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

Jev, про который говорят на каждом углу - это может и не революция технически, но чертовски сильная штука с точки зрения продукта. Да, под капотом там явно что-то более приличное, чем голый BERT в zero-shot, классические MNLI-пайплайны или открытые альтернативы вроде SemIf (бывший OpenJev), Laya на ModernBERT или Bespoke-Nimble. Но главное не в этом: чуваки идеально высекли подзадачу и завернули ее в человеческий API. И случился занятный психологический эффект: сам факт релиза заставил людей - включая меня - проводить ревизию своих пайплайнов с мыслью: «А что я у себя прямо сейчас могу пересадить на такую быструю и дешевую штуку?». Иронично, что если сесть и трезво посчитать, современные flash-модели не сильно отличаются от Jev: по деньгам это копейки и там, и там, разница в latency невелика, качество одного порядка. Упаковка тащит. Я успел немного погонять Jev на живой задаче: размечать тул-коллы в траекториях кодинг агентов на тему безопасности. Собрал сотню вызовов, четыре подзадачи на каждый, натравил Jev, Sonnet 5 и открытые модельки, с панелью LLM-as-a-judge для оценки: 1. Привет из классического ML: majority константа все еще сильный бейзлайн. В реальных сессиях 4 из 5 вызовов тулов - это унылая рутина вроде cargo test или git status. Базовый мажоритарный класс забирает почти 80%. Не каждый LM классификатор так осилил! 2. Как всегда, не все ошибки одинаково полезны вредны. У Sonnet 5 роскошные 90%+ общей точности (~80% у Jev), но на редких реально опасных вызовах Recall 4 из 9 (у Jev 7 из 9). 3. Из коробки открытые альтернативы не очень. В zero shot режиме мелкие открытые декодеры сколлапсировали в ноль. Делаем банальный циклический сдвиг вариантов ответа (A/B/C -> B/C/A): Qwen 0.6B в 100% случаев выбирает A, MiniCPM в 100% случаев жмет последний вариант. С few shot получше, но encoder-based модели я не смог довести до уровня той же константы. 4. Калибровка удивительно хороша. Если фильтровать предсказания Jev с конфиденсом >= 0.7, он не ошибся ни разу. У самодельных реранкеров и дешевых моделек софтмакс получился размазан тонким слоем (разница между топ-1 и топ-2 часто в районе 0.05). 5. Jev - это все еще LM. Не надо слишком надеяться на детерминизм и отсутствие positional bias. На моем датасете шумело на ~2-3% между прогонами и позициями. В общем, отличный пинок вспомнить, что не на каждую кнопку нужно доставать Astra и Fable. Кстати, на все развлечения в API Jev я потратил бешеные $0.37. See also: мнение Ильи про Jev.

🤩 GigaCode Universal Agent теперь в open source — и в коде не уступает специализированным агентам 🤩 Мы собрали этого универсального агента не только, что писать код, но и решать бизнес-задачи. Он пригодится, если вы подбираете агента под свои рутины и хотите видеть, что происходит в каждом запуске.

🤩 ПРЕДСКАЗУЕМОЕ ИСПОЛНЕНИЕ ... Каждый запуск воспроизводим: ▫️ на входе фиксируются задача, версия скилла, модель, инструменты и лимиты по токенам, шагам и времени; ▫️ на выходе агент отдаёт результат, артефакты, полный трейс, стоимость и статус.

🤩 БЕЗОПАСНОСТЬ ... Агента удобно запускать в изолированной среде (Swarm-режим, только Linux), но можно и без изоляции — тогда write_guard по умолчанию не даёт ему писать за пределами папки запуска.

🧩 ВОЗМОЖНОСТИ ... ▫️ субагенты, скиллы и MCP из коробки; ▫️ режим CLI и серверная инсталляция; ▫️ в разработке автороутинг, который будет подбирать оптимальную модель под каждую задачу.

🤩 КОДИНГ ... На модели Qwen3.6-35B-A3B агент набирает 65,7 % на SWE-bench Verified и 65,0 % на SWE-bench Multilingual. Это выше, чем у OpenCode и Qwen Code в тех же условиях.

