«Даже если ты все сделал правильно, это еще не гарантия успеха в эпоху AI-native» ✍️ В рубрике «Интервью» — Екатерина Лапшина, инвестор, предприниматель, меценат, сооснователь OKKO и основатель ERA Capital. Обсудили, почему именно сейчас может быть лучшее время для запуска собственного бизнеса, какие компании первыми проиграют AI-гонку, как изменится роль предпринимателя в мире AI-native продуктов и почему даже сильной технологии сегодня недостаточно для успеха. Забирайте карточки — особенно если строите технологический продукт, инвестируете или только думаете о запуске собственного проекта. Канал Екатерины — один из моих самых любимых в избранном, потому что там много личного опыта, рефлексии и размышлений о технологиях, предпринимательстве и инвестициях с опорой на практический опыт. Искренняя рекомендация! P.S Карточка 6 💚 @karpovaventures ✍️

💸 Оперативка снова подорожает Готовьтесь платить больше за гаджеты во втором полугодии. Крупные производители памяти опять поднимают цены, и заводилой выступает Samsung. По данным цепочки поставок, компания договаривается с клиентами о росте цен на DRAM в среднем до 20% уже в третьем квартале. И это поверх безумных скачков начала года: больше 90% в первом квартале и ещё 50% во втором. SK Hynix подтягивается следом. Причина — дефицит. Производители бросили силы на высокоскоростную память HBM для ИИ-дата-центров, а на обычную память для потребительских устройств мощностей остаётся меньше. В Lenovo уже назвали это «новой нормой» и предупредили: к ценам до 2025 года мы, возможно, не вернёмся аж до 2030-го. А кто-то, чтобы сдержать расходы, возвращается к выпуску старой доброй DDR4. При этом аппетит Samsung к прибыльной ИИ-памяти только растёт: компания, по слухам, обсуждает с Anthropic разработку собственного ИИ-чипа. То есть давление на рынок обычной памяти в ближайшее время никуда не денется. Что это значит для нас с вами? Новый игровой ноутбук или флагман во втором полугодии обойдётся дороже. А из-за подорожавшей памяти продажи смартфонов и вовсе могут просесть на десятки процентов — устройства становятся менее доступными. Серверный ИИ пирует, а платит за это, как обычно, рядовой покупатель. @droidergram

В ядре Земли что-то внезапно развернулось Под нами, на глубине около 2 200 километров, сейчас происходит нечто, чего учёные не ожидали. Огромный поток раскалённого жидкого железа во внешнем ядре Земли взял и сменил направление. Это ломает привычные представления о том, как устроена планета внутри. Немного контекста. Магнитное поле Земли, это наш невидимый щит от потока заряженных частиц Солнца — рождается как раз в этом океане расплавленного металла. Движется железо и возникают электрические токи, а с ними и поле. Работает всё примерно как динамо-машина на велосипеде. Считалось, что такие глубинные течения меняются лишь плавно, десятилетиями. Но данные показали иное. Ещё в 2010 году под экваториальной частью Тихого океана поток железа резко переключился со слабого движения на запад на мощное течение на восток. Что стало спусковым крючком — до сих пор загадка. Как это вообще разглядели на такой глубине? Учёные соединили почти 30 лет наземных измерений (1997–2025) с наблюдениями спутников — европейских Swarm и CryoSat, немецкого CHAMP и датского Ørsted. Эти аппараты ловят тончайшие изменения магнитного поля и отделяют сигнал ядра от «шума» коры, океанов и атмосферы. Самое интригующее в том, что с 2020 года восточное течение снова слабеет. И совпадает это с переменами в поведении внутреннего ядра. Пока непонятно, что перед нами: короткий всплеск, часть медленного цикла или новое устойчивое состояние. Но для точности навигации, работы спутников и прогнозов космической погоды понимать «моторчик» в центре планеты крайне важно. Кстати, на канале совсем недавно вышел выпуск “Вселенной Плюс”, где наши маэстро разбирались со строением Земли. Рекомендуем! @vselennayaplus

За прошедшие недели как грибы после вайбкодинга появилось много сайтов с КАРТАМИ НАЛИЧИЯ БЕНЗИНА. Первая такая мне попалась как раз в Дагестане (потому что пару недель назад внезапно у нас закрылись все заправки и бенз подлетел до 140 (сейчас 110 рублей\литр95) — кто-то собрал на vercel веб-апп. Потом я подключились клодкодеры с более продуманными сервисами, аппками и кучей других UX-затей (где-то можно было и цены указывать и фото заправки присылать и указывать наливают ли в канистры). И самая главная проблема там везде была — невозможность проверки данных, чисто на доверии к людям. Никто не прикрутил никакую авторизацию и верификацию. Да и уследить за точностью таких данных просто невозможно. Владельцы заправок или просто дурачки прожимали что есть все виды бенза, хотя по факту заправка закрыта. Многие вовсе забыли куки прикрутить и после рефреша можно было хоть 10 голосов накрутить. И смарю на днях подоспели БОЛЬШЫЕ РЕБЯТА, тбанк сделал свою бензиновую карту (ссыль давать не буду, пост не реклама и ерида у меня нет), и придумали верификацию наличия по недавней оплате с их карты. Причем всё это происходит автоматически, можно даже не знать об этом сервисе, а данные попадают на карту. По функционалу конечно всё отсталое. У других похожих сервисов уже полный фарш: и цены и отметки и комментарии и жалобы.

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.