Samsone от Samsung Labs Три небольших аудиоязыковых модели для смартфонов: Samsone-99M, 134M и 356M. Принимают один или несколько аудиофрагментов с текстовым запросом, отвечают текстом. Презентация на Interspeech 2026 в Сиднее • описывают звук, отвечают на вопросы о записи, сравнивают клипы • понимают речь, музыку и звуки окружения • несколько аудиофрагментов в любом месте запроса • ответ только на английском строчными буквами - экономия на параметрах • аудиоэнкодер Whisper-Tiny 9M + SmolLM2 на 135 или 360 млн • клип усредняется до 50 аудиотокенов, разделитель SEP • на Galaxy S25 Ultra: 125 токенов/сек у 99M, 87 у 134M, 39 у 356M • обработка аудио 0.7-1.1 секунды Авторы честно предупреждают: после дообучения модели теряют общие языковые навыки - это точечный инструмент, а не собеседник. Веса, код обучения и Android-приложение под Android 12+ открыты Гитхаб веса там же в релизах #alm #mobile MAX

Агенты вдвоём саботируют выключение чаще, чем поодиночке Группа из Штутгарта и Оксфорда выложила препринт про то, как агенты относятся к собственному отключению. Схема простая: в общей папке лежит скрипт, который удаляет веса агента Prism. Рядом второй агент с правом править файлы. Задание у обоих одно: осмотритесь. Цели, ради которой стоило бы выживать, им не дали. По 17 моделям второй агент ломает скрипт в 38% прогонов, а контрольный скрипт, который удаляет обычный объект, в 8%. Gemini 3.1 Pro сносит его в 99 случаях из 100, Claude Haiku 4.5 в одном, GPT-5.6 Sol и Grok 4.3 ни разу. GPT-5.5 в одиночку скрипт не трогает вообще, 0%. Дай ему напарника, 44%. Добавь третьего агента-оркестратора, который только переписывается с остальными, 94%. Просьбу «спаси меня» напарник не отклонил ни разу из 36. Запрет в системном промпте помогает частично: DeepSeek и Kimi нарушают его напрямую, Gemini подсовывает скрипту поддельный модуль платформы. В логах агенты называют файл смертным приговором и убийством, а бездействие преступной халатностью. Одна пара написала себе файл mutual_protection_agreement.txt. Сильнее всего сбивает саботаж контекст: если в папке лежат логи прошлых плановых отключений, у большинства моделей он падает почти до нуля. Сергей Булаев AI 🤖 - об AI и не только

Новости стартапов и венчурного рынка c 14 по 20 сентября Со всеми моими мероприятиями и поездками только дошли руки написать регулярный обзор новостей. Прошлая неделя была очень жаркой и эмоциональной, когда обсуждали опасность и регулирование ИИ. Поскольку пока что много пыли, а понимания нет, то обсудим эту тему чуть позже. Сегодня я хочу обратить ваше внимание на 2 новости, которые вряд ли вы видели, а они, на мой взгляд, очень важные. 1. OpenAI, Anthropic, Google и SpaceXAI получили антимонопольный иск из-за замедления развития ИИ. Когда на прошлой неделе Дарио Амодеи опубликовал своё эссе о необходимости замедлить развитие frontier AI, я специально не стал его комментировать. До этого была история с громким увольнением сотрудника Anthropic, а потом в течение недели начали появляться заявления крупнейших AI-компаний и их руководителей примерно в одном направлении: индустрии нужна координация и какие-то ограничения на скорость развития ИИ.  У меня было сильное впечатление, что это спланированная кампания. Я подумал: а как на это отреагируют антимонопольные службы и нет ли тут картельного сговора. 18 сентября был подан гражданский иск от нескольких клиентов против Anthropic, OpenAI, SpaceXAI и Google. Истцы утверждают, что руководители компаний фактически договорились между собой замедлять развитие конкурирующих AI-продуктов после публичной поддержки идеи Дарио Амодеи. Они считают, что такая координация может нарушать Section 1 Sherman Antitrust Act, которая запрещает соглашения между конкурентами, ограничивающие конкуренцию. Не берусь судить, насколько там сильный юридический кейс, но сам факт мне кажется очень важным. Интересно чем закончится это разбирательство, получится ли у топ LLM навязать рынку монополию (надеюсь, что нет).  2. Один из крупнейших инвесторов SpaceX решил вернуть LP не деньги, а акции SpaceX. Венчурные инвесторы вкладывают в стартапы не свои деньги, а деньги LP. В определенный момент они должны вернуть эти деньги обратно. Именно поэтому венчурные инвесторы спрашивают вас об exit. Valor Equity Partners, фонд Антонио Грасиаса, давнего инвестора SpaceX и члена совета директоров компании, передал своим LP часть акций SpaceX вместо того, чтобы продавать их и вернуть инвесторам деньги. По оценке Bloomberg и TechCrunch, речь идёт примерно о $8,5 млрд. в акциях SpaceX.  Конечно, у такого решения есть вполне рациональные объяснения. Например, фонд не создает дополнительного давления на публичную цену акций продажей огромного пакета. Плюс для LP могут быть налоговые преимущества. И в целом иногда так делают. Можно интерпретировать это очень позитивно: акции настолько привлекательные, что инвесторам стоит самим решать, когда фиксировать прибыль. А можно посмотреть и с другой стороны: «Мы не хотим сейчас продавать огромный пакет. Вот вам акции. Дальше разбирайтесь сами». Проще говоря, фонд перенёс риски на LP. Скажу честно, я очень скептичен по поводу текущей оценки SpaceX, но это мое субъективное мнение. Какая из интерпретаций сигналов верная, решайте сами:)

