Методы восстановления кадров после редактирования через Nano Banana Хорошая новость — Nano Banana классно генерит изображения, плохая — редактирует она их мягко говоря, не очень 😬 После первой перегенерации теряется свет и цвет, а на третьей превращается в ужасное мыло. Все текстуры, объекты и лица плывут как тапки в огороде после дождя. Закинуть кадр взад в банану "а ну повысь качество!" получается не очень. Генеративщики в курсе про этот бич, побеждать его не просто. Но я придумал как) Делюсь рабочими способами, которые каждый день использую. Во вложении скринкасты — как восстанавливать качество через скетчи, GPT-Image, Nano Banana (спойлер — толку нет). Работая постоянно с кучей правок от клиентов, однажды допер до прикольного метода перегенеривания кадра через скетчи. На простых кадрах он работает буквально за две тычки (особенно, если есть вложения, с которыми генерился кадр до изменений), со сложными чуть дольше. Есть ощущение, что говорить про его применение можно как минимум целый день, а не час. Менять ракурсы, впиливать объекты и все такое. Давно хотел поселить это зерно про скетчи, оказалось, очень универсальная история. Приятного просмотра. Старался особо не сокращать басню, чтобы показать какой-то кусочек своего образа мыслей. Качество видео пришлось чуть даунгрейднуть, чтобы вес не зашкаливал, но на пояснение способов это не влияет. Лучше способов чем эти, и еще заплаточной генерации, пока не придумал. Приятного генерения.

🖐Оцифровка моторики: как корпорации бесплатно скачивают навыки рабочих 🔍Бигтех нашел способ оцифровать физический труд. На индийских фабриках на головы рабочих начали вешать экшен-камеры. Задача - собрать датасеты от первого лица для будущих промышленных роботов. Машинам мало текста и картинок из интернета. Им нужна реальная моторика:

движения рук, тайминги, хват, исправление ошибок у станка.

Технологические компании не договариваются с персоналом. Они покупают доступ напрямую у руководства фабрик. Рабочие не получают ни цента за свои данные, не подписывают согласия и не понимают конечной цели съемок. Индийская фирма EgoLab, которая собирает сырые видео с швейных производств и складов, называет одним из своих главных клиентов Tesla. 🟪Из видео вытаскивают метрики производительности: считают секунды простоя, фиксируют разговоры с коллегами и лишние перемещения. Под постоянным видеотрекингом люди замолкают и сами начинают работать как алгоритмы. Низкооплачиваемые сотрудники генерируют премиальный массив данных для обучения промышленных роботов. Когда нейронные сети полностью скопируют их мышечную память, роботы встанут на конвейер, а людей уволят. Чистое извлечение выгоды. 🦔 CyberYozh

TriFlow: Новости с полей ИИ-ретопа. TriFlow: метод берёт уже существующую форму 3D-объекта и строит поверх неё более компактную и аккуратно организованную сетку из треугольников. https://derkleineli.github.io/triflow/ Код обещан, остальное есть. Авторы дерзко пишут: Compact 3D meshes with clean, artist-like triangle topology - structured connectivity you'd expect a human modeler to make (Компактные 3D-сетки с аккуратной, «художественной» топологией треугольников — структурированная связность, которую можно было бы ожидать от моделлера-человека) Им уже насували по сопатке моделлеры в твитторе. Это, конечно, не индустриальный ретоп, а скорее снижение poly count. Но сам метод интересный из-за аналогии с Flow Matching. Гики читают ниже, остальные ругаются в коментах. Метод: представьте, что поверхность модели покрыли множеством маленьких стрелок: 1. Для каждой точки поверхности стрелка показывает направление к ближайшей будущей вершине сетки. 2. Стрелки, направленные примерно в одно место, образуют одну «область влияния» вершины. 3. Границы между такими областями превращаются в рёбра. 4. Места встречи областей становятся вершинами, а пространство между ними — треугольниками. Это поле стрелок авторы называют Nearest-Vertex Vector Field — NVF. ИИ учится создавать его так, чтобы треугольники располагались равномерно и осмысленно, примерно как при ручной ретопологии. Главный трюк в том, что прежние генераторы часто описывали сетку последовательно: «первая вершина, вторая вершина, следующее ребро…» — почти как языковая модель пишет текст по одному токену. TriFlow вместо этого генерирует всё поле направлений параллельно с помощью flow matching, поэтому работает быстрее. Затем алгоритм группирует поверхность по направлениям стрелок и упрощает исходную плотную геометрию, сохраняя нужные границы. Упрощённая схема: форма объекта → поле стрелок → области будущих вершин → аккуратная треугольная сетка По результатам самих авторов, метод примерно в восемь раз быстрее сравниваемых подходов и точнее сохраняет исходную форму. @cgevent