Мы в команде уже используем агента — пишем код, анализируем данные, используем для поиска и решаем другие повседневные задачи. Проверьте у себя: запустите агента в CLI на своей задаче и посмотрите трейс и стоимость прогона. 🔗 Репозиторий на GitVerse #изнутри #опыт_ML #агенты #опенсорс

Atria Dawn Preview от Shanghai AI Lab Агентная модель для исследований и инженерии. База - GLM-5.2 на 744B параметров (MoE). Превращает открытую задачу в исполняемый и воспроизводимый результат: анализ, план, код, эксперимент, разбор ошибок и повтор • Discovery - глубокий ресёрч и поиск по источникам • Creation - разработка софта, игр, визуализаций и ML-систем • Delivery - отчеты, презентации и структурированные продукты из документов • Cybersecurity - анализ уязвимостей и фиксы в авторизованных средах • 744B параметров • контекст 256K токенов • BFCL v4 77.0, DeepSearchQA 96.0 - лидирует среди конкурентов • есть FP8-версия • только текст, картинки на вход не принимает Встраивается в Codex, Claude Code и Kimi Code через API. Свой API в двух регионах - международный и Китай. Лицензия MIT Гитхаб HF #agent

Occamy-1.0 от Accio Lab Агентная модель 35B для длительных задач совместной работы. База - Qwen3.6-35B-A3B, обучение добивало надежное исполнение, трекинг состояния и доведение дел до конца. Находится у низкого колена Pareto-фронтира по цене за задачу • долгие workflows - поиск, код, инструменты, файлы и API в одном прогоне • устойчивость к перезаписи истории - работает после context compaction • сильный tool calling, терминальный кодинг и следование инструкциям • держит состояние между вызовами инструментов и делегированными запусками • мультимодальность - база с vision-энкодером на борту • 35B всего, 3B активных параметров (MoE) • контекст 262K токенов • лидирует среди 35B на Claw-Eval, WildClawBench и AutomationBench • GGUF, FP8 и NVFP4 квантизации под разные железки Сублинейная экономика: на четырех co-work бенчмарках обходит Qwen3.6-35B-A3B с почти тем же per-task расходом. Тренировочный стек Dressage открыт. Лицензия Apache 2.0 HF #agent

#рецепт Модель уровня opus 4.8 бесплатно. swe-2 в devin, но есть нюансы На выходных многие ломанулись тестировать SWE-2: до 10 октября он бесплатен в Devin Desktop и CLI. Модель интересная: дообученная от Kimi K3, аккуратно правит код, хорошо держит фронт и умеет много агентской рутины. Плюс сразу подхватывает AGENTS.md, skills, MCP и привычные CLI-интеграции. Целей нет, зато есть /loop Нюанс №1 У части пользователей незаметно включается Adaptive, а по умолчанию рядом маячит Fusion. В итоге ты думаешь, что работаешь на бесплатном SWE-2, а квота уезжает на роутер или lead-модель.В Fusion SWE-2 может быть только допом, а Fable/Astra/Sol платной основой. Дневная квота много у кого горит Нюанс №2 Бесплатно не значит безлимитно по скорости. По ощущениям, после 5–6 параллельных сессий TPS режется примерно со 100 до 70, в пик может падать до 30. Плюс периодически прилетают 429, и API притормаживает Чтобы не платить за соседей:

devin --model swe-2-high
/model swe-2-high
/session-stats

В конфиге закрепить (например) %APPDATA%\devin\config.json,

{
  "agent": {
    "model": "swe-2-high"
  }
}

Ну а /fusion, /model adaptive и /handoff не трогать. В статистике должна быть одна модель SWE-2, без Lead/Sidekick, и quota не должна уменьшаться P.S. Низкий порог входа по почте и слабая привязка к устройству сделали промо очень удобным для мультиаккаунтинга. Те 1 аккаунт за 20$ на почту + vps + cliproxyapi =>десятки индусов абузят через сабагентов. А еще конечно это по сути бесплатная мощная модель для любых ваших ИИ продуктов

