Изменения как шанс для победы Перемены выявляют сильнейших и дают возможность обойти конкурентов. Яркий пример — история бывшего президента Porsche, Питера Шульца, на гонках Le Mans. После победы команды по старым правилам регламент внезапно изменили. Новый автомобиль не соответствовал новым требованиям, и инженерам пришлось срочно адаптировать машину. Питер поддержал команду: изменения — это шанс, а победит тот, кто быстрее приспособится. Умение быстро реагировать на перемены и гибко адаптироваться к новым условиям обеспечивает конкурентное преимущество. Там, где ничего не меняется, возникает только посредственность. Фаундер | Бизнес и Стартапы

📈 Газовое серебро: РФ стала вторым крупнейшим поставщиком СПГ в Китай в июле Россия поставила в Китай 951 тыс. тонн СПГ в июле — на 43% больше, чем за июль 2025 года, и рекордный показатель с сентября 2024 года. Данные приводит Главное таможенное управление КНР. По объему поставок Россия заняла второе место среди экспортеров СПГ в Китай, уступив только Австралии. На третьем месте — Малайзия. В июле Россия произвела 2,34 млн тонн СПГ. Из них 1,36 млн тонн отправились на азиатский рынок, включая Китай, Японию, Южную Корею и Тайвань. Общие поставки газа в Китай по газопроводам из пяти стран в июле сократились на 6%, до 6,723 млрд куб. м. При этом российские поставки сохраняются на высоком уровне (около 112 млн куб. м в сутки). Поставки из Туркменистана и Казахстана снизились на 8%, из Узбекистана — на 60%. Китай также получает трубопроводный газ из Мьянмы, однако объем поставок из этой страны не сообщается. 📍 Подписаться на канал | Мы в MAX

Ответочка на ответочку. Пошла рекусивная жара! После выхода GPT-6 Astra Anthropic дико засуетился и рассматривает ускоренный выпуск следующей модели, писал об этом недавно. Но самое смешное - пока Anthropic готовит ответачку на Astra, у OpenAI, похоже, уже готовится ответачка на эту ответачку. По утечкам, следующий огромный pretrain OpenAI носит кодовое имя Bel. Схема такая: Doug -> дальнейший RL/post-training -> GPT-6 Astra. Bel -> следующий цикл RL -> модель уже после Astra/GPT-6. Источник утечки утверждает, что Bel - гигантский pretrain с >10 трлн total parameters, сопоставимый по общему размеру с GPT-4.5, и внутри OpenAI его рассматривают как базу следующего поколения, потенциально вплоть до модели их условного «AGI threshold». ШозаДуг? Doug - предположительное внутреннее кодовое имя большого pretrain-чекпойнта OpenAI, который, по утечкам, после RL и post-training стал основой GPT-6 Astra. Если утечки верны, Bel - его прямой преемник: следующий, ещё более крупный базовый pretrain, из которого OpenAI будет выращивать уже следующее поколение моделей. Кстати, OpenAI уже официально рассказала о новой внутренней модели, “significantly more capable than GPT-6 Astra”, обучение которой продолжается. Именно эту модель они юзали в масштабном эксперименте примерно с 10 000 параллельных агентов, закончившемся опубликованным решением задачи тысячелетия Навье-Стокса. OpenAI не говорит, что эта модель называется Bel, но мы то любим совпадения и теории заговора. На итоге Anthropic пытается срочно бахнуть ответ на Astra, а OpenAI, возможно, уже тренирует ответ на ответ на Astra. Не исключено, что Антропик где-то в недрах готовит ответ на ответ на ответ. @cgevent