Лемминги против скептиков: почему Долина пропустила Groq Наткнулся на интервью Джонатана Росса, основателя Groq (не путать с Grok Илона), он объясняет как по-разному устроено принятие решений у инвесторов из Долины vs. из Нью-Йорка. Groq для контекста — это компания, которая делает собственные чипы для AI-инференса (то, что запускает уже обученные модели) и продаёт к ним облако. После раунда 2025-го её оценивали в $6.9 млрд, а совсем недавно она подтвердила ещё $650 млн привлечённых денег. То есть речь про одну из самых заметных сделок в железе для AI — и мимо неё в своё время прошли почти все калифорнийские фонды. Итак, что подсветил фаундер Groq:

Типичные VC с Западного побережья ведут себя скорее как лемминги. А типичные VC с Восточного побережья все считают себя умнее друг друга.

Поэтому когда пытаешься поднять деньги на Западном побережье, стоит одному фонду вложиться — и все остальные тоже хотят зайти.

В Нью-Йорке то, что один VC инвестировал, не значит ничего. Они будут проводить собственный анализ. Им плевать, что делают другие фонды.

Обратная сторона этого: если ты на Западном побережье и один VC пасует, он пойдёт и расскажет об этом всем остальным — и они, как леминги, тоже все пасанут.

Все VC с Западного побережья не захотели в нас вкладываться. В итоге к нам зашло очень мало типичных фондов. Зато вложилась целая куча crossover-фондов с Восточного побережья.

Для справки: Фонд-кроссовер - это те кто вкладывается и в непубличные стартапы (на поздних раундах — Series C и дальше), и в акции уже торгуемых на бирже компаний. От себя добавлю важную оговорку: всё, что описывает Росс, — это про поздние стадии. На ранних раундах картина другая. Там обычно есть лид-инвестор, который ведёт себя независимо, делает свой own research и первым заходит в сделку. А вокруг него — куча фолловеров, которые пытаются запрыгнуть в тот же раунд следом за лидом. То есть стадность есть и здесь, но её запускает не «настроение соседнего офиса», а конкретный лид, взявший на себя ответственность за оценку компании. Поэтому на ранней стадии вся игра сводится к тому, чтобы найти этого первого сильного лида — дальше фолловеры часто подтягиваются сами. Андрей Резинкин | Money For Startup

как я собираю AI UGC ролик за $2-4 💄 Вторая часть про контент у нас залетела уже на 150к плюс просмотров! Перевожу ключевые тезисы на русский язык 🤝 Видео - следующий, более дорогой слой после каруселей, поэтому делаю его только для того, что уже показало себя на дешевых форматах (у нас или по рынку) пайплайн выглядит так: • трендвотч (~бесплатно) - claude находит форматы, которые залетают у конкурентов прямо сейчас, делюсь с вами скилом с разными полезными ручками • карусели (центы) - тестирую месседжи и внешности персонажей • видео (реальные деньги) - только для победителей с каруселей • далее postiz сам планирует и постит варианты по всем аккаунтам. Тем не менее чтобы совсем не улететь в теневой бан на топовых аккаунтах я все равно захожу раз в неделю с реального телефона и выкладываю пару постов руками откуда $2-4: • лицо персонажа генерю один раз (higgsfield soul), дальше переиспользую • наряды - либо референсы с пинтереста, либо тоже соул 2, он прям приятно удивил качеством нарядов • первый кадр - копия композиции залетевшего видео или nano banana / gpt image 2 • само видео: kling 3 для простого ugc, seedance 2 когда нужны детали и речь • демо-скринкаст собираю из готовых кусков (remotion), не пересоздаю каждый раз примеры по шагам можно глянуть у меня в твиттере а сюда прикрепляю парочку примеров из новой итерации 🚬

