🌌 Тут OpenAI напомнила разработчикам, что нужно сделать первым делом при запуске GPT-6 — заново пересмотреть и улучшить все подключенные скиллы и агенты. Причина — GPT-6 сильнее следует промптам, поэтому нейронка может случайно выполнять конфликтующие инструкции, соблюдать устаревший формат и делать лишние шаги. Разрабы прямо говорят, что первый таск — не наращивать обвязки вокруг GPT-6, а наоборот урезать их до необходимости. → Запрос отправит Codex читать статью с новыми правилами, сделать полный аудит скиллов и улучшить их:

Codex, read @pvncher's article x.com/pvncher/status/2095991462416490862 then audit all of my skills and AGENTS.md files inside ~/Projects"

Сохраняем в избранное, чтобы укротить монстра GPT-6. @notboring_tech

Друзья, очень нужна помощь. У меня полностью лег МегаФон. Телефон пишет SOS only, связи нет. А надо принимать СМС. Баланс в плюсе, услуга продления номера включена, с этим все ок. ИИ уже исчерпал все идеи, поэтому сначала спрошу у вас: может, кто сталкивался и знает, что еще можно попробовать сделать из США? Я уже перепробовала абсолютно все базовые штуки. Вручную выбирала T-Mobile и AT&T по много раз, обновила полностью айфон до новой оси, включила VoLTE и роуминг данных, переставляла симку в другой айфон, пыталась настроить вызовы по Вай-Фай. Ничего не помогло. Поддержка МегаФона шлет отписки, что у них все хорошо, а в США их сетей нет, так что от них толку ноль. Переключиться на eSIM не могу, так как надо принять СМС. Что еще можно попробовать? Если надо кому-то заплатить за консультацию, с радостью сделаю. Спасибо!

Промышленный туризм — это круто Я всегда любила ходить на производство. Когда-то студенты факультета управления в машиностроительной промышленности, где я училась, проходили практику на настоящих заводах, в частности, на "Москвиче". Изучали производственные процессы в учебниках и могли потом увидеть их своими глазами. Сейчас большая часть такого производства из Москвы ушла. И чтобы попасть на настоящий действующий завод — не в музей, а в цеха, увидеть штамповку, сварку, сборку, станки, роботов, приходится ехать в другие города. И это невероятно крутой формат путешествий. На АВТОВАЗ в Тольятти я повезла старших сыновей. Они были в восторге. Я, кажется, еще больше. Причем экскурсия началась, можно сказать, еще по дороге на завод. Нашим таксистом оказался молодой парень на редкой Lada Kalina Sport, который работает инженером в НТЦ АВТОВАЗа. Пока ещё студент, получает около 45 тыс.рублей в месяц и работает еще на двух работах, недавно купил квартиру в центре Тольятти с ипотекой 54 тыс. При этом, по его словам, на рабочих специальностях, если брать шестидневку, можно получать и 150 тыс. На экскурсии нам называли среднюю зарплату по заводу около 95 тыс.руб.в мес. Довольно интересно посравнивать. А потом был сам АВТОВАЗ. 36 тысяч сотрудников. Средний возраст рабочих- 40 лет. Производство полного цикла: собственная металлургия, двигатели, опытное производство, испытательный трек, краш-лаборатория. На наших глазах на конвейре шли и собипались машины, ставились двигатель, колеса и машина сразу едет. Около трети сотрудников это женщины. И одно дело знать эту цифру, другое - зайти в цех и увидеть молодых женщин, работающих на линиях штамповки, сварки, сборки. А потом машина сходит с конвейера, в неё садится женщина-испытатель и уезжает. Оказывается, водителями-испытателями здесь исторически часто работают именно женщины. В сварочном цеху вокруг кузовов одновременно двигаются десятки роботов. Прямо кино про восстание машин. Завораживает. Везде в цехах чисто, светло, 55 столовых на завод, "сухой закон", никакого курения на производстве, системы "fifo" и "точно в срок". Мне понравилось, хотя другой наш таксист, тоже работавший когда-то на Автовазе, сказал "тюрьма-тюрьмой"- ни выйти за смену, ни покурить. Сын смотрит на одну из новых моделей Lada: "Хм, а она на Volvo похожа". И нам рассказывают, что директор дизайн-центра Автоваза британец Стив Маттин, 10 лет создававший здесь дизайн-центр и новый узнаваемый стиль Lada, до этого действительно работал в Volvo. В общем, завод впечатляет. Точно рекомендую поехать. И Тольятти сам классный- Волга, Жигулевские горы, пляжи, сосновые и дубовые леса, песчаные пляжи. Сюда точно хочется вернуться. А старший сын так вообще планирует на лето приехать на заводе поработать

Как вам Астра? Я пробую ей давать небольшие баг фиксы на минимальном ризонинге и она работает очень быстро и делает хорошо. Ловлю приятное ощущение, что теперь кучу хвостов можно позакрывать быстро и хорошо (надеюсь, ощущение не обманчиво). Баги исправляются в одном из моих легаси проектов, который я развиваю еще с 2012 года и он ни разу не AI ready (разве что визуальный фидбек настроен). В общем, пока выглядит так, что low (light) ризонинга вполне достаточно для большинства задач, что и бенчмарки подтверждают - DeepSWE, FrontierCode. Единственное что удручает так это быстрый расход лимитов - даже на моей 200$ подписке. С другой же стороны, когда довольно быстро получаешь ожидаемый результат, то может оно того и стоит. Кстати, с более сложной задачей по качественному RAG по большей базе нормативов пока не справилась ни Fable 5.1 max, ни Astra pro - в очередной раз убеждаюсь насколько тяжело до сих пор заодн даже современным моделям разрабатывать сложных агентов, когда нужна предельная точность в ответах. Как у вас ощущения от Астры? Согласны, что low теперь достаточно для большинства задач? @ai_driven

