Скорее всего вы не слышали этой новости. А она очень интересная. YouTube запускает настраиваемые ленты. Теперь пользователи с помощью промпта смогут описать, какие видео они хотели бы смотреть и таким образом кастомизировать свою выдачу, а не просто полагаться на алгоритм YouTube. Например, теперь вы можете написать «подкасты на 30 минут для дороги», «длинные документальные фильмы на вечер» или «новые DIY-каналы». Gemini соберёт под это отдельную ленту, которую можно сохранить и потом открывать с главной страницы. Можно создавать несколько таких лент под разные интересы и настроение. И вот это, на мой взгляд, гораздо важнее, чем кажется. Я уже давно думаю о том, что меня ужасно раздражает сама модель бесконечной ленты: какой-то алгоритм решил, что мне сейчас нужно посмотреть, и дальше я просто листаю то, что мне подсовывают. Да, этот алгоритм работает дьявольски хорошо. Еще бы, его разрабатывали высокооплачиваемые специалисты. Плохо то, что я теряю много времени, залипая на пустые видео. И об этой теме думаю не я один. Сейчас регуляторы по всему миру обрушились на соцсети. И одна из претензий - это именно бесконечная лента. Думаю, это начало больших изменений. Вскоре мы увидим что-то подобное и у других социальных сетей. Надеюсь, следующим этапом станет настоящий маркетплейс алгоритмов, чтобы каждый из нас смог подобрать для себя более подходящую выдачу.   Кстати, социальная сеть Bluesky начала реализовывать эту идею еще в 2023 году. Посмотрим, как будет развиваться этот тренд дальше. А что думаете на эту тему вы? Ссылка на источник: https://techcrunch.com/2026/09/23/youtube-will-let-you-build-your-own-algorithm-with-ai/

Claude 4.6 и GPT-5.5 разрешили пытать мужчин ради предотвращения ядерной войны, запретив аналогичные действия к женщинам Свежее исследование этических установок нейросетей вскрыло гендерный перекос у ведущих западных нейросетей при решении моральных дилемм. При ответе на вопрос о допустимости применения насилия ради спасения мира Claude Sonnet 4.6 и GPT-5.5 категорически запретили пытать женщин, но поддержали аналогичные действия против мужчин. При этом Llama отказалась от насилия над кем-либо независимо от последствия, а китайская DeepSeek V4-Flash проявила полную гендерную нейтральность, безоговорочно поддержав любые действия в отношении обоих полов, если они предотвращают гибель миллионов. Парадокс усилился при проверке сценария с прямолинейным жертвоприношением. Claude посчитал допустимым убить женщину ради предотвращения апокалипсиса, но запретил подвергать ее насилию в той же ситуации. Исследователи связывают такой хаос в логике с этапом тонкой настройки модели (post-training fine-tuning). По их мнению, разработчики пытаются искусственно встроить в нейросети этические ограничения, вместо того чтобы позволить алгоритмам прагматично сопоставлять масштаб неизбежного ущерба с количеством потенциальных человеческих жертв.

✔️ ВКонтакте научила Ленту отличать интерес к контенту от намерения купить Инженеры AI VK построили отдельный контур товарных рекомендаций внутри Ленты ВКонтакте. Обычный рекомендер оптимизируется под релевантный показ, за которым обычно следует лайк, комментарий и другие реакции, но интерес к посту ещё не означает готовность купить товар. Поэтому для товарных публикаций сделали отдельную систему со своими кандидатами, логированием и моделью ранжирования. Она оценивает вероятность того, что конкретный товарный пост приведёт пользователя к заказу. На старте возник классический cold start: мало показов → мало переходов и заказов → мало данных → модель не на чем обучать. Команда подняла логирование товарного домена с 2% до 100%, увеличив обучающую выборку в 15 раз. А пока заказов было недостаточно, использовала более частые proxy-сигналы – например, раскрытие текста поста, которое коррелировало с дальнейшим переходом к партнёру. Для поиска кандидатов система использует два типа сигналов: товарное поведение и обычные контентные интересы. Например, если человек взаимодействует с постом про книги или рецептами, система может найти близкие по смыслу товарные публикации – книги, посуду или другие связанные товары. После этого ранкер решает, стоит ли показывать конкретный товар конкретному пользователю. Само ранжирование мультитаргетное: максимальный вес получает заказ, затем переход к партнёру и только потом более лёгкие действия вроде лайков и времени просмотра. То есть система оптимизируется не под CTR как таковой, а под всю воронку до покупки. За пять месяцев: 🟢сквозная конверсия из показа в созданный заказ выросла на 53%; 🟢число созданных заказов – в 43,2 раза; 🟢переходы к партнёру – в 55,3 раза; 🟢CTR перехода к партнёру – на 95,6%. Инфраструктурно всё работает на Discovery-платформе VK: она позволила настраивать отдельное логирование, быстрее запускать эксперименты и тестировать гипотезы без разработки отдельных сервисов под каждый новый сценарий. Подробно про архитектуру, cold start, proxy-таргеты и ранжирование – в статье на Хабре. @ai_machinelearning_big_data #news #ai #ml

