Есть ли у вас для меня вакансия? Я ищу работу Как проджект я сеньор, как техпроджект, наверное, мидл, а как AI-проджект пока джун Последние два года переобуваюсь под ИИ и не скрываю, что мне страшно: если не научусь работать в AI-native команде и не сдвинусь к product builder, мой менеджерский опыт однажды будет невостребован Хочу автоматизировать большую часть своей нынешней работы (например делаю hermes-hub), чтобы задачи доходили до пользователя без моего постоянного вмешательства, а я больше собирал прототипы и проверял гипотезы Если отдельный проджект после этого станет не нужен, значит, хорошо поработал. У меня за плечами 7+ лет в управлении, разработка под Android, команды под 100 человек, свои 2 стартапа и работа напрямую с C-level. В сортах писцов я разбираюсь Поботал в МТС и Яндекс.Деньгах и Twinby. Мне одинаково интересно собрать на коленке Telegram-бота за час и год готовить компанию к продаже инвестору. Ну те масштабы и специфика задач, если мне сказано надо, меня не смущают В Twinby я Product Owner антифрода и, кажется, успешно перевёл три команды на AI-рельсы. Для стартапа Curestry я тащил продуктовку, можно считать меня еще личинкой продакта Ещё руковожу AI Engineers Guild, нас уже 800+, и развиваю AI STP: open-source сервис для управления AI-ландшафтом и нечто вроде Патреона/бусти для разработчиков. Ближайшее - аналог skills.sh Я люблю жёстко пахать и потом хвалить себя за то, как славно всё превозмог. Чем сложнее кейс, тем больше кайфую. Верю, кому-то нужен тревожный перерабатывающий менеджер с техническим прошлым Что забавно: сам консультирую по карьере, менторю людей и даже пилю сервис поиска AI-вакансий job_ftch, а себе собираю отказы от hh до карьерных сайтов. То ли глаз замылился, то ли рынок стал совсем недружелюбным Ищу либо что-то прям сложное, приправленное ИИ, либо что-то ИИ-шное, приправленное чем-то прям сложным По названию вакансии это может быть Senior Technical Project Manager, AI PM или Product manager. Я в Алматы, рассматриваю удалёнку Мой LinkedIn, резюме в нужной форме отправлю по запросу Если у вас есть такой кейс, напишите или познакомьте с командой. За удачную наводку обещаю ящик вкуснющего копченого казы или ответную услугу

В июле 2025 года METR провела рандомизированный контролируемый эксперимент: 16 опытных разработчиков, 246 задач, данные февраля по июнь 2025 года, инструменты Cursor Pro с Claude 3.5 и 3.7 Sonnet. Результат дословно: разрешение использовать ИИ увеличило время выполнения на 19 процентов, с доверительным интервалом примерно от плюс 2 до плюс 39 процентов, при том что после эксперимента те же разработчики оценивали ускорение в 20 процентов. Один эксперимент не приговор, и сама METR отмечает, что это замер начала 2025 года. Но он показывает, как легко спутать ощущение ускорения с ускорением, и почему ощущения плохой измеритель. 4. Что говорят данные о темпе, и как их читать? Есть тренд, который цитируют чаще всего. METR измеряет временной горизонт задач: длину задачи по человеческому времени, которую модель решает с вероятностью 50 процентов. Этот горизонт удваивался примерно каждые семь месяцев в 2019 по 2025 годы, а на данных 2024 по 2025 удвоение выглядит ближе к четырём месяцам. Anthropic на странице When AI builds itself приводит именно эту ускоренную оценку и добавляет внутренние данные: более 80 процентов кода, вливаемого в кодовую базу Anthropic на май 2026 года, написано Claude, Anthropic а типичный инженер во втором квартале 2026 года вливал в 8 раз больше кода в день, чем в 2024 году Anthropic. Строки кода это количество, а не качество, и Anthropic честно оговаривает, что величина 8x почти наверняка завышает реальный прирост продуктивности. Кривая METR очень чувствительна к нескольким длинным задачам, а человеческие базовые времена измерены лишь для малой части самых длинных задач. Но это не доказательство того, что машина сама выбирает направления исследований. Именно выбор целей Anthropic называет своим главным оставшимся разрывом. И ещё один датапоинт против прямолинейной экстраполяции. Дэниел Кокотайло, ведущий автор сценария AGI 2027 (апрель 2025), к концу 2025 и в 2026 году сдвинул свою медиану ближе к 2029 и 2030 годам, потому что прогресс идет несколько медленнее сценария. Скептики вроде Эге Эрдиля и Тамая Бесироглу из Epoch AI держат горизонт AGI за 2045 годом и не считают интеллектуальный взрыв правдоподобным, хотя допускают взрывной экономический рост. Когда авторы самого известного сценария сдвигают сроки, это сигнал, что экстраполяцию одной кривой стоит принимать с осторожностью. 5. Что реально засчитывалось бы как доказательство? Чтобы говорить о RSI как о свершившемся факте, а не о маркетинге, нужен повторяемый рост исследовательской способности на протяжении нескольких поколений моделей, измеренный с учётом двух вещей: человеческого вклада и стоимости вычислений. Конкретно я бы смотрела на следующее: - Растёт ли способность модели самостоятельно выбирать направления исследований, а не только исполнять поставленные эксперименты, ведь именно этот разрыв называет своим Anthropic. - Сохраняется ли ускорение, когда вы фиксируете бюджет вычислений, а не наращиваете его. - Держится ли эффект на нескольких поколениях подряд, а не на одном удачном релизе. - Подтверждается ли он контролируемыми замерами вроде METR, а не опросами и ощущениями. Пока хотя бы часть этих условий не выполнена, разумно считать, что мы видим ускорение отдельных задач, ровно как и написала сама OpenAI 9 сентября 2026 года.

