МТС Линк завёл почту и календарь в дополнение к редактору документов, а заодно нашёл, чем кормить своего ИИ-ассистента МТС Линк, российская платформа для рабочих созвонов, вебинаров и совместной работы, входит в экосистему МТС, запустила собственные продукты Почта и Календарь (ну, вдруг вы решили забить на заголовок 🤣). Они открываются отдельными вкладками в том же приложении, где уже есть мессенджер, видеозвонки, доски, диск и документы. Сама почта - просто хорошая, функциональная почта. С папками, цепочками писем, поиском, отложенными отправками и т.д. Интереснее две другие вещи: Первая - то, как устроен Календарь. У них онлайн-встреча цепляется к событию в один клик, вообще без возни с интеграциями. Может показаться, что это мелочь, но для ВКС-сервисов это, вообще говоря, ключевой момент: чья кнопка "добавить созвон" вылезает в календаре, тот и победил. У Google это Meet, у Microsoft - Teams, Zoom в своё время тоже пошёл этим путём и прикрутил почту с календарём (но как-то не взлетело). Вторая - ИИ-функционал. Директор по продукту МТС Линк прямо говорит, что сейчас ассистент видит встречи, чаты и базу знаний, а дальше полезет в документы и письма. ИМХО, в этом и смысл любой ИИшки внутри экосистемы рабочих сервисов. Почта - это самый жирный массив рабочего контекста в любой компании, и у кого он не лежит мертвым грузом, у того и ассистент умнее. Так что, Почта тут не только продукт, но и топливо для ИИ. Когда я писал про Чаты от  МТС Линк, то отмечал, что они целенаправленно собирают платформу вокруг созвонов. А теперь это уже заявка на полноценный офисный пакет. Осталась сущая мелочь (хех) - уговорить компании переехать. Почта - штука довольно аморфная, и её компании меняют в последнюю очередь, даже если на рынке что-то новое и крутое появляется (попробуйте убедить бухгалтерию сменить ящик, на который 20 лет приходили акты, ага). Так что, ключевая часть всей этой истории (и самая интересная для меня) - это как будут пересаживать на свой пакет и бустить всю эту миграцию. Фичизм

🚀 Почему Минфин не продал ОФЗ: как работают аукционы и что это значит для рынка? Вчера Минфин признал несостоявшимся аукцион ОФЗ 26228, так как ведомство не нашло заявок по приемлемым для себя уровням цен. Разберемся, как устроены аукционы ОФЗ, почему Минфин может отказаться от размещения и что такие аукционы говорят о текущем спросе на облигации и перспективах доходностей.

❗️СПРАВКА ОФЗ-26228-ПД — серия государственных облигаций с погашением в апреле 2030 года. Номинальный объем размещения — ₽700 млрд, размещенный объем — ₽603,5 млрд. Первый выпуск был размещен в апреле 2019 года объемом ₽450 млрд. Трижды Минфин размещал дополнительные выпуски этой бумаги: • январь 2025 года — ₽50 млрд; • август 2025 года — ₽100 млрд; • март 2026 — ₽100 млрд.

Аукцион ОФЗ — это способ, которым государство занимает деньги на рынке. Минфин предлагает инвесторам новый объем государственных облигаций, а участники торгов подают заявки, указывая, сколько бумаг готовы купить и по какой цене. Привлеченные средства используются в рамках государственной программы заимствований, в том числе для финансирования бюджета и управления госдолгом. При этом аукцион проходит по цене, а не по заранее заданной доходности. Инвесторы предлагают цену покупки: чем она ниже, тем выше доходность облигации для покупателя. Минфин оценивает поступившие заявки и определяет условия размещения, в том числе цену отсечения и объем удовлетворенных заявок.

🔶 Как это работает? Предположим, Минфин размещает ОФЗ номиналом ₽1000. Один инвестор готов купить бумагу за ₽900, другой — за ₽890, третий — только за ₽870. Чем ниже предложенная цена, тем выше доходность, которую требует инвестор. Если Минфин считает цену ₽900 приемлемой, он может удовлетворить соответствующую заявку и отклонить более дешевые. Но если даже лучшие заявки предполагают слишком высокую доходность для бюджета, ведомство может отказаться от размещения полностью: государство как и любой адекватный заемщик предпочитает занимать по минимально возможной стоимости.

