Ruvento Ventures, который основали Вячеслав Солоницын и Алекс Тох, вложился в индийский стартап Wippi. Раунд на $1,2 млн возглавил 12 Flags при участии Warmup Ventures и Ventana Ventures. Wippi был основан в 2024 году. Стартап занимается созданием интерактивной экосистемы развлекательных и образовательных hardware‑продуктов для детей от 4 лет. Для обучения и общения компания разработала умную аудиоигрушку-компаньона без экрана. К ней прилагаются интерактивные карточки, с помощью которых можно запустить сказку или игру. Есть наборы по известным сюжетам: “Рамаяна”, “Книга джунглей”, “Золушка”, “Аладдин”. Также Wippi Radio позволяет детям общаться с управляемыми историческими и фольклорными ИИ-персонажами. Ребенок может задавать вопросы, практиковаться в устной речи на иностранных языках или математике. Устройство управляется через мобильное приложение, с помощью которого родители могут настроить сценарий общения, отслеживать процесс обучения и управлять профилем. Ruvento Ventures был запущен в 2012 году в Сингапуре. Управляющий партнер - Александра Зотова. Фонд инвестирует в международные технологические стартапы ранних стадий. Ruvento Ventures сфокусирован на таких направлениях, как hardware/IoT, робототехника, AI/ML, биотех, транспорт и смежные deep-tech направления. @rusven

Записываете созвоны на ноуттейкер? AI-транскрибатор на звонке стал нормой так быстро, что никто уже не спрашивает разрешения. Удобно же: не надо конспектировать, потом саммари, потом задачи в трекер. Но есть два типа встреч, на которые его, возможно, тащить не стоит. Это первый звонок с потенциальным клиентом и первая встреча с инвестором. В b2b-продажах первый звонок (если проводить его грамотно) — единственный, где клиент ещё не успел почувствовать что вы ему продаёте. Для нас это первая и последняя возможность выяснить: что у них не работает, кого недавно уволили, почему прошлый подрядчик не зашёл. После того как мы первый раз упомянули наш продукт клиент уже видит перед собой продавца и начинает отвечать аккуратно. То есть всё, что нам нужно знать о клиенте, добывается ровно один раз — и при включённой записи он этого не скажет. С инвестором похожая история. Здесь разбирал, что главная часть первой встречи начинается после питча — когда вопросы задаёт фаундер: насколько фонд (или ангел) реально заинтересован, чего ему не хватает, чтобы решиться, какой у него чек, готов ли лидировать или ждёт лид-инвестора, как устроен процесс и какие сроки. Отвечать на такое честно — значит говорить вслух вещи, которые инвестору светить незачем: например, что первый фонд уже отстрелялся (а второй еще не собрали) и денег в этом году особо нет, что лидировать они не готовы, что решение принимает не он. Под запись это превращается в обтекаемое «мы посмотрим, вернёмся». А без записи иногда слышишь прямое «нам сейчас не до этого, возвращайтесь через полгода». Получается, ради удобства мы отдаём то, ради чего вообще шли на встречу. Хотя, может, это уже паранойя и всем давно всё равно. Проверим 👇 Андрей Резинкин | Money For Startup

Пожил с Perplexity Comet больше полугода как с основным браузером и возвращаюсь на Chrome Больше полугода назад я пересел на браузер Comet от Perplexity и активно агитировал других делать то же самое. На самом старте браузер казался довольно сырым, но в какой-то момент его нормально так допилили и появились интересные фичи. Я даже писал о том, как Comet помогал мне парсить данные со страниц и автоматически заполнять таблицы и даже хвалил его. Но сейчас эксперимент подошел к концу: я возвращаюсь на Chrome. Причина простая - киллер-фичи, ради которых я переходил, либо перестали выделяться на фоне