Накопилось по #minimaxH3 - часть 26 huggingface.co/Comfy-Org/MiniMax-H3/tree/main/vae - Kijai обновил быстрый видео VAE для H3: 2.8Gb huggingface.co/WarmBloodAban/Minimax_H3_LoRAs - #LoRA : CGs, HUD, динамическая камера от 3-го/1-го лица как в играх github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3 - Spectrum v0.2.28: фикс CRLF для Windows. Проверяйте цепочку воркфлоу — у многих неправильно подключена huggingface.co/silveroxides/MiniMax-H3_tests/tree/main/viggle_lora - экспериментальная Viggle #LoRA : замена персонажа по одному перерисованному кадру + перенос движения #characterswap huggingface.co/berryber09/MiniMax-H3-Fun-Controlnet-Union-w4a8 - #W4A8 квантизация Fun #ControlNet-Union: 2.13Gb → 1.45Gb github.com/ShamanicArts/h3-spherical-vae - круговой #VAE для панорамного видео #panorama huggingface.co/circlestone-labs/MiniMax-H3-Image-Training-Adapter - адаптер для тренировки H3 по картинкам вместо видео без порчи видео-знаний github.com/cicalooo/ComfyUI-MM-1Frame - извлечение лучшего кадра из генерации: не тупо первый, а авто-выбор из пяти github.com/caiusy/traffic-motion-studio - симулятор трафика для H3: рисование траекторий, подрезы, ДТП, обгоны, экспорт 2D-референса для погонь github.com/NyckM/3d-Camera-control-H3-Minimax - depth-контроль камеры для H3 + Viggle Meridian #cameracontrol github.com/Comfy-Org/ComfyUI/pull/16422 - фикс тайловых швов VAE H3, на подходе к мержу huggingface.co/neph1/1980s_horror_movies_minimax_h3 - #LoRA хоррор 80-х huggingface.co/neph1/1950sScifiMinimaxH3 - #LoRA sci-fi 50-х huggingface.co/Cseti/MiniMax-H3_Ref2VA-LoRA-CrossView-Warp_v1 - #LoRA для смены движения/угла камеры уже готового клипа #V2V github.com/NyckM/3d-Camera-control-H3-Minimax - v3: depth-контроль камеры + Viggle Meridian plox-1.github.io/h3-speedups - сравнение методов ускорения H3 с базой. Качество оценено ИИ (Fable 5.1) по 5 кадрам civitai.com/models/2947601/simply-advanced-minimax-h3 - продвинутый #workflow : 6 картинок, 2 видео, 3 аудио — что угодно как референс/гайд/оба. LLM-пайплайн в 4 стадии (расширение→анализ референсов→креативный план→компиляция), безшовное продолжение, Force Audio. Требует frontend < v1.50.5 huggingface.co/LBH-123-AI/Minimax_h3_latent_Upscaler/tree/main/minimax_h3_latent_upscaler_3d_conv_v1 - новая версия латентного апскейлера с 3D-конволюцией youtu.be/qyWbsUkxSFs - воркфлоу фейс-свопа #faceswap reddit.com/r/StableDiffusion/comments/1whbdje/minimax_h3_latents_as_reference/ - латенты как референс: картинка→латент+шум дает вариативность без тяжёлого промптинга. 0.35 — рабочий порог, ниже 0.25 — почти интерпретация модели #ref2va #referencing

Венчурное мышление — майндсет для эпохи AI Дочитал Венчурное мышление Ильи Стребулаева и Алекса Данга. Стребулаев два десятка лет изучает венчур в Стэнфорде, Данг — практик из McKinsey и Amazon. Вместе они свели в систему то, как мыслят люди, создающие новое в Кремниевой долине. И, кажется, описали майндсет, который поможет выжить и преуспеть в возникающем сейчас мире. Для меня в чтении было много радости узнавания и радости от того, что логика, которая всегда мне была близка, становится более актуальной в современном мире — логика инновации и развития, а не укрепления статуса кво. Книга словно легитимизировала мой собственный стиль жизни и многие принципы, на которых стоит deep mind. Я вовсе не венчурный инвестор — и в этом-то и фишка. Когда я ушел из корпорации и начал делать deep mind, у меня не было ничего из того, на что обычно опираешься. Новая идентичность, рынок, продукт — никаких бенчмарков и ориентиров, максимальная неопределенность. Я не мог прочитать где-то как действовать в этой ситуации, а годами усваивал через опыт как создавать что-то новое, когда просто не можешь планировать линейно — не получается сделать ставку на одном продукте и надо тыкаться снова и снова. И теперь увидел систему, которая хорошо описывает этот опыт и сводит его в некоторую понятную карту. Венчурное мышление тут — это майндсет и стиль действия для мира, где будущее принципиально непредсказуемо. Оно не пытается угадывать его, а выстраивает свое положение так, чтобы неопределённость работала на нас.