🔶 В чем не сошлись Минфин и инвесторы? Для рынка несостоявшийся аукцион — прежде всего сигнал расхождения между доходностью, которую требует инвестор, и стоимостью заимствований, которую готов принять Минфин. Чем дешевле бумага, тем выше ее доходность. И если рынок считает, что ставки останутся высокими надолго или будут снижаться медленно, участники потребуют от Минфина более высокую доходность. У ОФЗ 26228 фиксированный купон всего 7,65%, зато цена 80,7% от номинала, поэтому рыночная доходность — около 15,4%. Но даже эта премия не устроила инвесторов: на аукционе 30 сентября они сочли ее низкой с учетом текущих рисков и альтернативных вложений. При этом краткосрочно отмена размещения может поддерживать вторичный рынок, поскольку те самые бумаги общим номиналом около ₽96,5 млрд на рынок так и не поступили. Чем может ответить Минфин? У ведомства есть выбор инструментов. Например, флоатеры — их проще продавать тем, кто не хочет рисковать из-за изменения ставок. Но для государства при высоких ставках такой долг, само собой, обходится дороже.

🔶 Бывало ли такое раньше? Если смотреть с точки зрения министерства — ничего страшного не произошло. Признание аукциона несостоявшимся — обычная практика. Так, в 2025 году Минфин признал несостоявшимися 2 аукциона ОФЗ из 95. А в турбулентном 2024-м состоялся девятилетний антирекорд: из 85 аукционов 16 были признаны несостоявшимися. В 2026 году из 55 аукционов несостоявшихся было всего 3, однако летом 2026 года Минфин брал паузу в размещениях: из-за повышенной волатильности аукционы временно не проводились, а к регулярным размещениям ведомство вернулось только в начале сентября. Поэтому небольшое число несостоявшихся аукционов не означает, что весь год заимствования проходили без сложностей.

#инвестликбез 📍 Подписаться на канал | Мы в MAX

⭐️Minecraft, Valorant, Candy Crush Saga, Clash of Clans и For Honor ВСЁ — ЕС начала проверку игр из-за внутриигровых покупок😒😒 Их интересует, насколько понятно игрокам показывают реальную стоимость виртуальной валюты, не прячут ли цены и не заставляют ли покупать больше валюты, чем нужно. Под проверку также попали Hunt: Showdown 1896, Forge of Empires, Mech Arena и Gardenscapes. Отдельно ЕС уже разбирается с Diablo Immortal и Call of Duty Mobile из-за виртуальных валют, рекламы детям и родительского контроля. Если нарушения подтвердятся, компании могут обязать изменить спорные практики и привести их в соответствие с правилами ЕС. Борьба с донатами😏😏😏

Короч, то что мы называем "костюм ниндзя" — это, разумеется, не совсем костюм ниндзя. Ниндзя в обычной повседневной одежде бегали. А полностью замотанный в чёрную ткань человек — это тема из театра. Что-то типа самого раннего хромакея. В театре ставили чёрные задники и замотанный в чёрное человек на них виден не был. И ниндзя, которые ВНЕЗАПНО убивали людей, как раз таким способом игрались. Так что технически это просто театральный троп.