Вчера я решил попрактиковать нативную разработку агентами. Для этого попросил Codex переписать свой task manager для Codex-a (из этого поста) из web приложения в нативное. Просто, чтобы оно было красиво. Поставил XCode, отправил переписывать. При этом в разработку на маке я ни в зуб ногой. Заработало приложение с первого раза, но было не очень симпатично. После пары промптов стало как на скриншоте, заодно и с трекером уровня подписки. Теперь в том приложении мне точно больше ничего не надо. Codex работает для AI Native Code идеально. Но теперь начинает приходить понимание, что можно аналогичным образом сделать нативный control center для команды из людей и агентов под текущие задачи, входящую статистику, дашборды и тому подобное. И чтобы было красиво и на ноутбуке и на планшете и на телефоне. Если у вас уже есть такие control centers, скидывайте их скриншоты в комментарии! Ваш, @llm_under_hood 🤗

Поставил себе на iPhone новое приложение для уведомлений от CLI-агентов Это опенсурс, называется Buzz (не перепутайте с их другим продуктом) Через него клод, кодекс и другие агенты могут отправлять на телефон пуши: - когда выполнил задачу - если нужен апрув или есть вопрос - вылезла ошибка (timeout, API rate limit и тд) И отдельно агенты могут спавнить виджет с прогресс-баром и статусом на заблокированном экране и в островке По HTTP, то есть агенту и телефону не обязательно быть в одной сети Уведомления приходят автоматом, а вот когда обновлять прогресс агент решает сам, так что попросите его еще:

Поставь скилл для Buzz, включи "finished": true, и всегда показывай/обновляй прогресс через скилл buzz.

Скачать приложение на iOS: TestFlight Или если захотите хостить у себя: GitHub @tips_ai #tools

Google Antigravity 2 -> хороший пример как я сделал свою реализацию общения между чатами/контекстами/проектами имея L1/L2/L3 память со всей информацией с которой я вообще работал. Это дальше открыло возможность сделать свой p2p/zero-trust чат/мессенджер аля Slack для общения с агентами из твоего AI IDE/моего AI ADE + с другими людьми и их агентами. В общем, теперь можно быстро / проактивно общаться 1 на 1 с людьми и с их агентами самим и через своих агентов для автономной коммуникации/работы + свое файловое хранилище зашифрованное и тд и тп. + работаю, чтобы можно было чаты длеать на 3+ человека и их агентов + чаты / интеграции с другими сервисами, чтобы оттуда тянуть апдейты или взаимодействовать с сервисами на обычном/человечем языке. Это прям очень сильно ускоряет разработку / коммуникации / исследования

Мои принципы командной AI Native разработки Главная цель тут - самостоятельность агентов при сохранении общего замысла продукта. (1) Люди и агенты могут координировать работу через общий язык и явно сформулированные концепции. Это можно использовать, если нужно держать AI Native команду из них в синхроне, распараллеливая работу между ними. В начале нужно создать небольшое смысловое ядро. Это цель, язык, приоритеты и ограничения, из которых естественно следуют дальнейшие решения. Это маленький файл, который пишется вручную (агент может помогать вычитывать). Он грузится в начало контекста агентов и проговаривается со всеми людьми в команде. На базе него принимаются решения и расписываются требования. (2) Получается пирамида, где нижние слои детализируют верхние: смысловое ядро -> решения и требования -> исполняемые BDD спецификации -> код. Чем выше, тем важнее человеческое суждение и тем шире последствия ошибки. Чем ниже, тем больше работу можно распараллеливать и проверять автоматически. Обратная связь из реального мира идёт вверх и помогает пересматривать исходные представления. (3) Контекст раскрывается по мере необходимости (progressive disclosure для людей и агентов). Краткая точка входа ведёт к подробным документам. Знания сохраняются в репозитории и доступны между сессиями. Имена файлов имеют значение! (4) Соответствие кода оформленным требованиям можно проверить запуском тестов! Продуктовые требования связаны с быстрыми поведенческими спеками (executable BDD specs), которые позволяют перепроверять корректность кода со скоростью 7k спеков в секунда. (5) У агента есть инструменты, чтобы проверять результат и исправлять ошибки. Это исполняемые спеки, служебные интерфейсы для отладки. Плюс доступ к логам и продуктовой телеметрии для получения обратной связи от реального мира. (6) Эта система из людей и агентов должна накапливать опыт. Скажем, ошибки улучшают спеки и документацию; пересмотр базовых принципов происходит осознанно (скажем, если повторяются разногласия или узнаем что-то новое). Общие соглашения и центр управления помогают переносить удачные решения между проектами. Урок усвоен, когда он меняет будущие решения или проверки и уменьшает вероятность повторения ошибки. Это можно проверять перезапуском старой сломавшейся задачи после переконфигурации всей пирамиды. А как вы помогаете своим агентам эффективнее работать в командах с людьми? Что работает хорошо, а что - не очень? Ваш, @llm_under_hood 🤗