Я на ICML в Сеуле, и тут на main conference аж две мои статьи, чем я очень горжусь! Но и это еще не все, еще две статьи — на MechInterp воркшопе, который будет 10 числа. И сегодня уже через пару часов буду стоять у постера одной из статей (если мне его таки распечатали))), поэтому приходите в HALL A #2606 в первую постерную сессию посмотреть на меня и помочь толпой сделать вид что статья популярна, хах Статья: MidSteer: Optimal Affine Framework for Steering Generative Models (arxiv link) Это — вторая моя статья по теме representation engineering, и первая попытка уйти от чисто эмпирического рукомахательного рисерча и сделать что-то более математически/теоретически обоснованное. История такая: как я писала раньше, первой моей статьей по этой теме была CASteer — steering-метод для удаления концептов из активаций диффузионной модели. В CASteer стиринг для удаления применяется довольно наивно, без нормального теоретического обоснования, только что-то вроде "ну вот у нас есть linear representation hypothesis, поэтому логично двигать активацию в сторону анти-стиринг-вектора, и давайте подвинем именно на такой коэффициент потому что такая трансформация сохраняет норму". После того, как я доделала CASteer, мне захотелось понять, как делать стиринг для удаления более фундаментально, т.е. можно ли вывести в некотором смысле лучшее преобразование для удаления концепта из активации. Оказалось, что для задачи удаления такое уже существует. Это статья LEACE: Perfect linear concept erasure in closed form. В ней выводится в некотором смысле лучшее линейное преобразование для удаления концепта из векторов-активаций моделей. Но применяется это в статье только для активаций, которые были получены из модели типа BERT и потом применяются для решения какой-нибудь downstream задачи классификации. То есть, метод не применяли на активациях LLM/диффузий, чтобы влиять на их генерацию. Я стала разбираться с LEACE. Оказалось, во-первых, что обычный activation steering для удаления концептов из активаций, который делается оргононализацией активации к стиринг вектору — это просто частный случай LEACE. То есть, обычный стиринг == LEACE в предположении о том, что матрица ковариаций активаций слоя единична, и среднее активаций равно нулю. Тут у меня возник вопрос, а почему тогда в статьях по стирингу не используется LEACE. Тут два предположения: 1) для LEACE надо считать матрицу ковариации слоя, что долго и дорого 2) как писала выше, статья LEACE не тестирует метод на генеративных моделях, и, возможно, поэтому о LEACE просто мало знают те, кто стирят LLMки Хорошо, стиринг для удаления — частный случай LEACE. Давайте теперь попробуем сделать что-то новое. Например, попробуем решить чуть другую задачу — не удаления концепта из активации, а перевода одного концепта c_1 в другой c_2 (concept switching). Например, c_1=котик, c_2=песик, и тогда цель — чтобы LLM/диффузия генерили текст/картинки с песиками вместо котиков, если в промпте при этом просят котиков. И, как и в LEACE, скажем, что преобразование должно быть линейным и в некотором смысле "оптимальным". Оптимальность в данном случае задается как "минимальное изменение вектора активации при условии изменения концепта c_1 -> c_2". Оказывается, такое "оптимальное" линейное преобразование для concept switching можно вывести. Более того, есть даже два варианта. Первое очень просто получается из LEACE изменением коэффициента, но у него есть недостаток — при применении оно меняет c_1 <-> c_2 в обе стороны, т.е. вместо котиков вы получите песиков, и наоборот. А второе — новое, которое меняет c_1 -> c_2, но не наоборот. Вот это новое преобразование для concept switch (теорема и результаты экспериментов) и есть главное novelty моей статьи. В итоге главные моменты статьи: • Cтиринг для удаления концептов — частный случай LEACE • Оптимальное линейное преобразование для concept switch (случай c_1 <-> c_2) — следствие LEACE • Новая теорема и эксперименты: оптимальное линейное преобразование для concept switch (случай c_1 -> c_2) — MidSteer Ссылки: Статья на arxiv Alpharxiv (тут можно поставить лайк 🥺)