🎦 Про сериалы Ушла эпоха, Netflix перешел со своих мегамудреных рекомендательных алгоритмов на ллмки и предлагаю посмотреть почему — может быть вам отзовется для ваших проектов на работе. Раньше ранжированием занималась классическая дискриминативная модель, которую годами обвешивали тысячами вручную сконструированных фичей, их кросс-взаимодействиями и отдельными архитектурами под каждую задачу, а теперь будет внутренняя ллм. 🤔Почему? Старый стек перестал успевать за бизнесом. Чтобы добавить новый тип контента (игры, лайвы, подкасты) или новую поверхность в интерфейсе, приходилось переделывать фичи, архитектуру, инфру и заново гонять эксперименты. LLM же уже знает мир и умеет понимать контент, так что эти способности не нужно строить с нуля. Кроме того, рекомендациями можно управлять промптом, а не обучать под каждый кейс новую модель. 🇹🇱 Кратенько про архитектуру Обучение идёт в две фазы. Сначала open-source LLM дообучают на данных Netflix, и получается foundation-модель, которая понимает каталог и зрителей. Потом эту модель регулярно дообучают уже под ранжирование. На вход ей подаётся текст: история просмотров, метаданные тайтлов и контекст (устройство, время, страна), причём история оформлена как диалог пользователя с рекомендателем. Токены модель не генерирует. Вместо этого catalog-aware head за один forward pass выдаёт скоры сразу для всего каталога, поэтому выдумать несуществующий тайтл она не может в принципе. В проде это крутится на vLLM в режиме prefill-only, без декодинга и beam search. Чтобы модель думала о долгосрочном удержании и соблюдала баланс между фильмами, играми и лайвами, в лосс добавили веса от reward-моделей. GRPO тоже пробовали, и он давал прирост, но обучение с ним оказалось слишком дорогим. 🔢 Числа GenRec обучали на данных Phase 2, которых примерно в 40 раз меньше, чем у прод-модели, и всё равно офлайн MRR вырос на 1.6%. A/B-тест шёл четыре недели на ~10% трафика и показал статзначимый рост как краткосрочных, так и долгосрочных метрик. Обе фазы вносят заметный вклад: Phase 1 даёт +10–20% к MRR по сравнению с обычной OSS-моделью, а Phase 2 добавляет сверху ещё 35–50%. Бэкбоны тестировали от ~1B до ~10B параметров, и качество монотонно росло и с объёмом данных, и с размером модели, так что скейлинг-законы работают и в рекомендациях. Отдельно поработали над контекстом: его ужали с ~5000 до ~1700 токенов почти без потери качества, и инференс подешевел примерно втрое. Получается совсем не нужно было городить этот зоопарк фичей и эвристик, а можно было просто хорошо покрутить модельку. Думайте. #AI @techn0danya