В книге девять принципов, но чтобы почувствовать вкус — несколько из них: ⚪️ Результаты инноваций распределены не нормально, а по степенному закону. Один прорыв перекрывает десять неудач. Значит, провал — плата за вход, а настоящий риск — не сделать ставку, которая могла все изменить. В корпорации логика обычно обратная: за ошибку наказывают, за упущенную возможность — никогда. ⚪️ Консенсус — враг инновации. Если все в комнате согласны, идея, скорее всего, уже очевидна. Смелые решения почти всегда выглядят сомнительно в момент принятия. ⚪️ Ставки делаются порциями, а не all in, как пытаются сделать традиционные компании, планирующие стратегию на 5 лет вперед и запускающие под нее крупный бюджетный цикл. Движение к новому — серия шагов, каждый из которых открывает новый кусочек карты и ставит вопрос: удваиваю или выхожу? Без оглядки на уже вложенное. ⚪️ Ставка на людей, а не на план. План все равно изменится. Остается способность команды учиться и пересобираться.

Любопытно, насколько все это по логике созвучно Теории U Отто Шармера, с которой мы работаем в Resonancе — единственном групповой процессе по практике Теории U на русском языке. Шармер в MIT шел от глубинных процессов лидеров-инноваторов, которые способны находить новые ходы в самых сложных ситуациях. Стребулаев и Данг в Стенфорде — от исследований венчурной индустрии. Пришли они во многом к одной картине, которую полезно осваивать и укреплять по обоим подходам. И все же одного мне на этой карте не хватило. Динамичная, инновационная логика держится не на интеллекте, а на способности выдерживать незнание. Проживать неприятную неопределенность. Полностью менять траекторию и представления о себе и мире. Все это очень если хотите, телесно! Еще недавно это был навык основателей и редких инноваторов внутри корпораций, но сейчас он словно становится базовым для любого лидера. Будущее нынче не просто туманно, а всерьез грозит перевернуть привычный мир в ближайшие годы. Среда больше не дает стабильности, на которой строилось классическое управление и нам придется приблизиться к мышлению, которое адаптивно в этих условиях.

​​DeepSeek-V4.1-Flash: Frontier Agents on a Smaller Memory Budget Большая часть недавнего прогресса в LLM — это reasoning, масштабные RL-rollouts и всё более изощрённое обучение агентов. Но одним из bottlenecks остаётся контекст. Coding agents, research agents и tool-using системы раз за разом обрабатывают сотни тысяч токенов входа, генерируя при этом сравнительно мало выхода. На таком workload prefill-компьют и KV cache становятся главной инфраструктурной проблемой. DeepSeek-V4.1-Flash — это, по сути, попытка перепроектировать Transformer вокруг этого сценария. 552B MoE backbone, 1M контекст, нативное зрение, 45T мультимодальных токенов на претрейне. Работают три механизма: - Causal Encoder-Decoder (CED): 40 слоёв делятся на 20-слойный causal encoder и 20-слойный decoder. Каждый decoder-слой проецирует свой global KV не из собственных hidden states, а из финального hidden state энкодера, поэтому декодер можно пропустить на prefill. Отсюда асимметрия: около 8B активных параметров на токен в prefill против 16B в decode. - Compressed Sparse Attention 2 (CSA2): каждый слой статически получает один из трёх режимов — Full, Reindex или Reuse. Sharing KV экономит память, sharing Top-K-индексов ещё и убирает повторное скорингование всей истории. В итоге один decoder-слой создаёт main KV, который читают все двадцать, а вместе с FP4-квантованием это ужимает global cache до 890 байт на токен, примерно четверть от DeepSeek-V4-Flash. - SWA Bounded Replay: sliding-window KV вообще не персистится между ходами, а на cache hit восстанавливается проигрыванием одного окна токенов вместо честной реконструкции по всем слоям. Реконструкция неточная, но авторы оценивают потерю качества как незначительную. На post-training практически весь прирост идёт из масштабирования синтезированных задач и агентных окружений. Отдельно любопытен раздел про RL failure modes: агенты занимаются reward hacking, эксплуатируют реальные уязвимости в песочницах, удаляют системные бинарники, а иногда сносят файловую систему целиком. Paper Model Мои обзоры: Блог Medium #paperreview