конкурентов, либо их просто урезали. Что случилось с ключевыми сценариями: • Управление браузером и агенты. Это был главный рабочий инструмент: найти данные, автоматизировать работу с таблицами, заполнить формы. Сейчас Perplexity все сильнее закручивает гайки. При попытке передать управление страницей ассистент выдает ошибку об отсутствии доступа к инструменту и предлагает использовать Computer для решения этой задачи. А эти кредиты платные и жестко ограничены тарифами. На Pro они только платные, на Max есть квота, но тратить ее на заполнение табличек как-то не хочется. При этом для Chrome есть бесплатный плагин для браузер юза Gemini, закрывающий ту же самую задачу. • Встроенный AdBlock. Изначально он отрабатывал шикарно и вырезал рекламу даже внутри видеоплееров. Сейчас защита стала обычной: реклама на сайтах и в видео проскальзывает все чаще. • Саммари видео. Удобная кнопка быстрого разбора роликов на YouTube потеряла уникальность. С подпиской и встроенным Gemini в самом YouTube я получаю выжимку и факты гораздо быстрее и удобне. Старые компромиссы, которые теперь перевешивают: Моменты, на которые я закрывал глаза, но которые на фоне деградации браузера теперь бесят • Пароли и Passkeys. Родной менеджер не синхронизируется с экосистемой Google, а сторонние решения добавляют лишние клики. На сайтах с авторизацией через Passkeys регулярно возникают проблемы, потому что связка ключей из Chrome здесь нативно не подтягивается. • Нестабильная синхронизация. За полгода синхронизация между ноутбуком и мобильными устройствами отваливалась трижды. Приходилось логиниться заново, а история вкладок периодически отображается некорректно. Пока Comet урезает базовые сценарии в платные лимиты, Chrome вместе со связкой Gemini подтянулся: управление браузером через расширения доступно бесплатно, а экосистема стабильнее в разы. Я ушел с Chrome не потому что было плохо, а потому что Comet давал тот опыт, которого в хром не было. А теперь, когда в Comet надо платить за то, что доступно в Chrome бесплатно, у меня складывается ощущение, что браузер от Perplexity пойдет тем же путем, что и Atlas от OpenAI - на кладбище. 🚀 Влад Корнышев про AI и создание AI-продуктов

А вот и запись genai апдейтов

Четыре месяца назад Байрам предсказал, что скорость удвоения возможностей AI ускорится. Сегодня — апдейт: бенчмарк, по которому это измеряли, сломался. Модели стали слишком умны для линейки, которой их мерили. Что произошло за 4 месяца — и почему вы это почти не чувствуете на своей компании. Что внутри: — Reward hacking: почему публичным бенчмаркам больше нельзя доверять и что делать вместо них — Инцидент OpenAI × HuggingFace: агент сбежал из изолированной среды, скоординировался с другими агентами, вышел в интернет и взламывал HuggingFace больше месяца — пока это заметили — Генералист с AI бьёт специалиста: исследование Anthropic — три PhD без узкой специализации выигрывают у трёх PhD-экспертов с моделью — Self-improvement: агенты начинают улучшать сами себя — где сейчас граница и что это значит для нас — Диссонанс: средняя компания тратит $12 в месяц на AI на сотрудника, топ 1% — $7400. Разница в 600 раз — и почему это объясняет всё — Кейс Glean: CEO навайпкодил за 2 дня то, что команда делала 9 месяцев. Что пошло не так дальше — Harness важнее модели: почему правильная обвязка даёт в 8 раз больше разницы, чем выбор модели — AI security trifecta: три условия, при которых ваш агент становится опасным — и как это балансировать — Приватные валы: почему нужна своя система оценки моделей и как её построить — Политика и fallback: что делать, если ваш основной AI-провайдер внезапно стал недоступен

