Java по-нашему: Сбер открыл исходники базовой версии своей SberJDK ☕️ Об этом объявили на ГигаКонф. Это промышленная платформа на базе OpenJDK, которой уже пользуются внутри банка. Теперь базовая версия вместе с доработками Сбера доступна в Open Source — без платы за лицензию, в том числе для корпоративных систем. Самое интересное — платформу ещё и разгоняют с помощью ИИ. Оптимизации Сбера на целевых нагрузках дают около 20% прироста производительности без изменений в коде приложений. То есть существующая инфраструктура может делать больше без большой перестройки. Полезная подмога для тех, у кого половина жизни написана на Java 👍

Нейродайджест за неделю (#131) LLM - Siri AI — Apple запустила англоязычную бету с личным контекстом, пониманием экрана и действиями между приложениями. - Gemini 3.8 Live — две голосовые модели с визуальным контекстом и фоновыми tool calls. Extended Thinking умеет рассуждать и говорить одновременно. - Qwen3.8-Omni-Flash — принимает текст, изображения, аудио и видео, имеет контекст 1M и возвращает текст. Есть thinking, function calling и веб-поиск. - Jev — модель TypeSafe вместо текста выдаёт типизированные решения с вероятностями. Заявленная задержка 70–500 мс, доступ пока ранний. Генеративные модели - Qwen-Image 2.1 — единая 7B-модель для генерации и редактирования в 2K. Поддерживает RGBA, до 10 референсов и локальные маски; веса доступны по research-лицензии. - Vidu S2 — 720p-аватары и редактирование входящего видеопотока в реальном времени: замена персонажа, одежды, фона и стиля. - Boreal — модель Creatify для рекламных text-to-video и image-to-video, дообученная на открытой LTX-2.5. Заявленная цена через fal — около $0,01 за секунду, но она ещё ждёт финального подтверждения. - HiDream O1 Video — image-to-video модель с асинхронным API: принимает один референс и промпт, а длительность определяет сама либо фиксирует на 10 секундах. - Enhance Frame Rate — инструмент Runway для готовых роликов: работает с видео до 4K, повышает частоту до 120 fps и сохраняет исходное разрешение. Агенты и продукты - Claude собрали воедино — чат, Cowork и Design объединяются; появились редактируемые Docs и Slides с экспортом в PDF и PowerPoint. - ChatGPT в Office — один add-in работает в Word, Excel и PowerPoint, умеет править открытый файл и подтягивать контекст из подключённых приложений. - Astra for Law — GPT-6 Astra получила юридический поиск по праву США и 26 интеграций. Доступ пока дают выбранным американским юрфирмам. - Агенты в DaVinci — Resolve Studio 21.1 добавил интеграцию AI-ассистентов для работы с медиатекой, монтажом и рендером. Безопасность и исследования - Claude помог взломать OpenAI — Hacktron с помощью Opus построили эксплойт, а цепочка из RCE и ошибки SSO дала доступ к аккаунту сотрудника и внутреннему репозиторию. Уязвимости уже закрыты. - Оценщик внутри Anthropic — Accenture — международная консалтинговая и технологическая компания, которая внедряет ИИ для бизнеса и государства. Её специализированное AI-подразделение Faculty получит доступ уровня сотрудника для red teaming и проверки safeguards; работу напрямую финансирует Anthropic. > Читать дайджест #130 #дайджест @ai_newz

Простой способ отсеять 99% идей для своего сайд-проекта или стартапа. Если понятна примерная целевая аудитория проекта (а без этого его не стоит делать), то нужно найти блоги/рассылки/каналы/сайты и др. места, где кто-то делает контент именно для этой аудитории. Потом спросить у них о стоимости рекламы, получить цены от нескольких, и понять, сколько стоят охваты этой ЦА. Получается прокси метрика: Если контента найти не получилось, то почти наверняка такой ЦА не существует. Проект делать не для кого. Либо фаундер профнепригоден 🙂 Не может найти, где тусуются его потенциальные клиенты. Если контент есть, но кажется, что реклама не окупится - значит даже оптимизм фаундера не верит в спрос. Уже на старте! Когда оптимизм на максимуме. Точно не надо делать такой проект. Если цена кажется норм, то идея в теории норм - можно склепать лендинг и попробовать привлечь в waitlist (не обязательно платно). Если кажется "как дешево!", то тут два варианта: либо фаундер оторван от реальности, либо проект принесет миллионы, и надо все бросать ради него 🙂 @kyrillic