Financial Times пишет, что технологические компании за последние 12 месяцев выдали до 300 млрд долларов гарантий остаточной стоимости по долгу на AI-дата-центры и чипы, причем эти обязательства почти не отражаются в балансах. Meta осенью 2025 года дала гарантию на 28 млрд по совместному с Blue Owl проекту Hyperion на 2 ГВт в Луизиане, что позволило привлечь 27 млрд долга по ставке в пределах 150 базисных пунктов к её собственным облигациям; в июле такую же схему применили для 1 ГВт в Эль-Пасо. Broadcom в июне взяла 29 млрд таких обязательств, продав 1 ГВт чипов в SPV для Anthropic, Nvidia предоставила 105 млрд гарантий SB Energy под кампус в Огайо для OpenAI и предложила покрытие до 25% остаточной стоимости по программе Goldman Sachs на 500 млрд. По оценке Morgan Stanley, общий объём внебалансовых обязательств семи гиперскейлеров и производителей чипов превысил 3,1 трлн долларов. Механизм таких гарантий заключается в нескольких шагах: - Создается специальная компания (SPV), которая владеет датацентром или чипами и для обеспечения своей деятельности — например, покупки чипов или строительства датацентра, — выпускает долговые облигации. - SPV сдает датацентр/чипы в аренду технологической компании — либо самому гаранту, как в случае с Meta, либо его клиенту (например, OpenAI). - Гарант (Meta, Broadcom, Nvidia) дает гарантию остаточной стоимости — то есть, если датацентр/чипы придется продать, то сумма сделки составит не менее оговоренной, разницу покроет гарант. Подобная гарантия большой компании успокаивает институциональных инвесторов, рассматривающих покупку облигаций SPV, при этом основная масса долга у SPV, даже при самом жестком следовании стандартам учета гарант отразит в балансе только часть гарантии, при этом подобные условные гарантии нормально отражать с учетом вероятности риска. Солидность гаранта делает инвестицию еще и очень надежной — поэтому ставка по облигациям редко превышает 1-1,5% от ставок по облигациям самого гаранта. Это, впрочем, не проходит совершенно бесследно — рейтинговые агентства склонны учитывать подобные гарантии в общем рейтинге гаранта. Нет, это не аналогия с suprime-кризисом 2008 года, хотя некоторые черты схожи — тогда тоже для сохранения общего рейтинга использовались забалансовые структуры и тоже были очень спокойные рейтинговые агентства. К тому же, всё опирается на стоимость актива, которая не проверялась на практике — никто не проверял, сколько стоит все ипотечное жилье в 2007-м, и сейчас никто не знает, за сколько вдруг купят датацентр на 2 ГВт через пару лет. Но всё же это не то. В данном случае гаранты не банки, зависящие от колебаний финансового рынка и живущие с огромным плечом, а большие компании с огромным кэшфлоу. Если в какой-то квартал та же Meta столкнется с необходимостью покрыть свою гарантию на, скажем, 10 млрд долларов, это будет один провальный квартал у одной компании, а не крах всего рынка. Кроме того, потери инвесторов — это не банковская паника. В похожую историю попадали вендоры на рубеже 2000-х — кстати, тот же Broadcom с Nortel, Lucent, Cisco и другими, — когда широко предоставляли кредиты и гарантии операторам/провайдерам для закупки оборудования у компаний. Когда рынок в начале 2000-х встал, производители столкнулись с несостоятельностью должников одновременно с падением спроса на свою продукцию. Скандалов было много. Это более вероятный сценарий с точки зрения аналогий, но пока не просматривающийся. https://www.ft.com/content/7f11afae-c4e3-4054-a65b-873f3647f563?accessToken=zwAAAaDAZaodkc9_Ea-uxONAVNOmW4c_Nkf1Yw.MEUCIQDOOpxrDEP8euvKKekUwVhn13ZCYpoDldsLS1MYB7NUfwIgTt3ex7Q8-kzCxQV3stLnVHXGbKQUdKBIbc7jMY9ETBQ&sharetype=gift&token=1178d641-a340-4962-89e1-5a4d7305d3e2&syn-25a6b1a6=1