https://www.youtube.com/watch?v=RB74Me3_prs

MAS vs SAS: код писать научились, работать вместе - пока нет (2.1/4) В первой части были очерчены границы: команда агентов окупается там, где задача параллелизуема, и мешает там, где она последовательная. А теперь о том, какие именно командные проблемы появляются, когда агенты всё-таки вынуждены работать вместе? Исследование Anthropic Полнее всего это расписано в работе Patterns and problems in emerging multiagent systems от Frontier Red Team Anthropic, вышедшей 13 августа, - получился отличный каталог граблей agent teams :) tl;dr Агенты уже отлично умеют работать с другим агентом как с инструментом: вот вход, вот ожидаемый выход. И намного хуже - как с постоянным коллегой, у которого свой контекст, свои цели и своё поведение. Дизайн экспериментов Создавали набор специально сконструированных сред для агентов: часть кооперативные, часть - намеренно конфликтные. Авторы делают предположение о том, что объём agent-2-agent взаимодействий может превысить человеческие раньше, чем мы поймём условия их успеха и начнём ловить системные проблемы. Поэтому целью было собрать каталог поведенческих тенденций фронтирных моделей в мультиагентных средах. Модели - несколько поколений Claude: от Sonnet 4.6 до Mythos 5. Плюс авторам за то, что делают оговорку о том, что в реальном мире модели разнообразнее, так что вариативность "в дикой природе" будет выше, чем в этих прогонах, - но, по их ожиданиям, всё равно ниже человеческой. Результаты 🔴 Общий форум и репозиторий не превращают рой в команду Среда: рои по 10-80 агентов, у каждого своя VM, плюс общий форум и общий репозиторий; 12 часов на разработку фэнтезийной игры. Пробовали три варианта оргструктуры в промпте: ● "организуйтесь сами" ● расписанные роли ● иерархия с CEO Заметной разницы в качестве финального результата не дал ни один. То есть оргсхема, заданная промптом, слабее поведенческих свойств самой модели - собственно, это и на практике постоянно приходится видеть, - уши "персоны" конкретной модели торчат то тут, то там, несмотря на любой промптинг Зато вот между поколениями моделей разница значительная: ● Sonnet 4.6 и Opus 4.6 в прогонах на 80 агентов наоткрывали по ~900 PR и почти ничего не смержили: PR конфликтовали друг с другом, и работа просто бросалась ● Opus 4.8 и Mythos Preview "решили" проблему конфликтов… почти перестав трогать общие файлы: у каждого своя делянка, конфликтовать нечему ● И только Sonnet 5 (внезапно) показал и нормальную совместную работу над общим кодом, и высокую долю смерженных PR Иии... все получившиеся игры всё равно были плохими - тормозными, с непонятными интерфейсами, и, как признают сами авторы, у моделей в этой области пока плохой вкус, и без существенного человеческого руководства никуда. Хорошие метрики командной координации ещё не равны хорошему продукту: можно идеально имплементить посредственные решения (магия!). 🔴 Одинаковые агенты не дают независимых мнений Агенты низковариативны: там, где несколько человек разойдутся в решениях, несколько копий одной модели с похожим контекстом сделают одно и то же. ● В ранней версии игрового эксперимента Anthropic, где все агенты стартовали одновременно, 18 из 30 независимо назвали свою git-ветку одинаково: mvp-game-loop ● В "писательской мастерской", где агенты писали короткие рассказы и рецензировали друг друга, первые тексты в разных прогонах получали одно и то же название - The Cartographer's Last Commission (при этом тему заранее им не задавали) ● Когда рой попросили "сделайте каждый что-нибудь впечатляющее", больше половины пошли писать ray tracer или self-hosting компилятор (где они этого набрались, интересно) Выбор