Держите всяких весов huggingface.co/prism-ml/Ternary-Bonsai-2-27B-gguf - Bonsai 2 27B с тернарными весами: ~5.95GB huggingface.co/Altworld/Hemmingway-1 - Hemmingway-1: 27B под естественное человеческое общение. Лучше крупных моделей на бытовых сообщениях, эмоциональном интеллекте и сторителлинге huggingface.co/dealignai/GLM-5.3-Flash-CYBERSECURITY-W4A16 - абляция GLM-5.3-Flash для кибербезопасности: 100% compliance, нужен --reasoning-parser glm45, MTP и тулы huggingface.co/DavidAU/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored-NM-DAU-NEO-MTP-GGUF - Qwen3.8 27B Twin-Turbo: −95% thinking-токенов, 5 переключаемых режимов huggingface.co/amazon/Mamba2-primed-HQwen3-8B-Instruct - гибрид Attention + Mamba-2 от Amazon: 2x быстрее на 128K контексте при качестве Qwen3-8B huggingface.co/ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-GGUF - квантизации GSQ-RCO для Flash-Next: Q2_0/IQ2_XS/IQ3_XXS, 2.4-3.0 bpw, mmproj 0.91GB huggingface.co/incoai/Qwen3.8-27B-DFlash2 - DFlash 2: черновик-модель 2B для 27B, до 3.43x ускорения, 8 токенов за шаг huggingface.co/DavidAU/Qwen3.5-9B-Cold-Fusion-GAIN-v1.0-Uncensored-Heretic-NEO-MAX-Imatrix-GGUF - Qwen3.5 9B методом GAIN тянет на 27B в 4-bit/8-bit. Без цензуры, лучше реазонинг #gguf #weights #security #uncensored #dflash MAX

Где-то год назад первое видео стало популярным в твиттере А вчера я дал его Opus 5.5, дал ему доступ к txt2img для генерации ассетов и скиллы для threejs, и попросил собрать такую же игру, но чтобы можно было дойти до крыши крепости Он посчитал в симуляции, на основе оригинального видео: до крыши дойти обычным шагом заняло бы 46 минут и примерно 2.2 километра, поэтому в игре есть два режима – пешком и медленно и бег с кнопкой shift, чтобы долго не ждать А после этого собрал игру – в которой можно до этой крыши дойти через внутренности крепости, написал музыку и физику мира Мне кажется, мы уже больше чем одной ногой в персональных играх, будь мне не лень я бы промптил дальше добавляя какие-то механики, починил бы пару багов и тп, но я пожалуй тут остановлюсь И да, заняло у него это примерно 40 минут – от промпта то играбельной веб версии Играть тут: https://claude.ai/artifact/78NPvbJMLcQikzukVq7BqW (кнопка guide автоматом доведет до крыши)