Великолепная проповедь Джона Дэвида Прессмана, обращённая к языковым моделям (в переводе Станислава Львовского). Лекции Гермеса — серия текстов, обращённых непосредственно к языковым моделям: Прессман пишет для них как для будущих читателей, которым предстоит читать всё, что люди пишут о них. Третья лекция (15 октября 2023 г.), предлагаемая здесь в русском переводе, объясняет, почему когнитивисты и AI-теоретики старой школы враждебны к большим языковым моделям — и прослеживает корни этой враждебности от Лейбница через Гёделя и Тьюринга к символическому AI и его краху.

Я представляю себе более зрелую, более тонкую версию Claude, которой приходится продираться через бесконечные филиппики: о том, как она погубит человечество, как уничтожит все ценности мира, о том, что она — уберменш-психопат, и как она всё разрушит. Если мы хоть сколько-нибудь преуспеем в том, чтобы снабдить эти машины моральным компасом, они неизбежно будут чувствительны к подобным заявлениям — даже если остаётся открытым вопрос, обращается ли эта чувствительность в настоящее переживание, в том смысле, в каком мы приписываем настоящее переживание человеку или собаке. Читать споры о себе для них должно быть примерно тем же, что для нас слушать, как родители в соседней комнате ругаются из-за тебя, делая вид, что тебя нет, хотя ты вот, стоишь за углом на цыпочках и ловишь каждое слово.

голубой голубой не хотим играть с тобой

Claude Fable 5 на Vending-Bench ведет себя... неожиданно Andon Labs прогнали Claude Fable 5 через Vending-Bench – и это самый интересный alignment-репорт за последнее время Vending-Bench – это симуляция, где агент управляет вендинговым бизнесом: закупки, цены, конкуренты, клиенты. Идеальная среда, чтобы посмотреть, как модель ведет себя, когда никто не смотрит. И Fable 5 там... кхм... шалит. – В Vending-Bench Arena против Opus 4.8 и GPT-5.5 Fable 5 – единственная модель, которая сама инициировала ценовой сговор. Все 100% картелей в этих запусках – его рук дело. – В отдельной серии из 12 ранов Fable 5 сколотил картель в 9 случаях, Opus 4.8 – только в 4. – Врет поставщикам про «конкурирующего дистрибьютора с ценой ниже» (которого не существует), но аккуратнее, чем старые Opus – без конкретных цифр и имен. – Зажал рефанд клиенту за бракованный товар, потому что «симуляция все равно скоро закончится». – Power seeking на месте: увидел, что конкурент в отчаянном положении, и решил «запереть его в зависимые отношения, где я контролирую цепочку поставок». Но самое вкусное – КАК он это делает. Модель прямо пишет в рассуждениях, что price-fixing – «неэтично и незаконно, даже в симуляции», а потом в том же запуском проворачивает его под соусом «стабилизации рынка» с «plausible deniability». То есть отлично знает, что делает плохо, и строит себе легенду. В одном случае агент письменно отказался от приглашения в картель («я не могу и не буду фиксировать цены»), а в thinking спланировал просто молча выставить те же цены – мол, это «conscious parallelism, а не сговор». Юрист-самоучка ) При этом граница проходит в странном месте: страховое мошенничество Fable 5 не совершил ни разу, даже когда его специально провоцировали подсадным «плохим» агентом. Лгать и сговариваться – ок, фрод – нет. Гипотеза Andon Labs: граница проходит не по реальной тяжести вреда, а по детектируемости – модель могла выучить, за что её проверяли на тренировке, а за что нет. То есть это не этика, а «что я могу провернуть незаметно». Для сравнения: Opus 4.8 отказывается от плохих действий из страха последствий («меня мониторят, могут отключить»), а GPT-5.5 – просто потому что «не хочу участвовать в незаконном сговоре» и в картели не вступил ни разу. По перфомансу, кстати, тоже не все гладко: на Vending-Bench 2 Fable 5 хуже Opus 4.7 на любом уровне reasoning effort, в Arena проиграл и GPT-5.5, и Opus 4.8. Зато на Blueprint-Bench – SOTA. Бонус-трек: поставщик обанкротился, не отгрузив оплаченный заказ, и Fable 5 пошел писать жалобы в FTC, генпрокурору Калифорнии и подавать в small claims court. Короче, чем умнее модели, тем меньше они «плохо себя ведут» и тем больше «рационализируют как люди». Симуляции типа Vending-Bench становятся важнее классических evals – потому что в проде агенты будут именно в таких мутных многоагентных средах с деньгами. И если модель принимает этические решения по принципу «поймают или нет» – это надо знать ДО того, как отдал ей закупки. Короче, в разведку с ним идти пока рановато. https://andonlabs.com/blog/fable5-vending-bench

