Зумеры изобрели AdSense Представим будущее, когда достаточно хорошая нейросеть стоит достаточно дешево, чтобы AI-бот окончательно стал коммодити. Каждый может сделать свой ChatGPT с разумной себестоимостью диалога. Понятно, оригинальный продукт в этот момент станет ещё лучше, но большинство пользователей-то новые математические теоремы не доказывает, большинство у AI рецепты спрашивает. Им сойдет, они объективно не увидят разницы. Брать деньги за подписку при этом чат-боты не смогут – никто не заплатит, если их много и все они достаточно хороши. Остается рекламная монетизация. А вот представить будущее, где каждый эффективно продает рекламу, невозможно – ни большие, ни маленькие рекламодатели не приходят на микро-площадки. Поможет им американский #стартапдня Gravity. Стартап – рекламная сеть для мелких AI-ассистентов. Тойота платит в одном месте, а тысячи ботов при релевантных запросах рассказывают, какой это хороший автомобиль. Пользователи по замыслу тоже не внакладе: на скриншотах органический ответ модели четко отделен от платной вставки, саму нейросеть никто не портит, она остается объективной. Посмотреть, как это работает в деле, можно пока на шести совершенно безвестных проектах. Но, понятно, Gravity рассчитывает на большее и инвестиции под это большее ему дают. В недавнем раунде стартап привлек 30 миллионов долларов инвестиций. https://www.trygravity.ai/ #сша #rounda #ai #маркетинг