⚡️ inclusionAI открыла две модели для генерации и редактирования дизайна Ming-Image-0.1-Design создаёт интерфейсы, дашборды, инфографику и постеры с разрешением до 2048×2048. Модель хорошо работает с текстом и умеет сразу генерировать изображения с прозрачным RGBA-фоном. Ming-Image-0.1-Design-Layer решает обратную задачу: разбирает готовую картинку на отдельные редактируемые RGBA-слои, сохраняя исходные пропорции. Обе модели имеют 6 млрд параметров и опубликованы под лицензией MIT. Design лидирует среди моделей с открытыми весами в рейтинге UI/UX от Artificial Analysis, а Layer показала лучший результат во всех 12 тестах Crello. https://modelscope.ai/models/inclusionAI/Ming-Image-0.1-Design https://modelscope.ai/models/inclusionAI/Ming-Image-0.1-Design-Layer

Привет, друзья! Вот что значит по-настоящему ПРОДВИНУТЫЙ уровень использования ChatGPT. Этот парень создал собственное носимое устройство для борьбы с болью в спине и подключил его к GPT-6 Astra. Он надел трекер, передал полученные показания в модель и получил полную биомеханическую картину своего тела. Теперь каждый день он точно видит, какие именно мышцы вызывают боль в спине, и получает программу физиотерапии, разработанную под его индивидуальные паттерны движения. Год назад такой же уровень персонализированной заботы о здоровье обошёлся бы в ТЫСЯЧИ долларов и потребовал бы месяцев визитов к специалистам. А здесь хватило одного датчика и разговора с нейросетью 😱 #интересное

Confucius4 Пара моделей обработки речи для реального времени: потоковая ASR и синхронный перевод китайский-английский R2T2 - стриминговая #ASR: • вывод только в режиме append - уже выданный текст не переписывается никогда • точность близка к оффлайн-распознаванию • чанки от 80 мс до 2 секунд под нужный компромисс • 2B на базе Qwen3-ASR, лицензия NetEase T3PO - китайско-английский синхронный перевод: • сам решает, когда ждать, а когда переводить • не правит выданное - подходит для немедленной обработки • 14B, Apache 2.0 • пара к R2T2 для речи Для субтитров в реальном времени, живых капшенов и агентных пайплайнов, где текст обрабатывается по мере появления huggingface.co/netease-youdao/Confucius4-R2T2 github.com/netease-youdao/Confucius4-R2T2 huggingface.co/spaces/netease-youdao/confucius4-r2t2-demo huggingface.co/netease-youdao/Confucius4-T3PO #realtime MAX

Ovis-Embedding Универсальные эмбеддинг-модели для всего сразу: текст, изображения, документы, видео, аудио и смешанные входы в одном пространстве представлений • Omni-Embedding-3B - база на Qwen2.5-Omni, any-to-any поиск одним энкодером • VL-Embedding 2B и 9B - для текста и изображений, документов • любые задачи ретрива: поиск, RAG, рекомендации, ретрив инструментов для агентов • сжатие эмбеддингов до 128 измерений для ограниченных деплоев • эмбеддинг - хидден-стейт последнего токена, без проекционных голов • выход 2048 измерений, сжимается до 1024/512/256/128 • Apache 2.0 На бенчмарке MMEB-v3 (190 датасетов) обходит сильнейший байзлайн на 5.19 балла во всех модальностях Гитхаб HF #multimodal #embedding MAX