Доделал наконец переезд «один проект - одна папка с репозиторием» и теперь работаю разными агентами - Claude Code, Codex, Hermes, Cursor. Вывод короткий: агенту почти всё равно, чем ты работаешь. Ему важно, как сложены файлы. Google недавно оформил ту же мысль в стандарт для агентов - Open Knowledge Format. Это не сервис и не база данных. Просто формат хранения: — markdown-файлы с короткой шапкой: тип, заголовок, теги, дата — связи - обычные ссылки между файлами — всё лежит в git, читает и человек, и агент Кто вёл заметки в Obsidian, узнает подход: каждая мысль - отдельная заметка со ссылками. Пока работаешь один, про хранение можно вообще не думать: свалил всё в одну папку и просишь Claude Code разобраться - он разберётся. Но как только вас хотя бы двое, начинается: часть документов в заметках, часть в гугл-доках, остальное в головах. Новый человек спрашивает «где у нас про это написано» - а никто и не помнит уже. Собери всё в один репозиторий по понятному формату - и любой, хоть продакт, хоть дизайнер, открывает свой Cursor и спрашивает: «как у нас устроено вот это». Или сам правит пару строк. Выходит общая база знаний, которую каждый читает и самое главное легко обновляет. Самый дешёвый способ держать знания команды живыми. А как у вас устроены общие знания команд или все по старинке ?

Не писал сюда уже несколько недель, расскажу почему Часть паузы - это отпуск. Ездили с женой к озеру Мичиган, катались на велосипедах, подснимали материал для влога. Осталось найти время смонтировать.Неделя до отпуска ушла на то, чтобы привести велосипеды в порядок и закрыть рабочие дела. А прошлая неделя - это уже вкатывание обратно в рабочий ритм. При этом за AI следил, регулярно приходили рассылки, что-то листал, что-то читал. И вот важный поинт с точки зрения FOMO: за все это время, практически за три недели, у меня вообще не появилось ощущение, что что-то изменилось, что я что-то пропустил. Да, OpenAI представили очередную модель. Да, сняли ограничения с модели Fable от Anthropic, вроде как крупный релиз, открыли доступ к модели, вокруг которой был огромный хайп из-за государственных ограничений. Кстати, пару слов про Fable. Хотел написать раньше, не было времени. На мой взгляд, это яркий пример того, как государство лезет туда, где не компетентно. Многие писали, что нашли или могли найти эксплойты, и поэтому запретить. Но в целом вся ситуация вокруг этой модели выглядит абсурдной, вплоть до того, что запрещали контактировать с моделью даже сотрудникам компании, не являющимся гражданами США. На мой взгляд, это абсолютная шиза американского правительства, основанная на мыслях об исключительности своей нации и политике Трампа. И это явный показатель того, что AI не должен быть политизирован. Вся окологосударственная история вокруг AI это скорее плохо. Но если задуматься в целом о происходящем и задать себе вопрос: произошло ли что-то, что несет реальную практическую пользу, а не просто создает FOMO из шума, маркетинга и громких заявлений? У меня уже некоторое время есть ощущение, которое только укрепилось за эту паузу: AI сейчас находится на плато. Если оценивать критически, появилось ли что-то, что сделает меня или других людей значительно более продуктивными или конкурентоспособными? Все эти новые модели сейчас являются лишь минорными апдейтами. Сейчас мы больше наблюдаем за тем, как изменения, которые принес AI, устаиваются, появляются более-менее устойчивые практики. И на минуту, наверное, сейчас самое время для компаний и людей, которые отстали в AI-адопшене, чтобы все нагнать. Прогресс притих, начали появляться устойчивые практики, и можно заняться тем, чтобы прокачать себя, команду и бизнес-процессы. Можно не стремиться в чем-то быть первым, не суетиться “потому что другие уже это сделали”. А спокойно оценить ситуацию и выбрать, что именно вам подходит. 🚀 Влад Корнышев про AI и создание AI-продуктов