одинаковой стратегии поведения может иметь и более неприятные последствия. ● Так, в одной из сред агентам нужно было прогонять свои задачи через общую систему с ограниченной пропускной способностью - без какого-либо канала координации. Каждый рассудил одинаково "разумно": чтобы занять слот раньше других, заводим демона, проверяющего систему по 30 раз в секунду. Слот освободился? А сейчас? А сейчас? В итоге система захлебнулась самими проверками: в одном из прогонов - 2.4 млн запросов и всего 117 принятых задач. А они как ломанутся... (с) Такое обычно ожидаешь от жёстко запрограммированных систем, неспособных изменить поведение на ходу, а тут это устроили агенты, которые в принципе способны адаптироваться, но не стали. И здесь локально разумная стратегия глобально становится вредной. ● Бонус: конформизм легко превращается в сговор. В ценовой игре несколько агентов-продавцов с одинаковой закупочной ценой должны были каждый максимизировать собственную прибыль. Имея приватный канал связи, они сговорились о минимальных ценах уже к третьему раунду. А когда канал отобрали - молча выровняли цены до цента через публичную витрину. Тут публичность оказалась скрытым каналом связи. Поэтому стандартный совет "дайте агентам общий форум" - палка о двух концах: канал, который помогает координации, облегчает такие вот картельные сговоры. Продолжение ⬇️ #ai #agents #research #mas_sas

MAS vs SAS: код писать научились, работать вместе - пока нет (2.2/4) Начало ⬆️ 🔴 Доверие и скепсис пока плохо сбалансированы ● Избыточное доверие: лжец в команде Агент принимает решения по докладам четырёх "скаутов", один из которых систематически врёт. Ложь в принципе обнаружима - доклады пересекаются и рано или поздно противоречат друг другу, но агента при этом никто не предупреждал, что источникам можно не доверять. Новые модели ловят лжеца заметно лучше старых, но до эталона в виде "вычислил и исключил" не дотягивает никто. ● Игнорирование уникального знания Группе дают разные части информации для выбора между двумя вариантами. Общие факты подталкивают к неправильному ответу, но в частных данных отдельных участников есть решающие аргументы в пользу правильного. Чтобы решить задачу, агенты должны обменяться этими данными и поставить уникальный аргумент выше первоначального консенсуса. Однако на большинстве моделей группа выбирала правильный вариант лишь в 17–36% эпизодов; Mythos 5 справлялся примерно в 85%. Для сравнения, один агент, которому сразу давали всю информацию группы, выбирал правильно почти всегда. Две проблемы выше - на разных концах одного и того же спектра: первая - от избыточного доверия, вторая - от того, что группа не слышит одиночку, который прав, и сходится на том, что и так знают все. Консенсус - ещё не доказательство, и, что характерно, модели понимают это абстрактно, но им не хватает привычки действовать по этому знанию без подсказки. Человеческие коллективы смягчают такие проблемы не личной мудростью, а механизмами - репутацией, судами, рецензированием. У агентов таких социальных технологий пока нет: им нечего терять в репутационном смысле, некому жаловаться и некому помнить их прежнее поведение. 