🚁 Что за шумиха вокруг тестов пассажирского дрона на Сахалине Увидел у ребят из @SkolkovoLeaks вот этот видос с тестами пассажирского дрона на Сахалине. Изначально его выложил губернатор Сахалинской области Валерий Лимаренко, похваставшись «очередным технологическим прорывом». И оно неплохо разошлось. Захотелось выяснить, что это за дрон и тянет ли это на прорыв.

«Очередной технологический прорыв на «Крыльях Сахалина»! Международный форум беспилотных систем завершился первым в России официально зарегистрированным запуском средства индивидуальной аэромобильности», — пишет Лимаренко у себя в канале.

🔵 Давайте пойдем по пунктам. Это наш дрон или не наш? На борту этого дрона видно название X-Sky. А вот этот дрон продается на «Дроме» и «Авито» за 5 990 000 рублей. На «Дроме» сказано, что «под заказ из Китая». Но справедливости ради губернатор и не писал, что это российская разработка. На сайте губернатора пишут, что за штурвалом этого дрона на видео находился Алексей Спинка, чья компания «разрабатывает проект по развитию персональной авиации». А еще у Спинки есть компания «Болдер», которая находится в стадии банкротства и с которой налоговая требует 189 млн рублей. Дрон на «Авито» продает компания с похожим названием «Болдер-Спецтехника». А на «Дроме» — «Баймоторс». В ней Спинка был совладельцем. А вот на этом видео Алексей Спинка берет интервью у Чаня Юаня — основателя компании, которая разрабатывает пилотируемые дроны X-Sky. Ни в подписи, ни в описании видео компания не называется. Но в кадре есть название — Yivtol. И ее основатель действительно Чан Юань. А еще на сайте компании есть список покупателей — всего компания продала 60 пассажирских дронов. И, согласно этому списку, четыре покупателя были из России — три дрона купил Aleksei и еще один купил Alex. В общем, похоже на то, что это не российская разработка. А просто поставки от китайского производителя. 🔵 Первый ли это полет или нет? На этом же канале, где Спинка брал интервью, выложен сюжет телеканала «Россия». И там показаны кадры, как этот дрон с пилотом летает во Владивостоке. Видео загружено на канал 24 апреля — два месяца назад. Получается, что это не первый полет этого дрона в России. Но в посте губернатора есть оговорка — «официально зарегистрированный запуск». Был ли тот полет для сюжета телеканала где-то зарегистрирован или нет, к сожалению, неизвестно. Но точно был зарегистрирован на камеру оператора. 🔵 А что за «проект по развитию персональной авиации»? Про это тоже есть видео на канале. Алексей Спинка продвигает во Владивостоке идею создания дронопарка. Там можно будет потренироваться на симуляторе, потом попробовать полетать на настоящем дроне. А в дальнейшем, возможно, будут устраивать и гонки на таких дронах. Уж не знаю, тянет ли это все на «технологический прорыв», но продавец дронов из Китая порекламировался знатно. Тянет на «технологический прорыв»? 🦄 — Конечно! 🙈 — Следующий! @TheEdinorogBlog — тот самый канал про стартапы🦄