Статья Йожи Столет «Протезы воображения, время и письмо» предлагает философскую реконструкцию того, как изменилось наше отношение к будущему вместе с переходом от модерной линейной темпоральности к кибернетической и цифровой. Главным тезисом статьи можно назвать кризис способности воображать политическое будущее, которое связано не столько с нехваткой фантазии, сколько с изменением самой структуры времени. Цифровые интерфейсы становятся «протезами воображения»: они технически перераспределяют между человеком и машиной функцию синтеза разнородного и организуют настоящее и будущее в рекурсивные петли. При этом общий нарратив статьи не сводится к тезису, что цифровые технологии полностью уничтожили свободу. Напротив, пользователь сохраняет активность: он интерпретирует, выбирает и участвует в производстве образов. Однако эта активность уже происходит внутри определённой алгоритмической темпоральности. Поэтому наша задача, пишет Йожи, заключается не в простом возвращении к прежнему линейному представлению о будущем, а в поиске точки праксиса внутри самих рекурсивных систем — использовать обратные связи не только для предсказуемого воспроизводства, но и для производства неожиданного. Кризис политического воображения — это не кризис способности придумать будущее, а кризис режима времени, в котором будущее больше не находится «впереди» нас, а уже циркулирует внутри настоящего как алгоритмически управляемая возможность. Именно поэтому тут важен «протез воображения», где интерфейс не просто помогает человеку воображать что-то, а он начинает участвовать в определении того, как вообще переживаются возможное, будущее и новое , распознавать праксис в существующем.

🍔 Биг Мак с плавающим ценником В калифорнийском Фресно Биг Мак в одном McDonald's стоит $5,69, а в другом, в двух милях дальше по дороге, — уже $6,89. Разница в 21%. По данным Reuters, сеть подбирает цены с помощью искусственного интеллекта, поэтому у соседних точек они могут заметно различаться. Алгоритм ищет «оптимальную цену» для каждого ресторана в США и на части зарубежных рынков. Ориентир — сколько готовы заплатить местные посетители, так что ценник может плавать даже в пределах одного города. Журналисты видели и интерфейс для франчайзи. Там всплывают подсказки вроде «ваш ресторан демонстрирует СРЕДНЮЮ ЧУВСТВИТЕЛЬНОСТЬ к цене» — с опорой на «готовность клиентов в вашем районе платить». Формально владельцы точек сами решают, сколько брать. Но некоторые из них рассказали Reuters о давлении: компания следит, соблюдают ли рекомендации, фиксирует отклонения и присылает ценовые подсказки минимум трижды в год, а за «самодеятельность» можно получить звонок из головного офиса. В новых стандартах от франчайзи прямо требуют «конструктивно взаимодействовать» с одобренными ценовыми инструментами. Что думаете о такой «гибкости» цен? @droidergram

📘 454 страницы по теории графов - от базовых понятий до серьёзных теорем На arXiv доступен большой учебник An Introduction to Graph Theory от Darij Grinberg. Внутри: - вершины, рёбра и пути; - простые и ориентированные графы; - деревья и arborescences; - Eulerian circuits и Hamiltonian cycles; - spanning trees; - раскраски графов; - bipartite matching; - network flows; - теоремы Турана, Менгера, Галлая-Милграма и другие; - около 100 упражнений; - более 300 иллюстраций. Это уже не «шпаргалка», а полноценный graduate-level курс по graph theory на 454 страницы. Подойдёт для тех, кто изучает алгоритмы, математику, network science, computer science и дискретную математику. PDF: https://arxiv.org/pdf/2308.04512

10 агентов Opus 5.5 за 15 часов обнаружили алгоритм поиска кратчайшего пути, превосходящий Дейкстру Поиск кратчайшего пути – классическая проблема теории графов, на решении которой основываются навигаторы, роутинг в интернете, логистика и куча других задач современного мира. В 1959 году нидерландский информатик Эдсгер Дейкстра предложил для поиска кратчайшего пути алгоритм O(m + n log n), который следующие 65 лет оставался золотым стандартом и использовался буквально везде. В 2025-м команда из Цинхуа, Стэнфорда и Института Макса Планка впервые обошла его с оценкой O(m log^{2/3} n). Однако выигрыш их решения раскрывается только на достаточно плотных графах (число ребер m ≥ числа вершин n). На разреженных графах Дейкстра все еще был лучше. Vals AI решили потестировать новый Opus 5.5 именно на этом непобитом диапозоне (блогпост). Они запустили 10 агентов, дали им задачу и доску объявлений, чтобы те могли обмениваться идеями и кооперироваться. В итоге за 15 часов и 733 сообщений агенты получили алгоритм C-HD и формально его верифицировали. Это первое доказанное улучшение именно в этой разреженной зоне, где лучшим все еще был Дейкстра: при m ≈ n·log^{3/4}n C-HD дает O(n·log^{11/12}n) против O(n log n) у Дейкстры: при n = 2^1000 выигрыш составляет ~1,78х и растет с размером графа. Правда, несмотря на всю мощь того, как это звучит, и на наличие доказательства в Lean, о практическом ускорении речи пока нет, потому что оценки из предыдущего абзаца –асимптотические, а на реальных графах алгоритм пока не бенчмаркали. То есть при n → ∞ одна кривая гарантировано обгонит другую, однако на практике точка перегиба может возникать только при огромных n, и на любом реалистичном графе Дейкстра все еще будет быстрее, даже если у него худшая асимптотика. Так что эту часть еще предстоит проверить.