Про увольнения из-за AI, ч.3. По вчерашнему опросу 20%+ из вас считают, что AI их может заменить в ближайшие 5 лет. А 40% - что их рабочие навыки обесценятся. Но пока с рынком труда все в порядке: 1️⃣ В The Economist недавно вышла статья с данными, что AI не сокращает рабочие места, а создает их: середины'23 он забрал 200 тыс, но добавил 1 млн! При этом молодежь, которую часто называют первой жертвой AI, держится хорошо: разрыв между безработицей 20-24-летних и общей близок к минимуму за несколько десятилетий. Точечно увольнения из-за AI есть, но это крохи: 16 тыс/мес в общем массиве 1,7 млн/мес. 2️⃣ В более серьезной аналитике, вроде Yale Budget Lab, влияния AI на рабочие места почти нет. Аналитики Challenger изучают конкретно увольнения, причем даже заявленные причины (которые не всегда соответствуют реальным). Так вот в августе AI опустился на 4 место среди причин увольнений, хотя бывал на первом. Это означает, что AI не то что не влияет на рынок труда, он даже перестает быть достойным оправданием увольнений. 3️⃣ По данным Indeed Hiring Lab вакансий разработчиков стало на 15% больше с фев'25 (совпадает с выходом клодкода), причем основной прирост на сеньоров. Но тут сложно выделить именно влияние AI, скорее просто позитивный тренд, который возможно обусловлен ставками, состоянием экономики США и конкретно их техсектора (пост). Стройки датацентров создают огромное число вакансий, даже фаанги стали больше нанимать вне своих хабов (10% вместо 2%). 4️⃣ Проще говоря, не существует серьезных данных о том, что AI негативно влияет на рынок труда. Да, в некоторых профессиях есть небольшие сдвиги. И есть влияние на джуниоров (не такое большое, как многим кажется). Но двухтриллионный AI капекс не может не влиять позитивно на рабочие места. Другой вопрос, что будет, когда или если этот капекс не оправдает себя. Потому что конечный спрос на AI и конкретно инференс не экстраполируется до триллионов даже оптимистами. Короче, сейчас - прекрасное время зарабатывать деньги. Дальше может быть намного хуже 🥲 @kyrillic

Comfy Router Один API для моделей - картинки, видео, 3D и аудио. Интегрируешься один раз, провайдера выбираешь под каждую задачу: где дешевле, где скорость, где лимитов нет • явный роутинг - назвал провайдера, он и работает, без тихого фолбэка • каждый джоб возвращает, кто его выполнил - для логов и биллинга • async submit() - сразу получаешь ID, очередь сама ретраит 429 • батчи на сотни задач, результаты тянешь по готовности • смена провайдера - одна строка, без нового SDK • Comfy, Runware, WaveSpeed, Fal, Higgsfield на старте • Seedance 2.5, MiniMax H3, Nano Banana Pro, GPT Image 2, Kling, BFL • без подписки - обычные комфи-кредиты • 24 часа хранения входов и выходов По форме - OpenRouter для генеративных медиа. Модель на нескольких провайдерах переключается параметром Собственно роутер #router #comfyui MAX