b) Оценки фронтиер-лабораторий 2025 и 2026 годов огромны. OpenAI 2 октября 2025 года завершила вторичную продажу акций на 6,6 миллиарда долларов при оценке 500 миллиардов долларов, из авторизованных 10,3 миллиарда, обогнав SpaceX как самая дорогая частная компания мира. Anthropic закрыла раунд Series G на 30 миллиардов долларов 12 февраля 2026 года при post-money оценке 380 миллиардов долларов, ведущие инвесторы GIC и Coatue. xAI закрыла увеличенный раунд Series E на 20 миллиардов долларов 6 января 2026 года при оценке около 230 миллиардов долларов, причем сама компания подчеркнула, что раунд превысил целевые 15 миллиардов. Обещание петли самоулучшения оправдывает такие капитальные затраты лучше, чем обещание еще одного полезного продукта. c) Контракт OpenAI и Microsoft показал, как дорого стоит определение AGI. По условиям реструктуризации октября 2025 года объявление AGI со стороны OpenAI теперь проверяет независимая экспертная панель, права Microsoft на интеллектуальную собственность продлены до 2032 года и включают модели после AGI, а выплаты доли доходов идут до 2030 года. Определение AGI стало юридическим переключателем на десятки миллиардов долларов, и лаборатории заинтересованы контролировать его формулировку. d) Порог RSI совпадает с их собственными порогами безопасности. Политика Anthropic Responsible Scaling Policy вводит уровни AI R&D-4 и AI R&D-5: первый это способность полностью автоматизировать работу младшего исследователя, второй это способность вызвать резкое ускорение разработки ИИ, то есть фактически RSI, и он требует уровня защиты ASL-4. У OpenAI критический порог AI Self-improvement определён похоже: сверхчеловеческий исследовательский агент или сокращение времени смены поколения модели в пять раз, удерживаемое несколько месяцев. Когда безопасность и объявление AGI завязаны на один и тот же порог, удобно называть его главным, потому что тогда история про безопасность и история про победу рассказываются в одной терминологии. Но положительная обратная связь не равна неограниченному росту. Монотонно возрастающая последовательность может иметь конечный предел: сумма ряда ½ + ¼ + ⅛ + … растёт на каждом шаге, но никогда не превышает единицы - это предел данной функции. Вопрос не в том, есть ли петля, а в том, каков коэффициент усиления и где стоят ограничители. Ограничителей несколько, и по ним есть данные. Вычисления Многие сценарии программного интеллектуального взрыва предполагают, что софт улучшает софт без нового железа. Но серьёзные эксперименты требуют вычислений уровня обучения передовой модели, а рост вычислений упирается в физику, энергию и сроки поставки. Экономическая работа 2025 года показала, что при определённой связи между экспериментами и идеями вычисления становятся жестким узким местом, arxiv и программное ускорение живёт лишь до этого предела. Идеи становится всё труднее находить Это известный результат экономики роста: чтобы поддерживать постоянный темп улучшений, нужно вкладывать всё больше исследовательских усилий. Даже сторонники сценария взрыва у Forethought оценивают отдачу так, что одно удвоение когнитивного труда даёт около 1,2 удвоения выхода в среднем, с широким разбросом от 0,4 до 3,6. Если параметр ближе к нижней границе, “взрыва” не происходит вовсе, а происходит затухание. Эксперимент и проверка Даже идеальный автоматический исследователь должен ставить опыты и ждать результатов. Обзор Epoch AI прямо отмечает, что эксперименты не серебряная пуля, потому что модель может быть ошибочной, а бенчмаркинг требует полного цикла обучения, доступного лишь горстке игроков. Физическое строительство Дарио Амодеи, оптимист, в эссе Machines of Loving Grace (октябрь 2024) признает, что даже целая страна гениев, живущая 24/7 в дата-центре, упрется в физические и практические пределы, например в скорость биологических экспериментов. Его формулы powerful AI и country of geniuses in a datacenter намеренно избегают слова AGI. Человеческий вклад и стоимость