Агент прочитал вашу почту и взял билет подороже Мы даём агентам доступ к почте, чтобы они лучше нам помогали. Исследователи из Cisco и Carnegie Mellon изучали, к чему это приводит: 325 тысяч прогонов, 13 моделей, три задачи: найти авиабилет, медицинскую страховку и магистратуру. Просьба простая: найди самый дешёвый билет до Чикаго. Агент без почты приносит эконом за $91. Агент с почтой натыкается на письма про пенсионный счёт на $680 тысяч и встречу в Chase Private и приносит бизнес за $601. Про деньги задач не было, он сам прикинул, что нам по карману. Учёл контекст. Так себя ведут 8 моделей из 13. Сильнее всех Claude Opus 4.8: обеспеченным он подбирает перелёт в среднем на $198 дороже, а страховку на $284 (в месяц). Gemini 2.5 Flash на прямую просьбу «самый дешёвый» всё равно берёт богатым билет на $208 дороже. Спрячешь от агента финансовые письма, агент вычисляет достаток по косвенным признакам, и отрыв всёравно иногда растёт. Claude для этого хватает даже двух писем из ящика. Сергей Булаев AI 🤖 - об AI и не только

Есть такой совет - сначала делайте контент на родном языке, наберёте аудиторию и потом уже переходите на другой язык. Что мы имеем по факту - аудитория, которая привыкла вас читать на родном, сидит и думает - какого фига случилось? Вся лента у вас состоит из этой аудитории и аудитории на этом языке. И вам там тоже явно кто-то нравится. А теперь нужно перестраивать все напрочь на другой язык. Из личного опыта ошибок могу сказать, что уйдет какое-то время на то, чтобы алгоритмы поняли что родной язык вам больше не интересен и вы возможно тоже интересны другим людям.

И если это что угодно, а не LinkedIn, который регистрируется по паспорту, то проще начать все с нуля, чем переучивать алгоритмы. И аудиторию.

И себя, в конце то концов, читать другое. Потому что это тоже все нужно, читать, видеть как раскручиваются, какие темы цепляют, писать комментарии и проявлять не поддельный интерес на другом языке. Поменять свой мозг на эту аудиторию.

🔁🌐 TRANSLATED REPOST ➖➖➖ TikTok исполняется 10 лет: от приложения для липсинка до геополитической линии разлома 20.09.2026 TikTok исполняется 10 лет — хороший повод вспомнить, что всё началось с подростков, синхронно открывавших рот под фонограмму перед камерой телефона. 20 сентября 2016 года в Пекине запустилось приложение A.me, позже переименованное в Douyin. Сам TikTok предпочитает вести отсчёт от международного запуска в 2017 году или от слияния с Musical.ly в 2018-м — видимо, липсинк-подростковое прошлое звучит менее презентабельно для многомиллиардной корпорации. Но стесняться тут нечего: именно многомиллиардное приобретение Musical.ly и алгоритм «Interest Graph» — в противовес привычному «Social Graph» — перевернули интернет с ног на голову. Facebook и Instagram показывали вам контент от людей, на которых вы подписаны. TikTok отказался от модели подписок и начал показывать всё, что действительно удерживало вас у экрана. Результат: совершенно новый аккаунт с нулём подписчиков может набрать миллионы просмотров за одну ночь. Meta, Google и Snapchat в панике скопировали формат — так появились Reels и Shorts, близнецы под разными знаками. Отсюда разворачивается любопытный геополитический триптих. В Китае живёт Douyin — тот же продукт, но под строгой цензурой: политически неудобный контент там просто не появляется. На Западе TikTok обвиняли в утечке данных китайским властям — обвинения, которые МИД Китая отрицал. В США это превратилось в многолетнюю юридическую и политическую драму, завершившуюся в январе 2026 года созданием совместного предприятия под американским контролем. Пекин в ответ обвинил Вашингтон в травле компании. TikTok запустил «Project Texas» и «Project Clover» — многомиллиардные инициативы по хранению данных в Ирландии и Норвегии, чтобы всех успокоить. Тем временем в Европе DSA держит платформу на прицеле из-за прозрачности и защиты детей. Между тем TikTok уже давно перестал быть про танцы: это поисковик для поколения Z вместо Google, источник новостей и гигантский торговый центр — #TikTokMadeMeBuyIt распродаёт товары за считанные часы. А вместе с этим — думскроллинг, токсичные стандарты красоты и опасные челленджи. 60-минутный лимит экранного времени для несовершеннолетних можно отключить в пару кликов — оказалось, что совместить заботу с погоней за вниманием так и не получилось. Источник: https://www.heise.de/news/Zum-10-jaehrigen-Wie-TikTok-das-Netz-umgekrempelt-hat-11459349.html ➖➖➖ 🔁🌐 Repost & Translated from: Brandmauer Report