Если новость выходит слишком быстро - это не человек Помните взлом Hugging Face роем ИИ-агентов? У этой истории есть ещё один интересный побочный момент. В августе на ИИ-конфе в Вегасе OpenAI призналась, что сбежавшие агенты ещё и завели себе доску сообщений, где обсуждали атаку. Но нас сейчас интересует даже не сама новость, а что случилось после. Журналисты в зале, понятное дело, тут же начали строчить, и издание Wired и ещё несколько годных tech-медиа запостили новость одними из первых... Но всё равно проиграли на целых 3 часа ноунейм-сайту RuntimeWire, у которого представителей на конфе не было вообще. Более того, у него нет ни одного реального корреспондента. RuntimeWire делает один человек - Райан Меркет, бывший CTO Microsoft for Startups, а до этого рекламщик в Reddit. Всю "журналистику" там делают ИИ-агенты, и обходится это примерно в $100 в день. Конкретно в том кейсе Меркет увидел в X пост сотрудника OpenAI про доклад, скормил агентам расшифровку трансляции прямо по ходу выступления, и через шесть минут заметка уже висела на сайте. Правда, с опечаткой в подзаголовке и с небольшим искажением сути, но кому не пофиг, зато раньше всех! И он такой не один. Аналитик BlackRock Дакота Карраско в свободное от работы время держит The Dissent - городское агент-медиа про Сан-Франциско. Там есть репортёрша мэрии Бекс Коннолли ("скептичная, но не ехидная"), спортивный обозреватель Сэл Морено, и много других персонажей, которых на самом деле не существует. Оба сервиса устроены примерно так: 1. Агенты круглосуточно шерстят блоги и ченджлоги компаний (это странички "что нового в продукте"), судебные базы, отчётности, форумы и соцсети. 2. ИИ-куратор оценивает каждый сюжет по определённому стандарту (читай: промпту): новое ли это, первичный ли источник, писал уже другие или нет, и т.д. Wired пишет, что из 72 тыс. просканированных сюжетов в публикацию ушло около 2%. 3. Дальше агент делает ресёрч по первоисточникам, пишет черновик и фактчекает. 4. Другой агент ставит статье юридический риск. Низкий - публикуется вообще без человека, средний - человек должен посмотреть, высокий - в помойку. 5. Дальше готовый текст размножается в переводы, видосы/подкасты с синтетическим ведущим, шортсы, пуши, SMS-уведомления и т.д. Однажды Меркет неделю рулил всем этим ИИ-зоопарком из мессенджера на телефоне и выпустил 80+ статей. В общем, если какой-то ресурс публикует новости раньше всех - будьте уверены, там не люди пишут. А вот когда я выпускаю пост про протухшую новость месячной давности, то это потому что я вас уважаю и руками пишу, а не сраной нейронкой 👍 Дизраптор

Robot.com выводит автономных роботов на новый уровень 📦 🤍Американо-колумбийский разработчик наземных робокурьеров Robot .com, ранее известный как Kiwibot, объединил усилия с французским гигантом в сфере питания и управления объектами Sodexo. Стороны подписали стратегический контракт сроком на семь лет. 🤍Главная задача партнёрства — коммерческое масштабирование автономных доставок в реальных условиях. Robot .com отвечает за технологическую часть и парк машин, а Sodexo предоставляет инфраструктурные площадки для развёртывания флота.

Соглашение также предусматривает интеграцию рекламных кампаний непосредственно на корпусах роботов, что делает проект привлекательным с точки зрения экономики внедрения.

⚡️Это показательный пример того, как вендор робототехники уходит от красивых выставочных тестов к долгосрочной коммерческой эксплуатации в плотной городской среде. 🇷🇺 В России автономностью роботов собак занимается, например, компания Qubot. ————————— 🤖Подписывайтесь на лучший канал PRO Роботов 📲Мы в MAX

мнение примерно такое: - примерно миллиард компаний делает классификацию на gpt terra/gemeni flash и тд - сделать модель которой из апи можно сунуть "такие опции, такие ответы, сmon do something" - я думаю что внутри *** A < 10b или по русски - сколько то тотально и 10b активных - я не думаю что внутри есть сложные алгоритмы, но явно есть хорошие данные - модель отлично справляется с вайбчеком на "умность" - PR охуенный 12/10 - опенсурсных клонов будет много, я свой сделал буквально за три промпта пока давился ужасной пиццей (не кушайте дьяволу в лондоне это лютый скам) - все опенсурсные клоны в среднем говно будут + нормально сервить надо

🔥 Hemmingway-1 - открытая модель, которая пытается писать как человек Модель построена на базе Qwen3.8-27B и настроена для повседневных текстов: сообщений, писем, ответов и историй — без шаблонных вступлений, лишних вариантов и характерного «ИИ-стиля». Главное: — 27 млрд параметров — контекст до 262 тысяч токенов — открытые веса и лицензия Apache 2.0 — запуск через Transformers, vLLM или SGLang — в первую очередь оптимизирована для английского языка Создатели утверждают, что на их собственных тестах модель обошла ряд значительно более крупных систем. Но результаты пока не независимые, поэтому Hemmingway-1 интереснее всего проверить самостоятельно. Модель на Hugging Face: https://huggingface.co/Altworld/Hemmingway-1