ICML 2026: что обсуждают в Сеуле В этом году крупнейшая конференция о машинном обучении проходит в Южной Корее. По традиции будем рассказывать о самом интересном — открываем серию обзоров от инженеров и исследователей Яндекса. Немного инсайтов о Xiaomi Ребята тоже используют On-policy Distillation для мержа своих экспертных моделей. Вайб доклада: как мы сделали топ-1-опенсорс-модель по ИИ-индексу, с миллионным контекстом и 1000 токенов в секунду без регистрации и СМС супердёшево. Public report'а нет, про обучение не рассказали, но в докладе можно было подсмотреть трюки по оптимизации. Например, гибридные SWA-слои, которые реюзают KV-кэш от полного аттеншна перед ними, помогают в 7 раз уменьшить объём кэша, не потеряв в качестве. Xiaomi MiMo-V2.5-Pro TL;DR: Context length и Inference speed. Новая опенсорсная модель на 1 триллион параметров может работать с контекстом объёмом до 1 миллиона токенов в 10 раз быстрее (до 1000 TPS). Претрейн — sparse-аттеншн и shared KV-кэш. На основе HSWA авторы предложили гибридный HySparse, чтобы увеличить sparsity. Это позволило в 10 раз сэкономить на объёме кэша и получить почти линейный аттеншн. MiMo-V2.5-Pro обучали в QAT-формате, MXFP4. Пост-трейн — Multi-Teacher On-Policy distillation с top-k, а не top-1. По метрикам MOPD показал себя значительно лучше и стабильнее остальных подходов, подобных Cascade RL. MoE RL оказался нестабилен, так как выбирается только 10% экспертов. В качестве решения прибегли к R3: Replace the Rollout Routing. Инференс Mimo-V2.5 Pro UltraSpeed — это FP4 (mxfp4) + DFlash Speculative decoding + TileRT inference engine. Для ускорения делают бакетинг по задачам (например, чат/код). vLLM Hook v0: A Plug-in for Programming Model Internals on vLLM IBM Research привезли инструмент, с помощью которого можно модифицировать логику в движке инференса vLLM и строить кастомные пайплайны. Мотивация: несмотря на свою эффективность, движок vLLM не может похвастаться богатым функционалом. Авторы попробовали исправить это. Код — на GitHub. Model Optimization Flywheel: Continuously Self-Improving LLMs in Production Работа команды Shopify. Ребята отмечают важность голденсетов (ground truth set), потому что это потолок качества моделей, — и рассказывают, как собирают такие сеты. Информацию получают от менеджеров. Если каппа Коэна низкая, то переписывают рубрику или инструкцию. Для подбора промпта judge пользуются GEPA и ACE. В датасет попадает и брак, и кейсы плохого срабатывания моделей. Некорректные ответы правят люди и judge. Ещё больше о конференции читайте в канале ML Underhood: уже рассказали о работах основного трека, Spotlight-статье и первом дне. А если вы тоже на ICML, приходите пообщаться к любому из наших постеров. Уже на конференции ❣ Иван Дёгтев, Даниил Кириллов, Тимофей Смирнов, Артём Миронов, Федор Великонивцев Душный NLP

ResearchStudio Инструмент от Microsoft ResearchStudio–Idea автоматизирует начальную стадию исследования — от проблемы до создания карточки идеи, которую можно представить рецензенту ResearchStudio–Reel автоматизирует превращение научной статьи в материалы для презентации и популяризации. Снимает рутину подготовки постера, видео, блога из одного PDF • генерация print-ready постера • создание синхронизированного видео с нарративом • сборка двуязычного блога • единый экстрактор Paper2Assets — данные извлекаются один раз • артефакты редактируются в PowerPoint и Word • интерактивный HTML-просмотрщик с синхронизацией по секциям Работает на связке Claude Code и Codex. Артефакты согласованы по фактам, не дублируют извлечение данных Гитхаб #research #text2research #pdf2video #pdf2ppt

⚖️ Норма управляемости Норма управляемости показывает, сколько человек способен контролировать один руководитель без потери качества работы. В зависимости от сферы оптимальные значения различаются: На производстве микросхем одному менеджеру подчиняются 35–40 сотрудников В бухгалтерии с отлаженными процессами — до 15 человек В креативных и маркетинговых командах — максимум 5 сотрудников В среднем для менеджеров среднего и высшего звена комфортная нагрузка составляет 15–17 человек. Автоматизация может позволить увеличить это число, однако чрезмерная нагрузка приводит к снижению эффективности. При оптимизации численности команды важно убедиться, что это не повлияет на стабильность бизнеса. Фаундер | Бизнес и Стартапы

как немного упростить себе жизнь, если вы b2c фаундер: 1) на плохие отзывы в app store можно жаловаться, и apple их действительно удаляет (по моему опыту где-то в 3 из 4 случаев, но я жалуюсь только на странные отзывы 🤨) чаще всего срабатывают причины "не относится к приложению" и "неинформативно" 2) когда юзер запрашивает рефанд, apple дает 12 часов, чтобы прислать данные о том, как он пользовался аппом, по дефолту рефанд будет почти наверняка. мы используем фичу revenuecat с автоматической выгрузкой в apple аналитики для рефандов, я думаю если у вас триалы это маст хев 3) если все уж совсем плохо, то apple разрешает обнулить общий рейтинг приложения при выходе новой версии 4) отзывы с ответом разработчика показываются выше остальных, а ответ на негативный отзыв часто превращает его в позитивный 5) просите оценку после вау момента, а не сразу. Теперь за запрос оценки в онбординге стали прилетать реджекты 6) если у вас долго идет ревью в appstore или вас реджектят по непонятным причинам, можно попытаться сменить ревьюера через запрос звонка. Тогда обычно ваша заявка уходит к супервизору и странные придирки отпадают. У нас так было пару месяцев назад когда нам влепили 4 отказа подряд за "объективируюший" контент в приложении, а что за объективация - так не объяснили 😁 что бы добавили? @neural_prosecco