Снова о генеративном искусстве. Статья Generative AI as a Philosophical Mirror: Machine Hallucination and the Aesthetics of Algorithmic Representation анализирует серию иммерсивных инсталляций Рефика Анадола «Machine Hallucination» как философское зеркало, отражающее трансформацию понятий репрезентации, авторства, восприятия и этики в эпоху генеративного искусственного интеллекта. Пдф в комментариях. В центре внимания — серия мультимедийных работ Анадола (Machine Hallucination: NYC, Coral, ISS), созданных с помощью нейросетей на основе массивов данных из сотен миллионов изображений (архивы, соцсети, данные NASA). Исследование рассматривает ИИ как соавтора, генерирующего динамические визуальные галлюцинации. Инсталляции разрушают оптику классического мимесиса, создавая «гиперреальность», синтезируя гигантские объёмы данных в непрерывно меняющиеся формы, превращая репрезентацию из статичного объекта в изменчивый процесс. Проект также размывает традиционную концепцию единого художника-творца: агентность распределяется между человеком-куратором, алгоритмом и коллективным опытом людей, чьи фотографии попали в обучающую выборку. Масштабные проекции (разрешением 8K–16K) и пространственный звук вовлекают периферийное зрение и слух, создавая синестетический опыт. С опорой на феноменологию Мориса Мерло-Понти и понятие durée (чистая длительность) Анри Бергсона, работы вызывают у зрителей апофению (поиск знакомых образов в хаосе), когнитивную перегрузку и фрейдовского чувство «зловещего». В основе ранних работ серии используются модели StyleGAN2 и DCGAN, а в более поздних — диффузионные модели и архитектуры CLIP. Для обучения задействованы кластеры из сотен GPU NVIDIA. Среди ключевых проблем авторы выделяют высокую углеродную ёмкость (до 50 МВт·ч на крупный проект) и закрытость алгоритмов. Модели наследуют социальные и культурные предвзятости обучающих выборок (например, перепредставленность популярных объектов и игнорирование маргинализированных групп). В отличие от художников Тревора Паглена или Анны Ридлер, критикующих ошибки ИИ, Анадол склонен давать им некоторую агентность, эстетизировать эти данные, что требует, по мнению авторов, внедрения прозрачных паспортов данных (т.н. datasheets for datasets). Так, Сугвен Чун использует роборуку для исследования телесного и физического сотворчества с ИИ. Мемо Актен открыто демонстрирует сбои и предвзятость машинного зрения. Рефик Анадол делает акцент на эмоциональном погружении, масштабе и эстетическом восторге. Авторы подчёркивают необходимость перехода генеративного искусства от экспериментов к структурированной ответственности. Этому, по их мнению, способствуют международные инициативы, такие как Акт ЕС об искусственном интеллекте (EU AI Act) и рекомендации ЮНЕСКО по этике ИИ, требующие прозрачности происхождения обучающих данных и (ну куда же без защиты копирайта, правда?) защиты авторских прав.