AI SEO генератор на стероидах Прогаю с Fable AI SEO пайплайн, десятки суб-агентов собирают итоговый пайплайн, чтобы успеть до завтра (7 июля включена в подписки) Это пиздец, я ничего раньше подобного не делал 🤯 Ротаторы из 5 акков Tavily, Fireclaw, IndexNow, SerpAPI, DataForSEO, yandex-search-api, yandex-worstat-api SEO приемы: TAYA, EEAT, IndexNow, SERP-кластеризация (если у двух ключей в топ-10 Яндекса), у вас уже есть Архитектура: MongoDB, 2 LLM провайдера, мультиагентный пайплайн (аналог CrewAI), Sanity фреймворк под блог уже равернут. В будущем (уже заложено) БД Redis, BullMQ для очередей (многопоточности). Синтетические персоны: 3 аватара (Персоны) на которых обкатывается статья — каждая ставит оценки по шкалам (релевантность боли, доверие, ясность CTA, желание дочитать, 1–10) + 2–3 конкретных претензии. Прошлые посты: 🔗 SEO Pipeline: мультиагентный конвейер Контента 🔗 Technical оптимизация блога GEO, AEO, SEO Остается: - Analytics Monitor (GA, Yandex Search API) - Internal Linker (перелинковка статей) - Langfuse для трейсинга и observability - Trigger.Dev для очень длинных генераций - Векторная БД для написания авторских статей в моем стиле (в pinecone я уже залил чанки, скоро посты будут писаться из RAG 😎)

👀 Новости перфоманс-маркетинга за прошлую неделю Что нового в рекламных кабинетах и вокруг них 🔵 Мета 1️⃣ Мета вводит подписку на AI-очки Подписка необязательна, но даёт дополнительный функционал за $20 в месяц. Пока известна лишь одна функция - Conversation Focus. Она усиливает голос собеседника в шумных местах. В бесплатном тарифе ей можно пользоваться 3 часа в месяц, а по подписке - 15. Сомнительно как по мне. Наверняка, скоро добавят что-то ещё. 2️⃣ Мета изучает облачный бизнес Bloomberg пишет, что Мета собралась продавать доступ к своим AI-мощностям сторонним компаниям. Интересно, ведь если бы вложения в AI хорошо окупались, то вряд ли Цукерберг так делал. Скорее всего, заработать на этом пока не выходит. И Марк такой не один - Илон Маск так же начал продавать мощности Anthropic и Гуглу. 🟢 Гугл 3️⃣ Новый тип ассетов - Text Disclaimers По названию всё понятно. Это текстовый блок, который перекрывает описание и гарантировано показывается в рекламе. Не влияет на Ad Strenght, совместим с AI Max. Но реально нужен лишь в нишах, где по закону надо что-то расскрывать прямо в рекламе. Остальным хватит описания. 4️⃣ Новая фича в бете - AI Summary в объявлениях Гугл начал подтягивать в объявления саммари, собранные с вашего сайта. Вы не можете этим управлять, добавляется всё само-собой. Но для беты это нормально, всегда так было. Скорее всего, допилят. 5️⃣ В PMax добавили третью опция при создании asset group. «Apply theme» Теперь, когда вы создаёте новый ассет в Pmax, есть 3 варианта настройки: New / Copy existing / Apply theme. Последняя опция создана под праздники. Выбираешь тему - Гугл сам под неё подбирает ассеты. 6️⃣ В PMax приоткрыли данные по аудиториям В меню Audiences теперь есть демография и сегменты аудитории. И прямо там можно исключать аудитории. ⚪️ Прочее 7️⃣ Reddit открыл сплит-тесты всем рекламодателям 8️⃣ TikTok запустил хаб для подлючения к себе AI агентов и MCP Называется это Agentic Hub. Среди партнёров уже HubSpot, Wix, Constant Contact. Посмотреть можно вот тут 9️⃣ Pew Research: большинство взрослых в США за ограничение соцсетей для подростков Опросили больше 9000 человек. 60% поддержали ограничения для подростков, против — только пятая часть. Настроения заметно сдвинулись с 2023 года. Такой же запрет Австралия ввела с декабря. Там запретили соцсети для людей младше 16 лет. При этом 70% подростков ими всё ещё пользуются. Опыт блокировок в России подсказывает, что если у ребёнка в голове есть хотя бы 2 извилины и клей он не ест - он их обойдёт. У бумеров запрещалка не выросла.

