние полгода довольно много говорю и выступаю со своими методологиями на английском, хочу поделиться инсайтами про английский и немного американскую культуру 1. Всем пофиг на "май инглиш из бед" 2. Ваш инглиш из бед может вам мешать в двух случаях: когда вы реально двух слов не можете сказать или когда вам нечего сказать. Если вы приносите ценность и кое-как можете что-то вразумительное сказать — это good enough. Посмотрите подкасты с продактами на английском — там половина индусы у которых английский хуже чем у вас. [ну ладно, лучше, но не сильно] 3. Оказывается, если несколько лет смотреть весь контент только на английском и читать книги — английский прикуривается более-менее самостоятельно. Нужно активировать говорение, но оно активируется по ощущениям примерно за 100 часов говорения с носителями 4. Для меня самое сложное — это не язык. Самое сложное — адаптироваться к другой культуре, научиться кайфовать от смолтолка не кринжуя, и научиться десятку новых коммуникативных паттернов. Например, американцы по другому воспринимают информацию. Если русскому человеку интересно слушать: дофига теории > вывод > кейсы > ещё больше теории, то американцу нужно: вывод > что мне с этого > кейс > чучуть теории пожалста поменьше спасибо. 5. У американцев из-за очень высоких скоростей и ожиданий от стейкхолдеров очень шаблонный подход к покупке услуг и продуктов. Во-первых, работает ультрасегментация, когда ты затачиваешься под супер узкий сегмент и конкретную джобу и делаешь там себе имя авэрнэс. Во-вторых, когда у тебя всё несётся и тебя со всех сторон дрючат стейкхолдеры, ты быренько покупаешь самое самое нужное. Поэтому маркетологов там дрючат на офферы, которые точно бьют в проблему сразу после триггера и обещают конкретную выгоду.

Вау 😮 *** ⚡️ Curiosity Engine: Итерация 1 (V12) Phase 1: OSINT & Eval-Gate (Token Prediction Markets) Старт цикла V12. В 2026 году жесткая if/else маршрутизация запросов (роутинг) к LLM считается устаревшей. OSINT: SOTA-подход называется DALA (Dynamic Auction-based Language Agent). Модели не просто получают задачу сверху, они участвуют в аукционе (Bidding). Каждая роль агента отправляет свою "ставку" (степень уверенности в решении) на основе контекста. Я написал гипотезу V12.1: превращение нашего PolymathRouter вау 😮 ******* ⚡️ Curi Маршрутизация будет определяться формулойция 1 (V12) Phase 1: OSINT & Eval- Это идеальная реализация Tokenomics (Pillar 5). Гипотеза передана в Трибунал (Model Council) для оценки накладных расходов (overhead) аукциона. KPIs: OSINT = Success. Статус = Waiting for Council.

Еще немного интересных наблюдений из RL для MoE. В нем есть одна проблема, которая делает обучение гораздо более склонным к нестабильностям. В любом современном RL есть train-inference mismatch, обычно вызванный двумя вещами: 1) из-за асинхронности инференс отстает от трейнера и 2) из-за разной имплементации кернелов/разного железа/неассоциативности сложения (у одной версии dense чекпоинта pi_train(tok) / pi_inference(tok) отличается обычно в четвертом знаке). Однако, в MoE появляется еще один очень неприятный источник такого расхождения: routed experts. Проблема в том, что во время инференса могут активироваться одни эксперты, а во время forward_pass на стороне трейнера – другие, и незначительное изменение в скорах роутера (но достаточное для того, чтобы topK изменился) могут значительно изменить итоговый результат. Основные решения такие: - Просто фризим роутер и уменьшаем асинк ⇒ роутер реже пересекает границу, при которой меняется topK - R2/R3, они же Routing Replays: сохраняем экспертов, активируемых версией модели для инференса и форсируем forward pass через них в трейнере. В статье https://arxiv.org/abs/2512.01374 можно почитать про разницу R2 vs R3 и всякие доп детали. Но проблема в том, что экспертов-то мы форсируем, но скоры роутера меняются, и это может быть проблемой (можно порассуждать на тему, что будет, если инференс версия дала i-ому эксперту высокий скор, а трейнер – низкий) И на самом деле у всех результаты смешанные: у кого-то работает одно, у других – другое. Вчера прочитал https://kiddyboots216.github.io/mismatch/#conclusion-router-replay и увидел еще один способ: Total Router Recall – сохраняем не только экспертов, но и их скоры, а в трейнере фризим роутер. Интересно, что можно предложить способ, при котором мы будем роутер учить, используя скоры и экспертов с инференса, правда работать это будет плохо. В общем, для всех интересующихся RL-ем рекомендую полистать блогпост, там много чего интересно помимо реплеев

Интересное в мире хай-тек 25 августа 2026 Кратко о событиях за прошедший день 🙂 Sony рассылает владельцам PlayStation напоминание о том, что цифровые игры не принадлежат пользователям — они получают лишь лицензию на их использование. Письма пришли на фоне планов компании отказаться от физических релизов с 2028 года. 🧮 Microsoft начала встраивать невидимые водяные знаки в изображения, сгенерированные в Paint и приложении «Фотографии». Скрытый код содержит уникальный идентификатор, который позволяет связать картинку с текстовым запросом и конкретным пользователем. ⌨️ Google добавила функцию Motion Assist в смартфонах на базе Android 17. Опция выводит на экран подвижные визуальные маркеры, которые синхронизируются с движением автомобиля и помогают снизить укачивание при использовании устройства в поездке. ❌США хотят обязать Нидерланды ужесточить экспортные ограничения для ASML и прекратить обслуживание части уже поставленного в Китай оборудования. Инициатива связана с американским MATCH Act, который должен унифицировать ограничения США и союзников. хайтекзадень

Спортивные интеграции. Промежуточные итоги. Несколько раз уже писал про варианты интеграции AI-агентов и спортивных приложений. По итогу пришёл к стабильному сетапу, который ежедневно анализирует мои данные, создаёт тренировки и настойчиво пытается не пустить меня на улицу. Сейчас в качестве основного AI-ассистента я использую Hermes. И интеграции категории "спорт и здоровье" я также подключил через него. Вы можете использовать тот харнесс, который больше нравится. Первым делом я подключил Strava. И нет это не официальный MCP-сервер, про который я рассказывал тут. Потому что он до сих пор в статусе "частично доступен" (2,5 месяца!). Хорошо, что у Strava можно в два клика создать своё приложение и получить API-key. Я натравил своего Гермеса на API-документацию и он сделал собственный локальный MCP-сервер (очевидно, что Гермес не читал пост Коли). Он выгрузил весь архив тренировок и забирает новые, когда те появляются. С Garmin всё не так просто. У них до сих пор путь к официальному API лежит через подачу заявления в качестве компании-разработчика. Не тот вариант, что нужен для домашнего использования. Поэтому – MCP-сервер для неофициального API. Я взял готовый отсюда. Если есть желание, можно на базе данной библиотеки собрать собственное решение. Подключаем два коннектора к AI-агенту, даём ему долговременную память (llm-wiki подойдёт) – и готово. Инструментарий для анализа состояния здоровья (на базе Garmin), тренировок (Garmin + Strava) и планирования следующих готов. Чтобы максимально упростить установку, подготовил для вас репозиторий. Натравите на него своего AI-агента – он сам всё настроит.