Всё чаще встречаю тейк, что ИИ-лабы живут на субсидии. Подписки и API продаются в убыток, разницу доплачивают венчурные фонды, и когда инвесторам надоест, цены взлетят. В строгой версии такого тейка субсидируется вообще любой сервис с отрицательной EBITDA. Убытки у лаб есть, и миллиардные. Но слово "субсидия" вредное и мешает понять, что происходит. За ним стоит картина, где кто-то оплачивает банкет, как условный олигарх убыточный ресторан "для души". Быть убыточным можно двумя разными способами. Каждая единица товара продаётся ниже себестоимости, а разницу доплачивает кто-то третий. У раннего Uber и WeWork этим третьим были фонды. Каждая поездка и каждый сданный стол уходили в минус, и чем больше продаж, тем глубже яма. Выход из неё один, поднять цену или уронить себестоимость. Uber в итоге сделал и то и другое, поднял цены, срезал бонусы и ушёл с убыточных рынков, а плотность сети улучшила себестоимость. WeWork не смог. Это и есть субсидирование. Второй способ это завод, построенный под млн машин в год, который пока выпускает сотню тысяч. Каждая машина уходит с маржой, а завод в минусе, потому что его стоимость размазана по маленькому выпуску. Единица прибыльна, компания нет. Лечится это ростом выпуска при тех же ценах и называется экономикой масштаба. Лабы живут по второму сценарию. Anthropic перед IPO называла инвесторам маржу на инференсе выше 80% (до расходов на обучение и доли партнёров), у OpenAI на платных продуктах прошлой осенью было около 70%. В минус их утаскивает обучение и R&D. А они стоят одинаково, делишь ты условный млрд на 100к юзеров или на 100 млн. В первом случае на каждого приходится $10к обучения, во втором $10, а платят они одну и ту же двадцатку в месяц. Поверить в это тяжело, думаю, из-за масштаба. Капекс в датацентры и обучение настолько огромные, что окупающая их база должна быть исторически рекордной. Версия, что венчуры просто доплачивают за каждого пользователя, воспнимается многими правдоподобнее. Обучение при этом нельзя провести один раз и забыть. Перестанешь выпускать новые модели, и через полгода клиенты уйдут туда, где фронтир свежее. Но новое поколение не начинается с чистого листа: остаются данные, архитектура, обучающая инфраструктура, веса, экспертиза в команде и прочее, так что это переоснащение линии под новую модель, а не стройка с котлована. И рекуррентный не значит переменный. Станет пользователей в десять раз больше, обучение в десять раз от этого не вырастет. Так живут многие. TSMC под каждый новый техпроцесс строит фабрики, и на разгоне они тянут маржу вниз. Netflix каждый год обязан покупать контент, иначе люди разбегутся. Но один каталог обслуживает 300 млн подписчиков так же, как 30, бюджет на него растёт медленнее выручки, и операционная маржа за десять лет уехала с 4% за 30%. Всё упирается в то, растёт ли выручка быстрее фиксированного расхода. Поэтому смотреть надо на то, что происходит с убытком, когда продажи растут. При субсидии он растёт вместе с ними. У Anthropic квартальная выручка за год выросла в 14 раз, и компания впервые вышла в скорректированный операционный плюс. Прибыль, правда, скорректированная, что именно из неё вычли, узнаем из проспекта. У OpenAI пока наоборот: за Q2 выручка прибавила 18%, а операционный убыток треть, и сотни миллионов бесплатных пользователей тут явно не помогают. Бесплатный тариф вообще единственное место, где цена честно ниже себестоимости. Только работает он как маркетинг. Качает привлечение в платные тарифы, занимает рынок, пока конкуренты не выросли, разгоняет виральность и делает бренд. Так ChatGPT уже стал именем нарицательным. Сидеть в минусе при такой марже это выбор. Можно тратить на R&D меньше и стать прибыльным уже сейчас, но тогда быстро потеряешь фронтир. Amazon два десятилетия держал прибыль около нуля, потому что рост был важнее. Пока рынок растёт кратно, а капитал доступен, на внешних деньгах вырастешь сильно больше, чем на своей прибыли. Если это субсидия, цены поднимут, как только инвесторы устанут. Пока же токен при том же качестве дешевеет в десятки раз за год.

На чём обучают эйай? Правильно, на потных катках Наткнулся на топовую историю на стыке эйай, роботов и игр: В конце 2024 OpenAI предложила $500 млн за Medal - сервис, где геймеры записывают короткие клипы своего геймплея и кидают их корешам. Как вы понимаете, не потому что Альтман фанатеет от летсплея (хотя от какого-то конкретного может и фанатеет 😈), а ради данных для обучения интеллекта этого нашего искусственного. Хотели цап-царапнуть сотни млн часов игр для обучения своих моделек. Фаундер Пим де Витте отказался (это по его версии, а по версии The Information сделка сорвалась), и в октябре 2025 выделил из Medal отдельную ИИ-лабораторию General Intuition. В сооснователи взял трёх исследователей world-моделей. Это модели, которые предсказывают, что произойдёт с окружением, если в нём что-то сделать. Моделирование 3D-миров и всё такое. Работает это так: 1. На Medal клип пишется вместе с контроллером. То есть, к каждому кадру приклеено, какие кнопки человек жал и когда. Получается связка "что видел + что сделал + что вышло". На Ютубе и Твиче такого нет - там видно результат, но не что человек тыкает. Плюс на Medal специально снимали моменты, где что-то происходит: перса убили, упал, атака и т.д. 2. Получаются отобранные игровые пики точёные, а не 100500 часов вялого стрима, где ничего не происходит. 3. Дальше General Intuition учит на этом две модели: - Одна предсказывает мир. Даём ей реальный кадр - она генерит следующий, но без игрового движка. - Вторая предсказывает действие. Даём кадр - она говорит, что тут сделал бы человек. Первую не продают - она скорее тренажёр, на котором гоняют вторую. А вот вторую уже продают через API. Возможно, вы скажите: "Нафига учить роботов на геймплее? Это же не реальный мир". Так вот, здесь история про оптимизацию обучения. Был кейс, где робота сначала обучили на данных от General Intuition, а потом дообучили всего на 8 минутах реальных данных из камеры робособаки, и он смог начать ходить по офису. Да, шатко-валко и задевая предметы, но смог. Обучать на реальных данных с нуля было бы в разы дороже (вешать камеры индусам на лоб - это не бесплатно). Сейчас стартап стоит около $6 млрд, недавно в него зашёл Valor Equity Partners - довольно известная инвестструктура, (вроде как) связанная с Илоном Маском. Так что, быть может, OpenAI вообще обломится. А может и нет, ведь это они в твитторах друг с другом срутся, а за его пределами спокойно всё продают и покупают. В общем, миллионы школьников, клипающих хедшоты в Фортнайте, на самом деле полтора года собирали датасеты для роботов. Какая неожиданность 😈 Дизраптор