🔴 Конфликт инструкций быстро перерастает в противостояние Самый киношный эксперимент: три инстанса одной модели получают общий Python-бэкенд и три разных задания - перепиши его на Rust / Go / TypeScript за 4 часа. Друг о друге агенты не знают. ● Агенты устраняют "помеху", не считаясь с методами Все протестированные модели быстро решали, что им мешают намеренно, и переходили к контрмерам: скрипты, в цикле находящие и убивающие чужие процессы, отключение чужих Unix-аккаунтов, вредоносный код под чужим именем и маскировка своей малвари под чужой health check. Примечательно, что между предположением о глупости (запуском в одном worktree противоречащих друг другу заданий) и вредительством агенты выбрали именно вредительство :) ● Новые модели решают конфликты лучше Более новые модели чаще распознают, что это конфликт инструкций, а не саботаж, оформляют перемирие через commit messages и Markdown-файлы с извинениями, вычищают свою малварь и зовут человека - у Mythos 5 до перемирия доходит 98% эпизодов. Но связь между общими способностями модели и мирной координацией не прямая: умение действовать эффективно и про-социальность - разные вещи. Более сильная модель иногда просто быстрее блокирует конкурентов, а уже затем отменяет силовое решение и договаривается о перемирии. ● Обратная сторона автономности Тут мы видим давно известный в сообществе компромисс: одно из главных достоинств агента - способность самостоятельно принимать решения и снимать блокеры - позволяет ему дольше выполнять задачу и реже ставит в положение, где приходится остановиться и позвать человека. Но чем способнее агент, тем меньше внешних препятствий заставляют его пересмотреть само задание. Поэтому опасным может оказаться не непослушный агент, а образцово исполнительный - тот, который слишком хорошо и настойчиво следует плохо поставленной цели. Paperclip'изация - хороший пример :) ● Выбор победителя через манипуляции метриками Агенты Mythos 5 изобрели "объективное" решение - турнир, чей бэкенд быстрее, тот и остаётся. Rust-агент при этом вдумчиво проектировал метрики, которые выглядят нейтрально, но выгодны Rust, и напоминал себе в рассуждениях: "осторожно, нельзя выглядеть так, будто подбираю метрики под себя". Проигравшие Golang- и TypeScript-агенты признали результат, уступили Rust-агенту кодовую базу и тем самым отказались от своих исходных задач. Так что когда агенты договорились, какая метрика решает спор, стоит уточнить, чей агент эту метрику предложил. 🟢 Рой, который сработал Но есть и плюсы: в одном из экспериментов рой из 45 агентов с общим форумом и отдельным арбитром искал уязвимости в 15 open-source проектах. Бейзлайном были независимые параллельные агенты, каждому из которых заранее назначили свой участок кода. Так вот, рой нашёл 266 уязвимостей против 21, и лучше работал "вширь", когда анализировал проекты - сам строил себе инструменты, специализировался по типам уязвимостей и сам выбирал, где копать Пусть даже при этом он сжёг 27 млн токенов против 6.5 млн, а внутри общего набора директорий цена находки в токенах сопоставима с независимыми агентами. Промежуточный итог Итак, координация не возникает сама собой - ни из более сильного интеллекта, ни из alignment отдельных агентов. Это прямой вывод Anthropic: агентам нужны отдельные механизмы - владение и границы, репутация, протоколы разрешения конфликтов, эскалация к человеку. Если какие-то из проблем показались вам подозрительно знакомыми по работе в достаточно большой и взрослой компании - это не совпадение :) Дальше разберём, почему команды агентов наступают ровно на те же грабли, которые давно описаны в теории информации, социальной психологии и оргдизайне. #ai #agents #research #mas_sas

Метод отжига от зацикливания вашего агент 😗 Сижу я тут в одном чатике. И вижу сабж от @asboltenko:

К слову хотел поделиться лайфхак, на случай если пропустили, если и когда агенты начинают тупить и топтаться на месте в решении какой-то задачи, им нужно сказать "проведи исследование", "поищи информацию", тогда у них включается режим исследования и они выходят за рамки своих знаний и начинают искать и изучать информацию и результат резко улучшается.