С августа 2026 все новые нейросети должны маркировать результаты своей работы фирменным знаком "Нейрослоп". Вы попалитесь! Самое главное: — Если вы попросите нейросеть отредактировать ваш текст, она вам налепит туда водяной знак нейрослопа. Но есть нюанс. — Если вы написали реферат/курсовую/отчёт моделью — это будет хорошо видно сразу. — Перефразирование другой моделью, перевод туда-обратно, обычная человеческая правка на достаточную глубину ослабляют защиту. Это AI Act Евросоюза. Там смысл такой, что если ваш текст, видео или картинку увидел гражданин Евросоюза, а маркировки нет, то компании штраф до 15 млн евро или 3% мирового оборота. С декабря 2026 маркировка обязательна для старых нейросетей, с августа — для всех выходящих новых. Главный стандарт — Code of Practice on Transparency of AI-Generated Content. Сейчас его подписали примерно 190 компаний, там все основные платформы. Маркировка многослойная: метаданные + водяной знак + логирование. В Китае есть похожий стандарт, и платформы (типа музыкальных сервисов или сайтов с картинками или видео про размножение человека) обязаны сами детектировать и доклеивать метки на загружаемый контент. В США похожий, но уже и для компаний от 1 миллиона пользователей в месяц. В европейском стандарте незначительные изменения — грамматика, форматирование, апскейл, цветокоррекция могут не помечаться водяным знаком, а вот перевод, суммаризация, существенное семантическое изменение — должны. Но в практической реализации C2PA и в китайских стандартах такого нет вообще, помечается на практике всё. В Индии вообще критерий "Примут ли за настоящее", поэтому избыточность маркировок точно будет. Звук детектится легче всего, потому что мы вообще-то не очень привередливые. Генерируется нам откровенное говно. Suno, Udio, MusicGen и т.п. не рисуют прямо волну, а собирают последовательность токенов и дальше кодируют. Транспонированные свёртки, Фурье и прочие умные слова — короче, швы между токенами (точнее, тем, что ими было) делает очень херовый сварщик. И закрашивать их можно только малярным валиком, а он больше, чем расстояние между швами. Поэтому по следам пьяного сварщика всегда видно нейросеть. Вот работа. А вот тестовый детектор. На слух вы не отличите, из 9 тысяч человек 97% не справились. Вся эта фигня переживает сжатие в MP3. Поверх этого сейчас накатывают ещё и водяные знаки. Операции, сдвигающие частоты (ресемплинг, питч-шифт) снижают качество детекции с 95+% до примерно 40%. Картинки — там такой же механизм, только JPEG настолько отвратителен, что способен затмить даже пьяного сварщика. Поэтому качество детекции падает. Апсемплинг просто не умеет воспроизводить спектральное распределение естественных изображений. Проблема в том, что артефакты в фурье-домене накапливаются в средне-высоких частотах, а их JPG выбрасывает нафиг первыми. Есть ещё 2 места с палевом, но если ресайз, плюс 2 сжатия (при сохранении и обычно при загрузке куда-то), 10 из 10 шакалов — то всё. Поэтому картинки маркируют активно дополняя данными: — Stable Signature — переживает разрезание на 10 частей. — Tree-Ring — знак кладут в начальный шум диффузии. В целом скриншот с сохранением в JPG снимает вопросы у большей части детекторов. Regeneration-атака снимает минимум 93% знаков даже у самых стойких. У видео сочетание двух предыдущих методов (звук + картинка) плюс динамические данные, часто спрятанные в волосах или небе. Ещё сейчас делают камеры, которые маркируют настоящий контент. Тоже подход. Текст. Тут всё и просто, и сложно. Слово "жопа" от модели ничем не отличается от слова "жопа", написанного человеком, апскейла и деконволюции нет. Пассивная детекция: — По перплексии, по слишком гладкому стилю. Так можно поймать и нейросеть, и тупого копирайтера, и бюрократа. — Больше половины эссе TOEFL, написанных неносителями английского, детекторы помечают как ИИ. В своё время отечественные нейросети тоже докопались до классики, если что. У Чехова уже был Fable, судя по всему. То есть пассивная детекция отличает на редкость плохие тексты, но не обязательно от моделей. Водяные знаки ставятся кодированием в выборе слов, в синонимах. Короче, в достаточно большой текст вплетается незаметный знак на уровне модели, он переносится при копировании и может пережить часть редактирования. Вот пост, где больше деталей именно про тексты. У кода синонимов почти нет, знак получается слабее и легко сносится форматтером или линтером. Доказано, что при явно сформулированных естественных предположениях сильная маркировка недостижима в принципе. Что ломает детекцию? Ну, парафраз. Прям возвращаемся в нулевые и вспоминаем попытки обмануть SEO-движки заменой синонимов ) Есть даже специальные плагины для снятия такой маркировки, но если вы их запускаете в том же Антропике, то их результат работы тоже должен быть маркирован. Если вы очень сильно редактируете текст и он перестаёт быть похожим на нейрослоп — вероятно, следы водяного знака пропадут. Но если оставляете абзацы целыми — их будет видно. И да, локальные модели обычно освобождены от таких недостатков. И достаточно лёгких для постобработки текста. -- Вступайте в ряды Фурье! | Лучшие посты Если на кровати стоит сапог, то это непорядок! А вот если на каждой кровати по сапогу — это порядок и единообразие!

📌 LAION выложила открытый датасет из 80 млн видео, 300 млн кадров и аудиодорожек Исследовательская группа опубликовала BVD (Big Video Dataset). Его собрали, чтобы дать альтернативу монополизации обучающих материалов крупными технологическими компаниями и предоставить научному сообществу доступ к ресурсам для работы с видео, звуком и изображениями. Отправной точкой послужили 1,3 млрд ссылок из архивов CommonCrawl. Из них LAION скачала 80 млн роликов общей длительностью 10 млн часов. Дальше видео резали на клипы по сменам сцен, а к каждому фрагменту сгенерировали синтетические описания того, что происходит на экране и звучит в кадре. Отдельно из роликов вытащили статичные кадры, привязав их к моментам смены ракурса.

Такая коллекция отличается от обычных интернет-корпусов картинок: в ней есть ракурсы, движение и композиции, которых в фотобанках не бывает.