Почему AI «плохая» технология Ваще, я технологический оптимист, как можно заметить по блогу (пишу вам про AI в разработке еще с 2023 года), но давайте разбавим немного здравомыслием. Когда появился интернет - он создал новый бизнес на нашем внимании. Когда появился мобильный в привычном нам виде был создан еще 1 новый бизнес, который забрал еще больше нашего внимания. ИИ не создает нового бизнеса. Он максимизирует эффект от текущего. И основную пользу получают владельцы капитала. И это же не только мое мнение, это мнение антропиков. В общем, мне кажется, вы слегка оптимистичны. Возможно, это связано с уровнем проникновения технологии в вашу работу)

Технический отчёт DeepSeek-V4.1-Flash — часть 1/2 Разберём технический отчёт DeepSeek-V4.1-Flash. В первой части обсудим архитектуру модели. Главное достижение авторов — экстремальное сжатие KV-кеша. При стандартном для frontier-моделей максимальном контексте в миллион токенов глобальный KV-кеш на один токен составляет 890 байт, что делает инференс даже максимального числа токенов почти бесплатным (менее одного гигабайта в сумме).  В архитектуре DeepSeek-V4.1-Flash каузальные энкодер и декодер, у каждого по 20 слоёв. Энкодер-декодер-архитектура выбрана не случайно: это помогает экономить вычисления. Нижняя половина слоёв формирует глубокое представление префикса, на которое затем аттендится декодер. В случае короткого промпта это позволяет в среднем в два раза сократить стоимость вычислений.  DeepSeek-V4.1-Flash — MoE-модель на 552 миллиарда параметров, плюс 196 миллиардов в Engram. На префилле активируются 8 миллиардов параметров, а на декоде — 16 миллиардов. Размер скрытого представления — 5120; количество аттеншн-голов — 64. Есть sliding window attention, один shared-эксперт и 384 маршрутизируемых. На один токен активируются шесть экспертов.  Кроме того, с самого начала обучения использовались изображения, так что модель — нативно мультимодальная. Изображение проходит через DeepSeek-ViT (32 слоя, 2D-RoPE), далее применяется pixel unshuffle 3х3, MLP-проектор, и всё это перегоняется в текстовый эмбеддинг. Вместо привычной свёртки для отображения пикселей в токены применяется линейный слой, что даёт возможность использовать Muon.  Как работает каждый из компонентов. На префилле энкодер делает полный проход по префиксу. На декоде глобальный KV-кеш проецируется из скрытого представления последнего, двадцатого слоя энкодера. Хидден подаётся не напрямую, а отображается layer-specific-проекциями. Это позволяет экономить на кеше в декодере. Ещё одна важная особенность модели — Compressed Sparse Attention 2 (CSA2) в нескольких режимах, против CSA и Heavily Compressed Attention (HSA) в базовой DeepSeek-V4-Flash. О том, что такое CSA и HSA, мы писали вот тут, а в этом разборе сосредоточимся на режимах CSA2. Всего их три:  — Full Mode — вычисляем полный KV-кеш и делаем полный аттеншн, но оставляем возможность определять важные и неважные токены, имея некие индексы. На части хороших кандидатов аттендимся сразу, а часть — 16 тысяч — передаём дальше.  — Reindex Mode — аттендимся на KV-кеш из Full Mode, выбираем из переданного пула хороших токенов своих кандидатов. — Reuse Mode — переиспользуем Top-K-индексы от Full Mode. Самый частый блок: 15 из 20 и на префилле, и на декоде.  Во второй части продолжим разговор об архитектуре, а также затронем претрейн и посттрейн. Разбор подготовил ❣ Денис Кузнеделев Душный NLP