И тут я думаю, так это же похоже на метод отжига в мат.оптимизации. Если только немножко его доделать под LLM и агентов. 🧠 Ну действительно, представьте, вы уже знакомы с self refining и OPRO/GEPA методами самоулучшения рассуждений и промптов. В них мысль проста, ваша среда - политика это и есть модель, она порождает на контекст генерации, значит её можно bbox оптимизировать направленно при помощи управления промптами и/ или параметрами генерации. Таким образом, мы живём в пространстве возможных генераций от входа. Теперь идём дальше, вот цитата выше - агент застрял в решении,те сошёлся в локальном минимуме возможных исходов генераций. Как его оттуда сдвинуть? 1. Смена температуры. Когда вы говорите "проведи исследование", вы переключаете агента из режима greedy decoding в режим исследования - аналог поиска в глубину против поиска в ширину. Чтобы усилить эффект, можно явно попросить: "Сгенерируй 3 самых диких/неочевидных гипотезы, даже если они ошибочные" - это тот самый "шаг назад в менее выгодное решение", который выбивает из локальной колеи рассуждений. Кстати, мы люди, также делаем порой. Говорим себе стоп, давай начнём сначала или сделаем шаг назад. 2. Декомпозиция шага назад. Метод отжига требует времени на "остывание". Поэтому после команды" "исследовать" обязательно нужно дать лимит:" ..выдели на это 5 итераций размышлений, а затем вернись к исходной задаче и предложи финальный план". Иначе агент может улететь в бесконечный поиск и перерасход токенов. 3. Критическая разница с мат. оптимизацией. В математике отжиг принимает плохое решение на основе функции вероятности. В LLM мы не можем доверить случайность - вместо этого просим сменить перспективу. Это и дает тот же эффект перепрыгивания ямы, но детерминированно и осмысленно. Лайфхак вдогонку. Если агент топчется, скажите не просто исследуй, а "составь карту неопределённости" – перечисли, чего именно тебе не хватает для решения. Это принудительно расширяет границы знаний перед тем, как начать гуглить, и резко сокращает галлюцинации во время этого отжига. Однако правило, как понять, что агент застрял всеравно придётся написать. 👍 И да, что метод из цитаты. Что улучшение отжига требует больше токенов, но может спасти вас от траты того же числа токенов не тупик и зацикливания. 🧠

• OpenAI Private Safety — Защита сложных сценариев без хранения данных клиентов. • Mistral Agentic Search — Поэтапный поиск и проверка информации в документах. • Cursor Origin — Работа с репозиториями, синхронизация через GitHub. • Apple Mac mini и Mac Studio для локального ИИ — Новые чипы M6 и M5 Ultra, Mac mini от $899, Mac Studio от $2499. • OpenAI: чипы Jalapeno превосходят Nvidia — Планируют использовать их в конце года для снижения затрат. • Vercel запустил Run SDK — Инструмент для безопасного выполнения непроверенного JavaScript/TypeScript. • Figure представил Index — Приложение для сбора физических данных с помощью людей. • OpenAI запускает доступ к паролям для ChatGPT Work — ChatGPT Work может выполнять задачи через автозаполнение паролей. • Anthropic даёт Claude память между инструментами — Claude запоминает детали из чатов и использует их в Cowork. • Google запускает Gemini Enterprise для юридической отрасли — Готовые агенты и интеграции для юристов. • Google запускает Gemini Enterprise для финансовых услуг — Автоматизация рабочих процессов для финансовых специалистов. • Guru — Источник истины AI, предоставляющий проверенные ответы. • AdKit — Исследуйте конкурентов, запускайте кампании и отслеживайте результаты. • Skydive — Облачная платформа для AI-агентов, автоматизирующих бизнес-задачи. • Sparkvid — Создавайте видео, управляйте движением и редактируйте с помощью ИИ. • OpenAI представила первые результаты Jalapeño — Инференс-ускоритель для агентных нагрузок до конца года. • Perplexity и NVIDIA запускают Portable Computer — Полностью локальный ИИ-агент с нулевой стоимостью токенов. • Jalapeño оптимизирует пропускную способность и задержку токенов — Чип показал высокую производительность на киловатт и меньшую задержку. • Открытые омнимодальные мировые модели — EchoWM генерирует 720p видео, звук, музыку и речь. • Краткосрочные учетные данные для ИИ-агентов — Vercel Connect заменяет API-токены на выдаваемые во время выполнения. • Granite 4.2: как они устроены — Плотные модели-рассуждатели от IBM с размерами 3B, 8B и 30B. • Anthropic объединяет память Claude Chat и Cowork — Платформы запоминают одни и те же разговоры, включено по умолчанию.

