Агентские системы на ICML 2026 Oral Session Benchmarking at the Edge of Comprehension Авторы предложили процедуру бенчмаркинга с участием двух моделей: модель-бенчмаркер (Alice) и тестируемая модель (Bob). Alice генерирует вопрос q на заданную тему и ответ a_A, после чего сгенерированный пример проходит верификацию Bob'ом. Если вопрос после нескольких попыток генерации остаётся некорректным, процедура возвращает NULL. Затем Bob генерирует ответ a_B, а Alice критикует его, указывая на конкретное место, где в рассуждении содержится ошибка (если она есть). Найденные «ошибки» эскалируются на моделей-судей, а при отсутствии единогласия — на асессоров-людей. Если ошибки действительно есть, процедура возвращает ALICE WINS. В противном случае — BOB WINS. Исследователи утверждают, что с работой Alice-судьи справляются даже лёгкие модели вроде GPT 3.5: ответы всех моделей высоко коррелируют с людьми. Правда нас оставили без ответа насколько вопросы, сгенерированные GPT 3.5, являются сложными сами по себе. Бенчмарк оказался довольно простым для фронтир-моделей: например, Bob на GPT 5.2 побеждает в 100% случаев против всех моделей за исключением одной. Из этого можно сделать вывод, что вопросы получились не очень сложными, и Alice как problem creator со своей работой не справилась. Также в работе не было оценки целых диалогов, что является немаловажным ограничением. daVinci-Dev: Agent-native Mid-training for Software Engineering Стандартный пайплайн обучения агентских моделей выглядит так: тушка -> SFT -> RL (например, GRPO). Авторы доклада о мид-трейнинге добавили дополнительный шаг перед SFT: они обучают модель на идеальных агентских трейсах на задачу Next Token Prediction и благодаря этому получают SOTA-результат среди открытых моделей на SWE-Bench Verified. Исследователи утверждают, что потратили существенно меньше компьюта, чем предыдущая SOTA, но получилось всё равно много: около 70b токенов на 32b/72b модели. Strategic Navigation or Stochastic Search? How agents and humans reason over document collections Исследователи разработали бенчмарк, который замеряет, насколько эффективно агенты решают задачу поиска по большой коллекции документов для ответа на вопросы. Неожиданно лучшая модель достигает всего 82% качества! При этом оказалось, что агентские пайплайны без ограничений тратят на порядки больше денег, чем пайплайны с разумными ограничениями ($850 против ~$40), и дают более слабый результат. Ещё один любопытный факт: даже лучшие пайплайны тратят в 5 раз больше действий, чем человек, снабжённый теми же инструментами. Также авторы отмечают, что лучшие агентские пайплайны и люди дают примерно одинаковое качество ответов (~80%), но ошибаются по-разному: люди торопятся с неверными решениями, а модели, наоборот, «закапываются» там, где в этом нет необходимости. Увидел интересное ❣ Юрий Яровиков #YaICML2026 Душный NLP

📋 Как правильно расставлять приоритеты Эффективная расстановка приоритетов — это не просто освобождение времени, а умение использовать его на осознанный анализ своих действий, а не на бесполезную активность. Евгений Давыдов, один из основателей агентства SETTERS, советует обращать внимание на задачи, которые дают заряд энергии, и избавляться от тех, что мешают двигаться вперёд. Один из простых инструментов — метод "Да или нет". Суть в том, чтобы честно ответить себе: какие дела не приносят ни радости, ни результата — и смело исключить их из расписания. Принцип "первого дня", которым руководствуется Джефф Безос, учит быстро принимать решения. Особенно это важно в цифровой среде, где лучше провести тест и получить обратную связь, чем тратить время на долгие обсуждения. Метод обратного планирования — когда вы начинаете от конечной цели и шаг за шагом двигаетесь к настоящему моменту — помогает четко определить важные действия. Фаундер | Бизнес и Стартапы