#нейропрожарка ШАПОЧКА Автор: Дмитрий Кочубеев Впервые заехал на MyFilm48 (тема: Москва 2050). Все стандартно: видео до 3 минут за 96 часов. Идея: Хотелось снять маленькое кино не про технологии и роботов, а про обычных живых людей. Про их взгляды, чувства и эмоции. Хотелось давно. Конкурс стал хорошим поводом. Сценарий: Загнал ТЗ в разные ЛЛМ-ки и получил кучу синопсисов. Ни один из них не понравился. Кстати, некоторые из них просматривались в других работах конкурса. Видимо, ЛЛМ-ки ленятся и на один и тот же запрос выдают всем одно и то же. В итоге решил писать сценарий сам. На его роды ушло часов пять. Герои и озвучка: Не хотелось дефолтных ИИшных лиц, поэтому искал нужные типажи с уникальной харизмой. Потом подбирал под эти лица голоса. И тут произошла забавная вещь. Изначально имен у них не было, но как только герои заговорили, стало совершенно ясно: это Саша и Лиза. Другие варианты просто отпали. Более того, по сценарию героиня планировалась с длинными волосами. Но в процессе генерации появилась Лиза, которую они только портили. Такое ощущение, что персонажи зажили своей жизнью, не спрашивая автора: сами выбрали себе и имена, и внешность. Проработка кадра: Случайных вещей здесь мало. Дольше всего провозился с дроном-доставщиком, потратив на него больше часа, добиваясь нужного концепта. Дурацкий перфекционизм... Саундтрек: Тут повезло. На мой взгляд, хорошо вписался трек, который я сделал еще год назад, а слова к нему были написаны вообще в 2024-м. Монтаж: Уже утром, после ночи без сна, в день дедлайна возник жесткий выбор: делать монтаж без спешки или поехать проводить супругу на вокзал. Я выбрал второе. В итоге собирал всё в диком темпе и работу отправлял за 30 минут до кареты-в-тыкву. Инструменты: SD 2.5, MJ 8.2, Banana, GPT2, Suno 4.5, LANDR, Topaz, FL Studio, Premiere, Photoshop, Opus 5, 11labs. Итог: 3 ночи без сна и море эндорфинов. Спасибо за внимание. Буду рад конструктиву и общению в комментариях. @cgevent

Агент знает твою цену Google знает, что ты искал, Amazon что купил, банк - сколько потратил. Но никто из них не знает, сколько ты был готов заплатить. Но агент, который торгуется за тебя, это знает. В посте про экономику лени я писал, что агенты убирают ренту, которую бизнес собирал на нашей лени, но сама рента не исчезает, она переезжает к тому, кто владеет агентом. Продолжу эту мысль. Напрямую данные никто продавать не будет. Google и Meta двадцать лет на них живут и не продают: продают доступ к человеку, а данные держат внутри как moat. Владелец агента будет делать так же. Только у него в руках то, чего не было ни у кого: он видел, где ты сломался - тут согласился доплатить, тут ушёл. Экономисты называют это reservation price, то есть максимальная цена, которую ты готов отдать. Ритейл давно пытается её угадывать: Orbitz показывал владельцам Mac более дорогие отели, Staples менял цены по почтовому индексу. Получалось грубо, а агент знает её точно. Монетизировать это можно на трёх уровнях. Невинный - обезличенная панель для фондов и брендов, как Mastercard SpendingPulse. В ней видно каждую покупку и отмену 100 млн человек в реальном времени. Полезный - агент раскрывает данные в твою пользу: «три года истории, низкий риск, дай скидку». Так работает Tesla Insurance, где данные о вождении снижают цену полиса. Опасный - продавец платит за доступ к твоей reservation price. Четыре ренты Citrini из прошлого поста были трением на пути к лучшей цене. Здесь под ударом уже сама цена. Самая сильная позиция у того, кто держит агентов с обеих сторон и знает, сколько готов заплатить покупатель и какая маржа у продавца. Это маркет-мейкер, который видит всю книгу заявок. Amazon за использование данных сторонних продавцов уже получил антимонопольные претензии в ЕС и США. В финансах десять лет воевали за fiduciary rule: брокер продаёт то, что подходит, а советник обязан продать то, что лучше для клиента. AI-агентов ждёт та же война, только ставки выше: советник распоряжался сбережениями, а агент видит всю твою жизнь. Главное здесь, кому принадлежат эти данные. Если тебе, агент раскрывает их, когда это выгодно тебе. Если платформе, ты каждый раз платишь максимум, который готов заплатить. Какой из этих миров наступит, решит битва за потребителя. @maxvotek | linkedin | substack