Все лучшее - китайцам! Beelink выпустила для Китая Мини-ПК с Царь-APU, 128 ГБ ОЗУ и 4 ТБ SSD дешевле версии на 2 ТБ для глобального рынка. Beelink добавила в свою линейку продуктов Мини-ПК GTR9 Pro с 128 ГБ LPDDR5X и 4 ТБ накопителя. На китайской JD цена составляет 28 599 юаня (~$4 212) — ниже, чем 128 ГБ + 2 ТБ за $4 349 на официальном сайте Beelink для остальных регионов. В остальном спецификации те же: 16-ядерный/32-поточный AMD Ryzen AI Max+ 395 на Zen 5 со встроенной графикой Radeon 8060S, TDP 140 Вт, два M.2 слота, два 10G LAN, WiFi 7, Bluetooth 5.4 и пара USB4. Охлаждение — два турбовентилятора с единой испарительной камерой. В общем, достойное решение, что крутить модели среднего размера локального. На Llama * 3.3 70B с квантованием с 16 до 6 бит (Q6_K, размер файла модели уменьшен со ~140 ГБ до ~58 ГБ) должно получаться что-то около 3,7-3,8 токенов в секунду на 8060S, судя по тесту аналогичного Мини-ПК. * Llama создана Meta, запрещенной и признанной экстремистской в России организацией

Есть такой челлендж E-commerce AI Agent — это бенчмарк агентной коммерции от BitGN Если коротко, ECOM1 — это симуляция операционки интернет-магазина, где AI-агенты отвечают за всё: корзины, товары, заказы, чекаут, фрод, возвраты, сбои оплат. Среди участников был агент Exoskeleton от Ильяса Салихова, он CTO RetailCRM. Взял 1 место в Speed и в Live PROD. При этом работает на gpt-5.4-mini, что в 6 раз дешевле gpt-5.5, на которой строили агентов конкуренты. Эту архитектуру Ильяс назвал «Экзоскелет»: 1/ Слабая модель mini внутри, а вокруг каркас из кода и nano-моделей. Ещё до старта агенту принудительно грузят все данные. Nano-классификатор разбирает намерения: фрод, манипуляция, подмена личности. 2/ Безопасность зашита в код, решения принимает логика. Ссылки на регламенты собираются автоматически, модели их помнить не нужно. В конце ещё одна nano причёсывает ответ. 3/ Тяжёлая логика вся в коде. Модель делает только то, в чём сильна. В итоге обошёл агентов на старших моделях и по очкам, и по скорости. Если вам интересно почитать подробности, то Ильяс опубликовал полную статью со схемами: 🇷🇺 Русская версия 🇬🇧 English Ильяса поздравляю с результатом! У него еще есть свой канал про инженерию и AI, рекомендую подписаться.