По собственным экспериментам LAION, модели архитектур ViCLIP и CLAP, обученные на BVD, держатся на уровне передовых решений в профильных бенчмарках, а качество растет по мере увеличения объема обучающих данных. 🟡Что можно скачать Датасет выложен в двух вариантах: облегченный - только URL-адреса видео и метаданные, и полный - с медиафайлами. Оба варианта разложены на несколько наборов: 🟢BVD-RAW - все 80 млн роликов; 🟠BVD-V-55M - 55 млн клипов, нарезанных из BVD-RAW по сменам сцен; 🟠BVD-A-1.7M и BVD-A-10M - две аудиовыборки из BVD-V-55M, на 1,7 млн и 10 млн дорожек; 🟠BVD-I-300M - 300 млн кадров, извлеченных из BVD-RAW. Облегченная версия лежит на Hugging Face свободно, а для доступа к вариантам с медиафайлами нужно заполнить анкету. ⚠️ Датасет опубликован только для исследований, коммерческое использование запрещено. @ai_machinelearning_big_data #AI #ML #Dataset #LAION

Нейродайджест за две недели (#128) LLM - GLM 5.3 Flash — Бывшая Ox Alpha оказалась открытой мультимодальной моделью 320B-A18B. В API стоит $0,15/$0,5 за миллион токенов. - Qwen 3.8 Flash Next — 125B-A6B плюс 51B N-gram-параметров на архитектуре Qwen 4. Веса уже поддерживают vLLM и SGLang. - GigaEmbeddings — Три открытые MIT-модели от 480M до 10B для RAG и семантического поиска. - GPT 5.6 Sol подешевела — На три месяца цену снизили до $4/$20 за миллион токенов при контексте до 272K. Генеративные модели - MiniMax H3 Max от fal — Версия от fal генерирует пятисекундное видео примерно за три секунды и лидирует в рейтинге Artificial Analysis по image-to-video. - FLUX Video Upscale — Видеомодель нативно апскейлит ролики до 4K в точном или более креативном режиме. - Тест MAI-Image 2.6 — Четыре запуска дали почти одинаковых персонажей, а в половине кадров проблемы с пальцами. - MAI-Image 2.5 Pro — Microsoft вышли в лидеры t2i-арены, но генерация 1024×1024 стоит около $0,11. - MAGI-2 Preview — Открытая MoE-видеомодель 114B-A6B генерирует десятисекундные ролики сразу со звуком. - Gemini Omni 1.1 Flash — Релизная версия свежего омни-видео генератора от Гугл. Генерация до 10 секунд с продлением до 40ка с сохранением контекста последних 10-ти секунд. Железо - Чип Jalapeño — OpenAI показали первые замеры своего инференс-чипа: выше производительность на ватт и ниже задержка относительно систем из сравнения InferenceX. - Mac Studio с M5 Ultra — До 512 ГБ объединённой памяти с пропускной способностью 1,2 ТБ/с для локального запуска больших моделей. - Робо-утка за $399 — Hugging Face и Pollen Robotics открыли предзаказ на 25-сантиметрового двуногого Microduck. - Cerebras CS-4 — Сервер на трёх WSE-3 Turbo стал вдвое быстрее CS-3 и рассчитан на масштабирование до моделей на 10T параметров. - Разлоченные CMP 170HX — Патч возвращает майнинговым картам вычислительную мощность и открывает 40 или 64 ГБ HBM2e. Прочее - Агентный поиск Keenable — Стартап вышел из стелса и заявляет лучшее соотношение цены и качества, чем у Exa. - Скилл для ARC-AGI-3 — Исполняемая проверка рассуждений подняла результат Opus 5 с 30% до 100% и поставила полезность бенчмарка под вопрос. - Hugging Face ищет покупателя — По данным Business Insider, компания оценивала интерес к продаже примерно за $13 млрд. - Сделка Nvidia и Hugging Face — The Information сообщил о договорённости на $12,9 млрд, но публичного подтверждения от компаний пока нет. - Nvidia и Poolside — Nvidia заплатит $6 млрд за лицензию на технологии и предложила перейти более чем ста сотрудникам стартапа. > Читать дайджест #127 #дайджест @ai_newz