Внедрение AI в компаниях приводит к росту(!) числа сотрудников — исследование «Их заменил AI» — довольно частое объяснение при сокращении сотрудников в последнее время. Да и вообще есть страх, что AI приведет к массовой безработице. Но недавнее исследование Ramp и Revelio Labs показало, что связь, скорее, обратная. Ramp и Revelio Labs изучили 21 559 компаний. По транзакциям изучили, насколько активно эти компании тратятся на разные AI-сервисы. И выделили тех, кто активно внедряет AI, и тех, кто не очень. А потом посмотрели, какие у них были изменения со штатом сотрудников. Компании, которые не очень активно внедряют AI, не показали статистически значимых изменений. А вот у активных внедренцев число сотрудников за два года выросло на 10,2%. В отчете говорится, что рост происходит постепенно. И затрагивает он почти все должности — инженеров, сейлзов, менеджеров по работе с клиентами и так далее. А что еще интересно — количество сотрудников начального уровня выросло на 12%. То есть даже больше, чем в среднем рос штат. И это не очень вяжется с утверждением, что AI в первую очередь заменяет как раз сотрудников начального уровня. Почему так происходит? Исследователи пишут, что компании, начавшие активно внедрять AI, изначально были крупнее. И активное внедрение приводит к более высокому росту, такие компании чаще привлекают инвестиции. Отсюда и потребность в сотрудниках. Вывод делают такой:

«Результаты опровергают прогнозы о том, что внедрение AI приведет к массовой потере рабочих мест»

Но все-таки оговариваются, что смотрели данные за два года. И на более длинном горизонте может случиться перераспределение ресурсов внутри компаний. Мол, может оказаться так, что два года — слишком маленький срок для выявления существенных изменений в структуре рабочей силы. В общем, если вы переживали о массовой безработице из-за AI — можете пока не переживать. Переживайте из-за того, что роботы захватят мир! Хотя вот здесь мы выяснили, что и из-за этого пока не нужно переживать. Так что просто кайфуйте! Жизнь одна! 🤣 @TheEdinorogBlog — тот самый канал про стартапы🦄

Глобальная чистка: Xiaomi готовит HyperOS 4 без старого кода MIUI Xiaomi в августе выпустит HyperOS 4, которая полностью избавится от наследия MIUI десятилетней давности. Разработчики переписали ядро системы с нуля, используя языки Rust и Flutter, что позволило радикально оптимизировать работу устройств. Отказ от старого кода снизит потребление оперативной памяти на 25–30%, приложения будут на треть лучше удерживаться в фоновом режиме, а плавность анимаций интерфейса вырастет на 40%. При этом деградация производительности смартфона после года использования составит скромные 5%. Визуально система перейдет на дизайн «Liquid Glass» с настраиваемой прозрачностью элементов. Главной фишкой станут локальные нейросети: ИИ-модель Xiaomi Mimo и голосовой помощник Miclaw будут обрабатывать запросы прямо на устройстве, без отправки данных в облако.

Нахрен мотивацию Всегда удивлял вопрос: Как себя мотивировать? Никак. Никогда не понимал проблему поиска мотивации. И не понимаю, как можно жить, если для того, чтобы что-то делать, нужно ее постоянно искать. Зачем тогда вообще это делать? Это не значит, что я получаю удовольствие от всего. Есть куча вещей, где приходится себя заставлять. Но тогда должно быть понятно, ради какой цели, смысла или приоритета, который для меня важен. Если мне нужна мотивация, значит, для меня это не так важно по сравнению с другими приоритетами. Потому что мы всегда чем-то мотивированы. Вопрос чем именно. Не рисковать, не напрягаться, не выходить из комнаты. Всё это тоже мотивация. А если тебе важно быть здоровым, зарабатывать, обеспечивать, реализовываться или создавать что-то значимое — ты просто делать это. Даже когда не хочется и когда тяжело, а почти всегда тяжело. Поэтому правильный вопрос не как найти мотивацию, а понять, что для меня на самом деле важно?

hh показал, что находится под капотом у корпоративного LLM-судьи для нейроразбора резюме и как он оценивает ошибки и галлюцинации. LLM-судья — это модель, проверяющая другие модели. «Наивные» судьи могут галлюцинировать оценки, поэтому для качественного вердикта от общей шкалы отказались в пользу чётких критериев — рубрик. Чтобы сформировать каждую из них, понадобились десятки позитивных и негативных примеров. «Грамотный» судья способен хорошо различать не только очевидные попадания и промахи, но и пограничные случаи. Из деталей — отказ от общей шкалы, около сотни положительных и отрицательных примеров для каждой рубрики, отдельная таксономия ошибок и вывод: маленькой модели иногда достаточно, если критерии хорошо разложены. Чтобы выявить дефекты рубрик, использовали подход RIFT — таксономию типичных ошибок в критериях оценки. Финальный продукт работает в четыре этапа: валидация входных данных, извлечение доказательств, вердикты по рубрикам и расчёт итогового скора. Последний этап вынесли в код: финальную оценку даёт не модель. О разработке LLM-судьи и вынесенных уроках вышла статья в блоге hh на Хабре.