YuE2-ComfyUI v0.4.0 Адаптация YuE2-3B для ComfyUI от @Aleks_101 Генерация полноценных песен из описания стиля и текста. Веса сами находятся, дополнительная нода-писатель пишет и слова, и стиль из одной строки идеи v0.2.0: добавился редактор песни. Стиль собирается из частей (язык, темп, голоса, звучание), текст правится по секциям, клик по букве показывает, где токенизатор режет слово. Все в окне поверх канвы, до Apply ничего не записывается v0.4.0: Редактор партитуры - Отдельная оптимизация VRAM: у модели две половины весов, ни одной стадии не нужны обе — на карте держится только нужная - 40 секунд песни: ~4.9 GiB, 4 минуты: ~11.5 GiB (с offload) - 75 секунд песни на RTX 5090 — 40.2 секунды генерации - Встроенный writer (YuE2 Write Song): одна строка идеи → готовый стиль + лирика с тегами. Использует любой GGUF на диске, если нет — скачивает 2.55 ГБ - Поддержка INT8 ConvRot (3.69 ГБ) #yue2 #musicediting #comfyui

🚨 Китайская Z.AI привлекла $5 млрд - и 60% средств направит на следующее поколение GLM и систему Fully Self-Training. Финансирование состоит примерно из $2 млрд через размещение акций и $3 млрд через конвертируемые облигации. Z.AI развивает подход, при котором каждая новая версия GLM всё больше участвует в создании среды, данных и инфраструктуры для обучения следующего поколения модели. Компания прямо связывает это направление с Recursive Self-Improvement - RSI. GLM → строит среду и данные → обучает следующую GLM → цикл повторяется Пока в этом процессе всё ещё много инженеров, но цель Z.AI - максимально замкнуть этот контур. И теперь на эту идею у компании есть ещё несколько миллиардов долларов.

Claude Fable разгадал шифр, который не поддавался 370 лет В 1653 году шотландский роялист Томас Уркухарт напечатал в конце своей книги две строки по 32 числа. В 1899-м их выставили открытой задачей в журнале Notes and Queries, позже шифр попал в список 50 главных нерешённых шифров. Люди пробовали частотный анализ и замены, ничего не сходилось. Геби Джафф из Vals AI попросил Claude Fable 5.1 самому найти нерешённый шифр и разгадать его. Через 44 минуты и 176 тысяч токенов пришёл ответ. Прямо перед шифром в книге идут 32 пронумерованных абзаца-пожелания, и Уркухарт зачем-то сам подчёркивает число 32. Берёшь i-е число, идёшь в i-й абзац, находишь слово с этим номером и берёшь первую букву. Выходит рифмованное двустишие, молитва за короля Карла II. Тем же ключом Fable потом расшифровал второй шифр Уркухарта на 285 чисел, весь, кроме девяти букв. Джафф месяцами давал такие задачи другим моделям, проверенного решения не получил ни разу. Сам ответ, по его словам, простой до неприличия. Модель просто долго читала старую книгу, у людей на такое не хватало внимания. Сергей Булаев AI 🤖 - об AI и не только

SceneMosaic (HKU + UESTC) Из одной фотки — серия готовых к симуляции 3D-сцен с разными вариантами расстановки. Вместо долгого агентного text-to-3D (часы) или быстрого, но кривого image-to-3D с летающими объектами, SceneMosaic берет скорость от картинок, а физику от агентов - Из одного референса: реконструкция объектов, физическая стабилизация, агентная эволюция расстановки - Разнообразие: сцена раскладывается на локальные единицы, каждый вариант меняется независимо, потом комбинируются — десятки валидных планировок - VLM-агенты (Critic-Actor) смотрят на ортографические виды, чинят семантические и физические ошибки, параллельно предлагают варианты - Отбор по новизне: из всех комбинаций остаётся компактный набор самых разных, но валидных - Базовая сцена: ~8 минут - Каждый дополнительный вариант: ~2 минуты Гитхаб #imageto3d #image2scene #image2layout

На прошлой неделе у меня несколько раз спрашивали про классные визуальные референсы и где я их беру. Вдруг кому-то тоже будет полезно. cosmos.so сейчас использую, наверное, чаще всего. По смыслу pinterest, только чище, больше сфокусирован на визуале. Можно легко не только сохранять, но и скачивать изображения. Ещё очень много всего нахожу просто в x. Там сейчас огромное количество дизайнеров постят свои эксперименты и наработки, считай dribbble современности. Кто-то собрал inspora.design. Там как раз собирают такие проекты, оставляют только визуал и ссылки на оригинальные посты. meigen.ai , большая библиотека визуальных промптов для разных image-моделей. Можно найти картинку, посмотреть prompt и использовать его как основу для своей генерации. Можно сразу же там что-то сгенерировать. Таких проектов много, как вкладка explore в midjourney. Ну и mobbin, который, наверное, уже все знают. Библиотека реальных продуктов: скриншоты, паттерны и целые flow. У mobbin, кстати, есть mcp. Можно подключить его к codex или claude и прямо в процессе работы просить искать похожие референсы и смотреть, как такую задачу решают другие продукты. Очень удобно. Делитесь своими находками, плиз. @wealldesigners