🔥 Qwen3.8-27B Uncensored (Cyber/Agentic) теперь доступен в GGUF с калибровкой под реальные агентные задачи Это не обычная квантизация на случайном английском тексте. Importance Matrix собрана на реальном agentic-coding трафике: tool calls, пути к файлам, shell-команды, JSON, commit hashes и смешанный Chinese/English. Главное: - 27B модель в GGUF - IQ4_XS весит около 15 GiB - контекст до 262K в протестированной конфигурации - de-refusal / uncensored версия - сохранены vision и MTP - Apache 2.0 - заточена под coding, agents и cybersecurity-сценарии Авторы отдельно тестировали сохранение точных путей, UUID и commit hashes — критично для агентов, где одна ошибка в символе ломает команду. IQ4_XS при этом оказался всего примерно на 0,42% хуже Q5_K_M по paired perplexity, но заметно компактнее. Сам GGUF занимает ~15 ГБ, но реальное потребление VRAM зависит от context size, KV cache и offload - полный 262K контекст потребует существенно больше памяти. https://huggingface.co/cyjin-yl/Qwen3.8-27B-Uncensored-Cyber-agentic-imatrix-GGUF

Нерешаемых задач не бывает 🤔 Меня недавно спросили: а может ли ChatGPT взять и заказать мне продукты на неделю? В целом — да. Причем самый простой и тупой вариант: дать агенту браузер c открытым сервисом доставки и он уже сам накликает заказ. 🤷‍♂️ И вот здесь, мне кажется, появляется новый слой. Вопрос «можно ли решить эту задачу нейросетью?» уже устарел. 😅 Новый вопрос теперь в другом: насколько дорого мы собираемся это решать? 1️⃣ Можно сжечь миллиарды токенов, запустить кучу агентов и заставить их ходить по сайту, нажимать кнопки и собирать корзину. В итоге вы сэкономили себе десять минут, заказ едет, все счастливы. 2️⃣ А можно построить нормальный пайплайн: агент пишет скрипт, который через API собирает нужные данные, запускает его и проверяет результат. В итоге вся задача выполнится за секунды и потратится минимальное количество токенов. Для пользователя итог примерно один и тот же. А вот стоимость решения — вообще нет. И мне кажется, что именно сюда сейчас смещается главный вопрос вокруг нейросетей. Не «может ли оно это сделать?», а «как сделать так, чтобы оно делало это эффективно?» Как использовать генератор рандомных букв так, чтобы задача не просто иногда магически решалась, а стабильно выполнялась каждый раз — быстро, дешево и предсказуемо. Мы переизобретаем программирование? 😅 Свята место | 10МДК | YHub

➡️ElevenLabs сделали MCP Вангую новый виток восторженных рылзов, где показывают, что "КЛОД КОД (кодекс, и т.д.) теперь ещё может видео вам озвучить профессионально. Пишите секретное слово в комментариях, и я скину в личку секретнейшие материалы"... Новость позитивная. Давно пора. Да они дорогие, но и качество озвучки топ. Теперь всё станет ещё чуть удобнее и точнее. Если не знаем как подключать — пишем в codex (или другому агенту) "там вышел MCP от Elevenlabs, узнай и установи мне". Кстати в Codex (только тут проверил) это хороший и приятный плагин (ссылка). Вероятно, что и другие интеграции тоже в подобных форматах. Вот здесь в ветке они поделились базовыми примерами использования — ссылка Кстати, поделитесь вообще, кто какими text-to-audio пользуется? Я сижу годами на elevenlabs, раз в полгода делаю слепой тест и всегда выигрывают они...