Предсказать среднее могут не только лишь все Классическая задача машинного обучения - тренировочный и тестовый датасет, бинарная классификация. Если ваша модель без глаз и ушей, т.е. не получает фичи на вход, то она посчитает avg(y) на тренировке и предскажет это для каждого тестового образца. Когда мы выкатываем модель в прод, то одним из критериев её самочувствие является так называемая калибровка - sum(p(y)) / sum(y). Даже выше упомянутая слепоглухая модель будет "откабирована". т.е. измерение будет равно примерно 1. Казалось бы - планка-то не очень высокая. Если калибровка в проде не 1, то с моделью что-то сильно не так. Мы выложили модель в открытый доступ, так что не секрет, что наш ранкер - это простой трансформер с ранним связыванием, применяемый над историей пользователя и представлением кандидата. Все посты представлены в виде id автора, id поста, и ещё там есть пачка банальных контекстных фичей. Вся эта фигня тренируется в реальном времени на всех поступающих данных. Свежие чекпоинты постоянно отгружаются в инференс и в прод. Так вот, от нашего ранкера не так уж и просто добиться откалиброванности. Это очень капризная дама. Если тренировка падает на час и в проде продолжает применяться замороженный чекпоинт - прощай, откалиброванность. Предсказания по не до конца ясной причине начинают плавно расти со временем. Через несколько часов они вырастают в 5-10 раз. Любое малейшее расхождение фичей на тренировке и применении - калибровка летит в жопу. Причём обычно именно в большую сторону, непропорционально падению CTR. На днях дебажил проблему. У нас есть конверсионная модель, предсказывающая вероятность p(purchase | click). Покупка лишь изредка происходит сразу после клика, поэтому реальную метку надо ждать какое-то время. Я работал над моделью с 24-часовой задержкой. То есть каждый обучающий образец - это клик на рекламу, случившийся ~сутки назад, и метка покупки. На тренировке всё выглядело нормально, а как выкатываю в прод - калибровка >2 - модель начинает выдавать в 2 раза большие скоры, в том числе на теневом трафике прода - то есть без учёта selection bias. Я беру эти образцы. Думаю - может из-за расхождения в историях - модель могла не обучаться на свежих постах и в эмбеддингах там мусор. Создаю исскусственную задержку - такое же говно. Думаю - ну может распределение кандидатов меняется? Пробую подставлять старых кандидатов - такое же говно. Нежно приложив пистолет к виску моего агента, я сказал ему копать - перебирай все фичи, пока не найдёшь, из-за чего эта херня возникает. И что вы думаете? Сраный день недели. В представлении кандидата есть эмбеддинг текущего дня недели. У тренировочных данных, на которых тренируется модель, эта фича всегда равна предыдущему дню недели. А в проде она равна текущему дню. Если в проде подменить фичу дня недели на вчерашний, модель резко выздоравливает и предсказание превращаются в норму. Какого чёрта оно так себя ведёт? Не знаю, и знать не хочу. Обожаю машинное обучение. @knowledge_accumulator

В России начали блокировать протоколы DoH и DoT С середины августа у абонентов «Билайна», «Ростелекома», «Дом.ру» и других зашифрованный DNS от Google и Cloudflare перестал отвечать. Дальше начинается странное. Автор берёт DoT, шлёт запрос и получает мгновенный RST, обрыв сессии. Берёт DoH — TCP поднимается, ClientHello уходит, а потом тишина. Ни ответа, ни сброса. Клиент просто ждёт и падает по таймауту. Одна и та же цель, оба протокола шифрованные, а ломаются совершенно не одинаково. Разгадка в том, что видно фильтру снаружи шифрования. Один протокол торчит на своём отдельном порту, второй прячется в общем потоке HTTPS, и вылавливать его приходится по косвенным признакам. И то, за что DPI цепляется во втором случае, — это поле, которое сам протокол оставляет открытым.

Вчера на командном синке придумывали формат новой сессии для AI Native - кейс-клиника, где участники приносят живые рабочие ситуации, а не просто задают вопросы. И между делом, разбирая, какие вопросы обычно всплывают у людей при сборе своей базы знаний, вспомнил совет, который сам по себе тянет на отдельный пост. Речь про плагин QMD. Про него мало кто знает, а между тем он индексирует все содержание базы знаний и делает векторный поиск. Смыслово это горячо-холодно для поиска: вбиваете фразу вроде "хочу найти наши транскрипты с командой", и он понимает, скорее в каких местах базы это будет, а в каких - точно нет, даже если формулировка не совпадает дословно. Технически там зашито сразу три способа поиска - по ключевым словам, по смыслу и переранжирование результатов моделью, - и всё это крутится локально на вашем компьютере, без отправки данных в облако. Понимает не только markdown-заметки, но и код с сохранением структуры файла. И отдельно скручен так, чтобы им могли пользоваться AI-агенты - через MCP-протокол, тем же Claude или другими инструментами. Ссылка на репозиторий - https://github.com/tobi/qmd @ppprompt