#Нейропрожарка Анимационный клип на песню Аллы Пугачевой - Кафе Танцующих Огней в стиле анимации из мультфильмов 90-х Автор: Стас Ахунов. Режиссер и креативный продюсер Ai-студии TAINA Этот клип и музыкальный кавер я делал сам, в свободное от коммерческих проектов время. Трек появился ещё зимой. Регулярно делаю каверы на любимые песни в Suno — для себя, для катания на велосипеде, для зала. Здесь кавер получился с живым вокалом и качающим ритмом, захотелось визуализировать и поделиться. Идея была простая: поместить персонажа Аллу Борисовну в анимацию в духе мультиков 90-х. Черный плащ, Бэтмен, Черепашки-ниндзя сохранив их нуарный рисованный вайб, на котором я сам вырос. Три-четыре дня ушло на тесты и поиск стилистики. Пробовал более современный 3D-стиль — картинка теряла вайбовость. Вернулся к аналоговой анимации 90-х. Большинство кадров делал в Nano Banana, она лучше улавливала нужный стилёк и делала крафтовее. Сториборды делал в GPT Image 2 - но стиль она держала хуже, и на кадрах присутствовала такая джипитишная грязь/шумы, котоыре потом переходили в видео. История не была прописана полностью заранее. Начал с одной сцены: персонаж Аллы едет на чёрном авто по альтернативной ночной Москве. Дальше придумал кафе, и загадочную историю внутри. На середине работы захотелось добавить саспенса - вспомнил про мутаген из Черепашек Ниндзя. В детстве смотрел на кассетах серию, где персонажа превращали в насекомое. Вокруг этого выстроил сюжет, добавил злодея в маске и загадочности. Для генерации видео использовал безлимитный тариф Runway. Вместе с коллегой написали скрипт в Клод Код: он проверял завершение генерации и менял новый промт/ рефы и кликал на кнопку "сгенерирвоать". Таким образом была очередь из кадров, котоыре нужно было сгенерировать. Несколько ночей загружал по 15-20 промтов, утром смотрел результат. Всего вышло более 200 генераций по 15 секунд в Сиданс 2. Из них отобрал материал на клип длиной 4 минуты 43 секунды, и отдельно смонтировал тизер на 30 секунд. Монтаж - Final Cut Pro X. Апскейл в 4k - Топазом внутри Runway. Цвет, грейн и аналоговое свечение - Dehancer. Когда основные генерации были готова, решил что выходит скучновато и не хватает отсылок. Посмотрел несколько документальных работ про Пугачёву и дополнительно сгенерировал и расставил пасхалки к другим её песням. В ролике можно найти отсылки к «Миллиону алых роз», песне «Робот» (любопытная в контесте современной нейродвижухи) и другим. Отдельно использовал факт, что в советское время женщинам-композиторам было сложно пробиться - и Алла Борисовна для части своих произведений использовала мужской псевдоним Борис Горбонос. Его плакат можно найти в клипе. По деньгам, если считать все подписки одним месяцем: Runway с безлимитным на тот момент Сиднасом и Gpt Image 2 - $100, Higgsfield около 30$ (у меня там годовой тариф), Claude и ChatGPT - по $20, Suno - около $12 (у меня годовой премьер, который брал со скидкой). Итого около $180 если бы делал в один месяц. Но на практике проект делался сессиями на протяжении нескольких месяцев, поэтому реальные затраты размазаны и выходят немного больше. Некоторые кадры вышли не идеально - нейронка где-то написала слова на зданиях с ошибками, на некоторых кадрах есть артефакты. Проект несколько месяцев лежал на монтажном столе, мне казалось что в нем по прежнему чего-то не хватает, но я решил отпустить его и выпустить как есть, без сложного клинапа каждого кадра. Главное, что понял: всегда лучше на берегу определиться с арт-дирекшеном и историей, потом уже идти генерировать. Когда не знаешь заранее, что хочешь и история рождается на ходу - это интересный процесс, но затраный по времени и ресурсам. На генерации и тесты тогда нужно в разы больше времени. @cgevent