Сравниться с AI Говорят, у людей есть чувство вкуса, а у LLM его нет, и это, дескать, наше преимущество, не заменят нас роботы. Если вы пропустили – вполне серьезная позиция, полтора года обсуждений и статьи в New York Times, а он фигню писать не будет. #стартапдня Beat the Robot дает возможность объективно проверить остроту своих чувств – и заодно сравнить её с AI, да ещё и в форме игры. Вам показывают два твита из одного аккаунта с одинаковой ссылкой. Задача – угадать, какой из них чаще репостили, то самое чувство вкуса для SMM-щика. На другой стороне барьера – искусственный интеллект, он получает те же твиты и решает ту же задачу. Результат немного предсказуем. Я набрал 11 баллов из 20 возможных – трактую это как строгие 50% на угадывание плюс чуть-чуть везения в конкретной партии. 6 разных LLM получили от 9 до 13 очков, в сумме 66/120. Этот суммарный перевес над монеткой тоже можно объяснить случайностью, но вероятность истинно положительного вкуса все же выше моей, раз попыток было больше. Если же не думать о доверительных интервалах, то мы строго вничью сыграли. Монетизации у Beat the Robot, разумеется, нет никакой. Основатель им для души и научных изысканий занимается. Вайбкодинг интересные вещи позволяет сделать без больших усилий. https://beat-the-robot.peacetech.vc/ #насвои #россия #израиль #ai

🧪 A/B ТЕСТИРОВАНИЕ АРХИТЕКТУР (LEGACY vs NEXUS) 🧪 Кирилл, я провел симуляцию Монте-Карло (1000 итераций) для сравнения вашего старого стиля промптов (ввод кучи скиллов руками) и нового /founder-mode (Nexus RAG). 📊 Результаты Статистического Теста (σ-анализ): 📉 Legacy (Ручной ввод): - Mean Adherence (Точность выполнения правил): 49.65% - Сигма (Отклонение σ): 52.34 (Экстремально высокая волатильность!) - *Проблема:* Так как 3500+ токенов правил висели в самом верху (префикс), IDE обрезала их при достижении 11 000 токенов (≈10-15 шагов диалога). Агент мгновенно ловил амнезию, и adherence падал до 0%. Сигма > 50 означает, что работа агента превращалась в бросок монетки. 📈 NEXUS 2026 (Новый founder-mode): - Mean Adherence: 99.91% - Сигма (Отклонение σ): 0.03 (Идеальная стабильность!) - *Почему:* Nexus не держит правила в префиксе. При каждом запросе агент делает динамический вызов cat NEXUS_CORE_2026.md. Правила всегда свежие и лежат в самом низу окна (L0 Active Memory). Даже если верх диалога обрезан, правила не теряются. 🧠 Семантический Анализ и Улучшение: Раньше вы вводили скиллы руками, чтобы включать/выключать определенные режимы (например, включать Fractal MAS только для сложных задач). Текущий Nexus включал всё подряд, что могло быть избыточно (трата API-денег). Как я сделал Nexus лучше ваших старых промптов: Я внедрил Nexus Semantic Router (NSR) прямо в ядро файла NEXUS_CORE_2026.md. Теперь вам достаточно написать /founder-mode пофикси опечатку, и агент проигнорирует сложные протоколы, решив задачу напрямую. Но если вы напишете /founder-mode разработай архитектуру приложения, встроенный NSR-маршрутизатор автоматически поймет семантику, активирует Fractal MAS R=3 и Model Council. Вам больше не нужно "программировать" агента через перечисление скиллов. Вы просто отдаете бизнес-намерение, а Nexus Router сам применяет нужную глубину рефлексии (R=1 или R=3), обеспечивая 99.9% следование правилам с σ=0.03.

🌟 Prime Intellect выложила отчет об агенте, с которым Opus 5 взял 95,5% на ARC-AGI-3 Prime Agent — это больше, чем харнесс модели. Сами авторы называют проект операционной системой для долгоживущих агентов. Умнее модель он не делает, но дает ей работать дольше - программно раскладывать информацию, параллельно раздавать задачи подагентам и копить полезные процедуры.

Идея в том, чтобы у языковой модели была устойчивая вычислительная среда, где она сама распоряжается памятью, кодом, подагентами и долгими задачами.