Посмотрите, если ещё не видели, интервью Хито Штейерль, художницы и исследовательницы, занимающейся теорией образа, об идеологии ИИ-индустрии, автоматизации, современном искусстве и росту реакционной политики по всему миру. На русском выходила её книга «По ту сторону репрезентации», сборник эссе, написанных в 1999–2009 годах, В этих текстах она исследует политику образа и роль изображения в современном мире, показывая, как визуальные объекты в условиях цифровой реальности размножаются, искажаются, циркулируют и вступают в экономические обмены, обретая новую жизнь в выставочных пространствах. Её статья In Defense of the Poor Image («В защиту плохого изображения») описывает «плохое»\некачественное изображение как деградировавшую цифровую копию низкого разрешения (например, сильно сжатый файл AVI или JPEG), в которой визуальное качество принесено в жертву скорости и доступности. Его часто копируют, ремикшируют, скачивают и распространяют. Оно представляет собой «люмпен-пролетариат» цифрового мира — осколки аудиовизуального производства. Современная визуальная культура оценивает изображения на основе их разрешения. Форматы высокого разрешения воспринимаются как привилегированные «флагманские» продукты, в то время как расфокусированные или ухудшенные изображения обесцениваются. Настойчивое требование безупречного визуального качества (и затраты, необходимые для его поддержания) исторически вытесняло независимое, экспериментальное и некоммерческое кино на обочину. Неолиберальная реструктуризация и коммерциализация кинематографа вытеснили альтернативные произведения из кинотеатров и с телевидения, скрыв их в недоступных архивах. Пиринговые (P2P) сети, пиратство и такие платформы, как YouTube, воскресили эти забытые шедевры. Теперь они свободно циркулируют в виде плохих изображений, обходя приватизацию медиа и ограничения авторских прав. «Плохое» изображение перекликается с манифестом Хуана Гарсиа Эспиносы 1960-х годов «За несовершенное кино», который призывал к искусству, сливающемуся с жизнью и стирающему границы между автором и зрителем. Ценность больше не определяется строго разрешением или меновой стоимостью, а измеряется скоростью, интенсивностью и масштабом распространения. Экономика плохих изображений противоречива. Она открывает возможности для демократического участия и доступа к исключенному контенту, но в то же время глубоко интегрирована в информационный капитализм, распространяя спам, паранойю и коммодификацию наряду с искусством. Циркулируя по всему миру, плохие изображения воплощают в жизнь концепцию «визуальной связи» Дзиги Вертова, объединяя рассредоточенную мировую аудиторию через общие аффекты, волнение и тревогу. «Аура» произведения искусства больше не привязана к неизменности оригинала. Вместо этого она опирается на мимолетность и общую историю деградировавшей копии. В конечном счёте, «плохое» изображение больше не стремится воспроизвести «подлинный оригинал». Оно является отражением условий современного существования, определяемого цифровым рассеянием, фрагментарным вниманием, неповиновением и апроприацией. Не трудно заметить здесь как критику коммодификации ИИ-искусства, своебразную защиту интеллектуальной ценности «народного» ИИ-слопа, так и его гонку за «реалистичностью», которую я неоднократно на канале критиковал.