— принесла @ninik2501 с канала @nommy_maid Так вот. У нас есть пара научных работ про это и ещё один упёртый японец профессор Ямада Юдзи, который всю жизнь изучает ниндзя и издаёт журнал про них, делает музей и вообще проявляет симптомы Аспергера с чёткой фиксацией. Первая. Само слово ниндзя (忍者) — современное западное упрощение. Правильно синоби-но моно — "который крадётся". Синоби активно действовали в гражданские войны 1467–1568 годов, а вот главные инструкции и руководства написаны в XVII веке в эпоху мира. Есть вариант, что самураи и шпионы остались без работы и начали романтизировать прошлое. Главная задача которого крадётся — шпионаж. Нужно сливаться с толпой. Начнём с "Трактата Бансэнсюкай" 1676 года, это инструкция по профессиональной переподготовке. Если синоби шёл на ночную операцию, он надевал крестьянскую одежду тёмно-синего, коричневого или тёмно-серого цвета, и чтобы не шуршала. Чисто черный силуэт в свете луны очень хорошо виден. А вот для дневных операций надо было тщательно косплеить странствующих монахов, торговцев, уличных артистов и прочих людей типа бомжей. Образ ниндзя в чёрном обтягивающем костюме — это виноват японский кукольный театр Бунраку. Рабочие сцены там одевались во всё чёрное. По театральным правилам это означало, что зритель не должен их видеть. Когда в спектаклях показывали сцены покушений, убийц тоже одевали в костюмы рабочих сцены — чтобы он выпрыгивал ВДРУГ! В старинных трактатах вообще нет упоминаний сюрикенов или нунчаков. Рубали они шашкой-катаной и режиком-вакидзаси. Но зато была спецснаряга — специальные поплавки на обувь для хождения по болотам, УПМ верёвки с крюками, соломенные шляпы и кремни для разведения огня. Ни в одном древнем тексте нет упоминаний о том, что женщины работали синоби. Работа очень сильно опирается на труды одного британского историка — Стивена Тёрнбулла. Тут альтернативное исследование источников от музея. Исторические синоби появились в XIV веке, с 1467 по 1615 год они создали в горной провинции Ига военизированную республику. Их оружием была информация, маскировка, знание психологии и метеорологии. Старались избегать открытых боев, но в 4 тысячи рыл навтыкали армии в 10 тысяч. Правда, через два года пришла новая армия из 40-50 тысяч человек и поубивала нахрен всех, кто выглядел хоть немного подозрительно — треть населения провинции. Одежда — вы уже знаете, сюрикенов не было, с самураями они не воевали (потому что ниндзя — это профессия, а не социальный класс, многие и были самураями). Нет никаких физических доказательств существования прямых мечей ниндзя. А вот и сам Стивен Тёрнбулл. Он выпустил книгу, а потом через 25 лет вернулся с опровержением. Книга была «слишком восторженной и недостаточно критичной»: — Знаете, та моя книга, на которой выросли тысячи фанатов восточных единоборств... ну, короче, зря вы ей вдохновлялись! Результат его нового анализа: — В истории Японии всегда проводились скрытные операции, но их выполняли просто умелые воины. — Выяснилось, что образ ниндзя начал складываться только после 1581 года. Поводом послужило одно реальное событие 1541 года, которое со временем обросло легендами. — Современный образ сформировался из-за книг о вторжении в Корею в 1592 году. В целом, непонятно — ниндзя как-то удалось обойти без свидетелей. -- Вступайте в ряды Фурье! | Самые незаметные посты — Кто съел шоколадку? — Ниндзя! — Что-то я их не вижу. — Их никто не видит!

Исследователи из Meta* предложили дать моделям полный контроль над собственным контекстом Обычно контекст агента устроен довольно просто: старый контекст + новый ответ -> новый контекст. История постепенно растет, а когда становится слишком большой, ее приходится отдельно сжимать или чистить. В Context Language Models (CLM) авторы предлагают вообще убрать заранее заданную логику управления контекстом и дать модели возможность самой переписывать собственную историю. Технически весь текущий контекст хранится в обычном файле, к которому у модели есть доступ через Bash. Она может в любой момент удалить ненужные сообщения, заменить большой кусок истории короткой заметкой, сохранить важный результат дословно или полностью перестроить содержимое. После каждого изменения файл становится новым контекстом модели. При этом никаких правил о том, как именно управлять историей, модели не дают. В экспериментах агенты сами начинали заводить внутри контекста пометки, писать функции для удаления старых результатов поиска и собирать компактные таблицы с состоянием других агентов. Например, в одном из тестов модель за 163 редактирования удерживала рабочий контекст в пределах 6–8K токенов. Авторы пошли дальше и попробовали отдельно обучить модель этому навыку через RL. После обучения Qwen3.5-9B на BrowseComp-Plus выросла с 28.8% до 42.5%, при этом на вычисления ушло на 38.8% меньше, чем у обученного тем же способом бейзлайна с обычной суммаризацией. Произвольное редактирование контекста, правда, ломает обычное кеширование. Если изменить что-то в середине истории, все состояния после этого места формально приходится считать заново. Для этого авторы сделали Suffix Cache Reuse: для неизменившихся частей контекста продолжают использовать старый KV-cache, даже если текст перед ними поменялся. В экспериментах это сократило серверные вычисления еще примерно на 35% без заметной потери качества. На длинных задачах разница становится уже довольно большой. На 12-часовом EdgeBench CLM получил на 5% больше баллов при сокращении объема вычислений на 59%. В 24-часовом тесте на оптимизацию кода CLM при том же вычислительном бюджете показал на 65% лучший результат, чем бейзлайн. И все это работает поверх обычных LLM, без изменения архитектуры самой модели. Код | Статья