Как сделать прайс-лист, который продаёт 💬 Пишите просто. Избегайте сложных формулировок и профессионального жаргона. Клиент должен сразу понимать, что и за сколько он получает. ⭐️ Покажите главное. Разместите популярные позиции в начале списка — это ускорит выбор и подчеркнёт ваш флагманский продукт. 📊 Ориентируйтесь на спрос. Если статистики нет, проведите опросы среди клиентов. Это поможет определить, какие услуги или товары стоит продвигать первыми. 🔍 Анализируйте рынок. Изучите прайсы конкурентов: обратите внимание на их ошибки, структуру и визуальные решения, чтобы создать собственный, более удобный вариант. 🧾 Минимализм в дизайне. Изображения и графика должны дополнять, а не отвлекать. Главный принцип — чистота, читабельность и логика расположения информации. Фаундер | Бизнес и Стартапы

Claude Opus 5.5 собрала рабочий трассировщик путей за один час Пользователь Reddit показал, как нейросеть Claude Opus 5.5 за один час написала с нуля полноценный трассировщик путей (path tracer) на C++ и CUDA. Автор не использовал сторонние графические движки, а просто попросил модель создать проект под его железо. Приложение работает через NVIDIA OptiX 9.1 и умеет распределять нагрузку сразу на две видеокарты RTX 5090, деля кадр по горизонтали прямо во время рендера. В созданный код нейросеть добавила оптимизацию шейдеров SER и алгоритмы MIS и NEE для правильного расчета света и мягких теней. Итоговый движок выдает 34 FPS при обработке 267 млн лучевых сэмплов в секунду.

В анонсе opus 5.5 anthropic был интересный график, как coding-модели ведут себя при разном effort. И сначала довольно странно выглядит, что medium у некоторых моделей показывает результат лучше, чем high или xhigh. Ведь, по идее, чем дольше модель думает, тем лучше. Услышала интересное объяснение. Такие benchmark’и оценивают не просто качество результата, а насколько хорошо агент решил именно поставленную задачу. Например, попросили исправить баг. На medium модель нашла баг, исправила и остановилась. На high может заодно заметить ещё несколько проблем, сделать рефакторинг, поменять abstraction, добавить тесты и что-то ещё улучшить. В реальном проекте второй результат вполне может оказаться лучше. Но для benchmark часть этого уже может считаться выходом за scope. Полезла смотреть, как вообще считается этот benchmark. Это FrontierCode от Cognition. Основной вопрос: принял бы maintainer такой PR? Смотрят correctness, тесты, regression safety, качество кода и отдельно scope, то есть не полезла ли модель менять больше, чем нужно для конкретной задачи. И действительно, если модель заметит ещё несколько проблем рядом, сделает рефакторинг, решит поменять abstraction, добавить тесты и что-то ещё улучшить, для FrontierCode часть этого уже может считаться выходом за scope и снизить score. Т.е. higher effort не обязательно делает модель хуже. Иногда она просто больше исследует, становится менее буквальной, но в какой-то момент может и уйти в overengineering. @wealldesigners