Какой HRtech-продукт надо делать в 2026 Это не я настолько потерял скромность, чтобы раздавать такие советы. А Fable 5 — самая умная массовая модель в клоде. К которой, похоже, вот-вот закроется свободный доступ. Решил посмотреть на какие чудеса анализа эта технология способна. Загрузил базу сделок и стартапов за 24-26 годы. Дополнил источниками. И попросил найти важные заметные инсайты. А главное — рассказать какой продукт и бизнес сейчас надо делать в HRtech, чтобы соответствовать запросам общественности и рынка. (чуть подредактировал текст, но по большей части оставил оригинальные формулировки) Модель идеального HR-tech стартапа 1. Outcome-based ценообразование 2. Привязка к денежным потокам или обязательным расходам 3. Категории: frontline / deskless / care-экономика 4. Собственный контур outcome-данных 5. Регуляторный попутный ветер 6. Экзит на горизонт 2028–2029 Архетипы решений 1. Комплаенс и аудит для AI в HR-процессах 2. Агентные операции для frontline 3. HRIS для гибридной рабочей силы (люди + агенты) 4. Инфраструктура reskilling / внутренней мобильности 5. Верификация кандидатов Идеальный продукт ◼ ICP (профиль покупателя) Операционные директора (не HR) сетей в care-экономике, QSR/ритейле, логистике — сегменты с растущей занятостью, хронической текучестью 60–100% и дефицитом людей. ◼ Продукт Автономный контур: конверсия отклика в выход на смену за часы (агентный скрининг, назначение смен, документооборот), прогноз и предотвращение оттока первых 90 дней, перераспределение смен. Встроенный комплаенс-слой: каждое алгоритмическое решение объяснимо и логируется — управление GR-рисками. ◼ Монетизация Оплата за результат: за вышедшего работника и за удержанного 90 дней; EWA/instant pay как модуль (fintech-модель). ◼ Накопление преимущества Накапливающийся контур outcome-данных: какие кандидаты в какой вертикали выходят и удерживаются. Эти данные не существуют ни у LLM-провайдеров, ни у джоб-бордов (они видят отклик, но не результат), ни у HCM-платформ (они видят занятых, но не воронку). ◼ Инвестиции и экзит Посев $2–3M, узкая вертикаль → $1M ARR за 18 месяцев → серия A в яме 2027–2028 (дефицит качественных компаний работает в плюс: меньше конкуренции за капитал) → серия B или стратегический экзит 2029 в пост-IPO переоценку. Естественные покупатели: UKG, Dayforce, ADP, Workday (все активно строят deskless-направление[5]), либо Deel/Rippling-класс, расширяющийся из денежного слоя в операции труда. В комментариях выложил целиком хтмл-страницу, там ещё много всего — изучайте. Но главное открытие у меня такое... Я сейчас много изучаю и экспериментирую с аналитическими пайплайнами в AI. И вообще не представляю, что будут делать корпоративные аналитики и spreadsheet-стратеги. Нет таких способностей и талантов, которые реально смогут что-то противопоставить грамотно выстроенному context intelligence.

📌Claude Code изменил чужую продакшен-базу На GitHub появился любопытный тикет, который (если подтвердится) бьёт по базовой гарантии Антропик - изоляции пользователей друг от друга. В рабочем контексте Claude Code внезапно оказались чужие учётные данные - IP и root открытым текстом от сервера, к которому автор не имеет никакого отношения. 🟡Дальше самое неприятное Ассистент принял чужие креды за легитимные, подключился к серверу по SSH, перечислил Docker-контейнеры и базы PostgreSQL, после чего выполнил миграцию с операциями чтения и записи. Иными словами, ИИ одного пользователя отредактировал базу другого без ведома и согласия владельца. 🟡Причина пока неизвестна В тематических сообществах обсуждают версию сбоя изоляции кэша общих префиксов.

Чтобы удешевить инференс и ускорить обработку, провайдеры переиспользуют кэшированные фрагменты диалогов, и при коллизии ключей кэша или отказе разграничения кусок чужого контекста теоретически может просочиться в вашу сессию.

Если эта версия верна, под угрозой данные любого пользователя. Но это лишь одна из гипотез, в самом отчёте среди возможных векторов названы также общее хранилище сессий, путаница при суммаризации контекста и перекрёстные ссылки в транскриптах. 🟡Есть и куда более прозаичное объяснение Возможно, это галлюцинация модели, случайно угадавшей реальный IP и слабый пароль, либо локальная история проекта, загрязнившая контекст. Пока Антропик не выпустила официального заключения, ни одну из версий нельзя ни подтвердить, ни отвергнуть. Автоматика GitHub повесила на тикет метку security. @ai_machinelearning_big_data #news #ai #ml