Кажется я уже показывал журнал, который делаю для Бастиона. На днях мы напечатали третий выпуск. Вроде бы это архаичный формат, но на него есть заметный спрос на конференциях, да и Мир фантастики уже который год издается по краудфандинговой модели. Может быть даже можно осторожно говорить о неком ренессансе, как с виниловыми пластинками. Это радует, потому что на бумаге можно вложиться в визуальное оформление сильнее, чем на типичном сайте. Здесь явно больше пространства для творчества и, в то же время, из-за длинного цикла и солидной стоимости производства серьезно раздумываешь над каждым творческим решением. В результате получается некий коллекционный предмет с ограниченным тиражом. В данном случае, например, всего 500 штук. Сейчас коллеги разыгрывают первый выпуск (и будут разыгрывать следующие), так что при доле удачи можете приобщиться. Но вообще, интересно, читаете ли вы еще бумажную периодику, и если да — то какую. Была мысль переводить и выкладывать для вас англоязычные журналы о технологиях, но стоит ли заморачиваться?

В большинстве своем при поиске latency метрик мы находим общую latency = написал текст/сказал текст и получил аудио обратно. Однако за этим стоит не только большая доля инженерии, но и модули модели. Метрики, которые мы здесь рассмотрим: • FTL - first packet latency • TPP - first packet decode • DEC - mean packet decode • FPL - first packet latency • RTFx - audio_duration / processing time - общий throughput пайплайна Чаще всего работаем с пайплайном: текст -> LM based TTS - - - > audio codebook tokens - - - -> Codebook based Vocoder FTL - это путь от текста к первому audio codebook token. Это может быть как и один токен, который генерит большая модель, так и sequence токенов, которые генерит какой-то depth transformer, а может быть вообще multi-token generation от главной модели. Так или иначе на выходе только дискретный токен / латентный вектор. На эту метрику влияют кроме всех прочих приколюх модели и параметры интеренса. Например, сколько буковок вообще нужно ждать, чтобы начать генерить. Или сколько буковок передавать как lookahead, чтобы аудиотокены получались лучше. TPP - это путь только вокодера. Получили аудио токены - получили первый audio patch. У этого пути может быть отдельный cuda stream. Здесь также главную роль играют "accumulation" параметры. Например, сколько токенов нужно подсобрать чтобы сделать один pass вокодера? —— Но также именно здесь есть важный дизайнхук, который всегда люди делают по-разному. Как декодировать последовательность, чтобы не было странных звуков между патчами😒 Многие это делают декодируя всю предыдущую последовательность. Кто-то собирает n прошлых секунд и отправляет именно их. Кто-то использует kv cache, что часто идентично. Каждый из них влияет на latency. Именно это design choices отражаются на DEC метрики, так как один пасс через vocoder может потом линейно вырости и будет казаться, что вокодер вместо 50ms почему-то стал тратить 200ms, а все потому что мы передали ему весь предыдущий контекст. —— Все метрики выше влияют на FPL, как раз то, что большинство юзеров называют latency. Или вот эта задержка между тем как вы что-то сказали и бот ответил вам в ответ (здесь мы считали только TTS часть). Большинство компаний стремятся к тому, чтобы это значение latency было меньшее 100ms 😌 В борьбе за этим что только можно и нельзя использовать. При этом важно и смотреть на общий RTF, так как многие (в том числе и я) могут занижать FPL с помощью более маленького контекста, lookeahead'a и тд, а потом уже кормить модель нормальным контекстом🙂. Ну и конечно мы оставляем за большими скобками хитрые вещи по типу filler words или заготовленные фразы, чтобы не казалось что модель долго думает.

А с каким latency говорите вы? Я иногда с 300ms, а иногда с -100ms (ну знаете когда собеседник уже слишком тянет и ты все уже понял)

🎶Предохранитель для ИИ-агентов

скилл Looper режет бесконечные циклы и спасает баланс API

Сборка автономных агентов часто заканчивается слитым бюджетом. Нейросеть ловит ошибку логики, уходит в бесконечный цикл и сжигает токены, пока не упрется в лимит карты. На GitHub появился инструмент Looper - утилита для жесткого аудита агентских воркфлоу перед их запуском в продакшен. Механика строится на внешнем арбитраже. Looper натравливает независимую LLM на ваши циклы. Модель-арбитр тестирует логику, ищет структурные дыры и оценивает адекватность конечного результата. 🟪Главная техническая ценность:

автоматическая расстановка предохранителей. Скилл принудительно вшивает в код лимиты на количество итераций и жесткий бюджет токенов. Агент физически не сможет потратить больше заданного объема. Дополнительно скрипт рендерит прозрачную визуальную схему архитектуры цикла для быстрого дебага.

Итог аудита пакуется в один оптимизированный файл. Конфиг сразу готов к интеграции и запуску через Claude Code. 🟡Репозиторий лежит здесь бесплатно. 🦔 CyberYozh