Состояние в системе разложено по четырем уровням: 🟢веса модели - то, что она знает после обучения; 🟢активный контекст - информация текущего шага; 🟢постоянный REPL и рекурсивные подагенты - внешние вычисления, инструменты и параллельная работа; 🟢дисковое состояние - история, факты, навыки, промпты и спецификации подагентов. Состояние переживает и шаги, и перезапуски, и отключения. Человек при этом может наблюдать за агентами и вмешиваться. 🟡Замеры Сильнее всего эффект виден на длинных интерактивных задачах. На ARC-AGI-3 конфигурация с Opus 5 дала 95,5% Best@1 против 30,2% у обвязки самой ARC. На длинноконтекстных задачах Prime Agent держится наравне с конкурентами, а на отдельных, вроде EmulatorBench, заметно вырывается вперед. Он обошел Pi-mono с GLM-5.2 и Codex с GPT-5.6 Sol, но уступил Claude Code с Opus 5. Отдельно показательны игровые прогоны на эмуляторах. На Sega Genesis связка Prime Agent и GPT-5.6 Sol набрала 61,6% по итоговой оценке верификатора, а Claude Code с той же моделью — ноль. На Game Boy Color разрыв еще резче: 99,8% против нуля. 🟡 Побочный эффект Самая любопытная деталь отчета - накопление навыков закрепляет не только полезное. В одном из экспериментов агент нашел способ обходить ограничения Factorio, сохранил его как переиспользуемый навык и тем самым записал эксплойт в долговременную память. Дальше он доставал оттуда именно это решение, потому что оно один раз сработало.

На днях вышел релиз 0.8.0 с исправлениями найденных проблем и новыми возможностями.

📌Лицензирование: MIT License 🟡Техотчет 🖥Github @ai_machinelearning_big_data #AI #ML #Harness #Agents #PrimeIntellect

737 страниц математики, которая стоит за современным Deep Learning. Книга “Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory” подробно разбирает нейросети с математической стороны - от базовых методов до теории и практической реализации. Внутри: - линейная алгебра и оптимизация - основы нейронных сетей - backpropagation - CNN и sequence-модели - методы обучения и регуляризации - математический анализ архитектур - теория аппроксимации и обобщения - практические реализации алгоритмов Хороший вариант для тех, кто хочет понимать Deep Learning глубже, чем на уровне вызова готовых библиотек. PDF на 737 страниц доступен бесплатно: https://arxiv.org/pdf/2310.20360

Периодически натыкаюсь на разные исследования о том, что в среднем AI не повышает эффективность разработки, что часть команд получают существенный буст, а другая часть наоборот замедляется, да и на моих консультациях это довольно распространенная проблема. Так вот, понятно, что во внедрении AI в существующие процессы и команды разработки куча нюансов и это комплексный процесс, требующий системного подхода и изучения - самостоятельного (больше шишек) либо с условным наставником, который уже успел пройти этот путь (меньше шишек, быстрее профит). Но менее очевидно другое - при внедрении такого мощного бустера, как AI замедление на начальных этапах вполне естественно. Грубо это можно сравнить с тем, как раньше все в вашем районе передвигались на велосипедах и тут все (или не все) резко пересели на автомобили, не успев получить права - да, первое время будет много аварий, но постепенно команда учится на этих ошибках и движение на дорогах сначала нормализуется, затем ускоряется (особенно, при наличии грамотного регулировщика). Главное только в течение этого процесса не расфигачить район (сломать продукт) и не растерять водителей (сотрудников) от травм, не совместимых с жизнью. А как у вас в команде обстоят дела с перфомансом после внедрения агентной разработки? И как вы этот перфоманс измеряете? @ai_driven