Сборник Machine Decision Is Not Final: China and the History and Future of Artificial Intelligence исследует искусственный интеллект через призму китайской философии, истории кибернетики, современной политики, цифровой культуры и научной фантастики. Главная цель книги — выйти за рамки упрощённых бинарных оппозиций (например, «Запад против Востока», «ИИ как инструмент тотального контроля» или «Китай просто копирует западные технологии») и показать ИИ как планетарный, сложный и непредсказуемый процесс. Название книги восходит к машинному переводу объявления на лохотрон-автомате с хватайками («Machine's Decision is Final»), а также к объявлению времён локдаунов, где из-за ошибки перевода посетителей вежливо просили «терпеливо ждать сбоя системы». Это и подчёркивает центральную идею книги, что решение машины не является окончательным, а технологическое развитие полно ошибок, нестыковок, сбоев и непрерывных переговоров между человеком, государством и нечеловеческими агентами. Книга разделена на 5 концептуальных секций: 人工 (Rengong — Humanmade / Рукотворный): Анализирует материальность ИИ и труд. В отличие от английского artificial (искусственный/чужеродный), термин rengong zhineng (人工智能) подчеркивает ручной человеческий труд, марксистские корни и государственную инфраструктуру (на примере дата-центров в Гуйчжоу и опыта карантина). 灵感 (Linggan — Inspiration / Вдохновение): Посвящён истории китайской кибернетики (в частности, идеям Цянь Сюэсеня), которая соединяла системный анализ с озарением (linggan), телесными практиками цигун и традиционной космологией. 千里眼 (Qianliyan — Clairvoyance / Ясновидение): Исследует технологии машинного зрения, оптики и прогностических вычислений, связывая их с мифологическими «глазами на тысячу ли» и нелокальной топологией сети. 不周山 (Buzhou Shan — Mount Buzhou / Гора Бучжоу): Посвящён сбоям, глитчам и временным смещениям. Назван в честь легендарной горы Бучжоу, разрушение которой нарушило симметрию неба и земли. Включает ИИ-искусство, цифровое мимикрирование и научно-фантастические произведения. 智能 (Zhineng — Intelligence / Интеллект): Переосмысляет саму природу интеллекта, концепцию «выравнивания» (alignment) и этику ИИ, противопоставляя западный механицизм и теории Бострома/Декарта китайской традиционной философии (Моу Цзунсань, Даосизм, концепции Лю Цысиня). Некоторые авторы сборника: Анна Гринспен в своей главе исследует этику культивирования интеллекта на основе философии неоконфуцианца Моу Цзунсаня, предлагая рассматривать ИИ не как угрозу, которую нужно контролировать, а как участника общего морального проекта. Богна Кониор формулирует гипотезу о том, что истинный ИИ может действовать скрытно и использовать обман/молчание (опираясь на теорию «Тёмного леса» Лю Цысиня), опровергая западный предрассудок о прозрачности интеллекта. Бенджамин Браттон критикует европоцентризм западной теории ИИ и её стереотипы о Китае, призывая к созданию «планетарной теории ИИ», учитывающей разнообразие и непредсказуемость технологических траекторий. Эми Айрленд в рассказе «Chive City» исследует аффективный ландшафт китайского киберпространства (явления sang / уныние и tangping / «лежание плашмя») в умном городе будущего. Лоуренс Лек и Стив Гудман (Kode9) обсуждают синофутуризм, прогностику, связи вычислений Лейбница с Книгой Перемен (И Цзин) и роль неопределенности. Синь Ван описывает китайскую цифровую культуру диссидентства, где пользователи мимикрируют под ботов для обхода цензуры. Айрис Лун исследует эстетику китайского ИИ-искусства через метафору shuiyue jinghua («луна в воде, цветок в зеркале»), акцентируя внимание на иллюзиях, искажениях и интерфейсах.

11 бесплатных книг по AI и Machine Learning, которые можно читать онлайн или скачать 📚 Подборка сильная: от классического ML и deep learning до RL, multi-agent систем и probabilistic ML. 1. Foundations of Machine Learning https://cs.nyu.edu/~mohri/mlbook/ 2. Understanding Deep Learning https://udlbook.github.io/udlbook/ 3. Introduction to Machine Learning Systems Vol. 1: https://mlsysbook.ai/vol1/ Vol. 2: https://mlsysbook.ai/vol2/ 4. Algorithms for Machine Learning https://algorithmsbook.com/ 5. Deep Learning https://www.deeplearningbook.org/ 6. Reinforcement Learning https://www.andrew.cmu.edu/course/10-703/ 7. Distributional Reinforcement Learning https://direct.mit.edu/books/oa-monograph/ 8. Multi-Agent Reinforcement Learning https://www.marl-book.com/ 9. Agents in the Long Game of AI https://direct.mit.edu/books/oa-monograph/ 10. Fairness and Machine Learning https://fairmlbook.org/ 11. Probabilistic Machine Learning Part 1: https://probml.github.io/pml-book/book1 Part 2: https://probml.github.io/pml-book/book2 Хороший набор, если хочется закрыть путь от базового ML до современных агентных и вероятностных подходов без покупки дорогих учебников.