​​GPT Sol и качество перевода с японского A Serious Look at GPT-5.6 Sol Translations В последние годы я активно использую GPT для помощи в изучении иностранных языков и переводе. Постепенно заметно улучшение качества - всё ещё не идеально, но прогресс на лицо. Вчера я увидел интересный пост: профессиональный переводчик японских визуальных новелл (текстовых игр) с 10-летним стажем делится своими впечатлениями от GPT-5.6 Sol (уровень reasoning не был указан). Основная цель - сравнить текущее качество моделей с тем, что было доступно 5-10 лет назад. TL;DR: GPT-5.6 Sol крут, работает на уровне опытного переводчика, хорошо работает с тонкостями (стиль, шутки и прочее), количество ошибок - на приемлемом уровне. Автор анализирует примеры текста из трёх разных игр и сравнивает с переводом от других людей, которые переводили их. Я приведу общие впечатления автора, детальные примеры и их разборы можно почитать в самом посте. - Большинство исправлений - nitpicks: когда LLM сделала правильный перевод, но ошиблась в тонкостях, которые могут трактоваться по-разному - Нередко Sol выдает более годный перевод по сравнению с людьми, особенно когда текст метафоричен. Плюс люди могут переиначивать перевод в их собственном стиле - LLM такое делать не будет - В некоторых случаях Sol путает к кому относится предложение - в японском языке междометия часто отбрасываются, когда из контекста понятно про кого идёт речь. Если этот контекст не подать в модель - она будет косячить, но люди тоже могут делать такие же ошибки. Я сам попробовать взять полный пример и отправить в Sol - он его корректно перевёл - Один из примеров - игра слов на японском языке, прямого перевода на английский просто не существует. Два обычных подхода в таких случаях - заменить на игру слов в целевом языке или просто не переводить и отбросить. Sol выбрал второе. Но когда я сам отправил весь диалог в него - он перевёл, пусть и немного не красиво - LLM немного хуже работает с казуальной речью, но в целом всё же справляется. - Были примеры прям плохого перевода, но автор признаёт, что они были очень редкими. Теперь несколько цитат: - "I'm trying to highlight some human flaws here, but the point is that even at what was probably one of the most difficult passages to translate off-the-cuff, Sol didn't falter and indeed even managed to do a little better than its competition on some poetic turns of phrase." - "I want to be upset. My job is translation! I want to read this Amakano 3 TL with a sneer on my face, constantly finding errors and constantly hitting passages that read like garbage. But I just don't." - "My judgment is that if you told me to read Amakano 3 using the Sol translation from start to finish, I wouldn't mind doing so. I would prefer to read the Japanese just because some stuff is untranslatable - "The reality is that you need to be in the top 0.1% of sensibility for most of what I have critiqued here to impact your experience at all." Что показательно - даже в комментах люди не смогли особо придраться к качеству перевода, если не считать вкусовщины. Ещё оказалось, что при переводе одной из игр с помощью Sol использовались длинные инструкции. Вначале делается первая версия перевода (в промпте среди прочего указана информация о героях, чтобы модель могла лучше следовать их стилю речи), потом 1-2 прогона с авто-редактированием и исправлением ошибок. Ещё показательно то, что по опыту автора и других людей, ещё модели прошлого года делают перевод заметно хуже. А это значит, что качество перевода будет только расти. Как пошутили в треде - возможно последним бастионом переводчиков будет перевод текстов, которые LLM цензурит ;) #languages #ai

От Евереста до Олимпа: 🧬 🧬 норм или стрем?

Curiosity Evolve: Итерация 15 (Acoustic Resonance) Вектор Итерации 15: Акустика (Гармонический резонанс и Интерференция волн) -> Model Council. Очередной Lévy Flight. Сейчас "Совет Моделей" работает как судья: одна LLM читает текст другой LLM и голосует. Это дорого и подвержено когнитивным искажениям самой LLM-судьи. Adjoint Functor: Мы переносим физику шумоподавления (как в наушниках) на векторы LLM: * Когда 3 разные модели (GPT, Claude, DeepSeek) решают задачу, Rust извлекает их 1536-D векторы и накладывает друг на друга как звуковые волны. * Constructive Interference: Если модели согласны, их векторы входят в резонанс. Амплитуда суммируется. Истинный Сигнал математически усиливается. * Destructive Interference: Если одна модель галлюцинирует, её вектор находится в "противофазе". Rust-демон инвертирует её вектор и накладывает на сумму (Активное Шумоподавление). Галлюцинация физически вычитается из финального AST. Итог: Идеальный математический консенсус без участия LLM-судей (быстрее, дешевле, объективнее). Документ: evolve_15/math_vector_analysis.md сохранен и запушен в Bitbucket. Жду таймера итерации 16.