10 мин назад Мой друг/партнер прислал книжку/статью Генри Форда (моя жизнь мои достижения - гуглите) По ней решили проапгрейдить наш SwarmOS. За 5 минут вышла новая оптимизация SwarmOS и фрактальных MAS + изучили похожие SOTA/архитектуры/научные статьи и пришли к таким результатам: 📈 Financial Takeaways (Additional Savings): Compared to Unbounded Fable 5: Saves $1,627.85 per 1,000 runs (95.2% total cost reduction). Compared to Budgeted Fable 5: Saves $402.85 per 1,000 runs (83.1% extra savings strictly from Heijunka routing). Compared to Unbounded Opus 4.8: Saves $772.85 per 1,000 runs (90.4% total cost reduction). Compared to Budgeted Opus 4.8: Saves $160.35 per 1,000 runs (66.1% extra savings strictly from Heijunka routing).

ИИ-агенты уже умеют оформлять покупки, искать людям работу и выполнять многие повседневные задачи. Это одно из ключевых направлений для крупных ИИ-компаний, ведь диалоги с ИИ скоро могут заменить сотни приложений и сервисов. Что происходит Переход к ИИ-агентам — важный тренд в ИИ-индустрии. Нейросети теперь должны не просто генерировать ответы, а выполнять повседневные задачи за пределами чата с минимальным вмешательством человека. Поэтому чат-боты постепенно превращаются в платформы для управления сторонними сервисами и приложениями. Как это выглядит 🟣 Anthropic развивает MCP — протокол, через который к Claude можно подключать сторонние сервисы. Так нейросеть может работать с документами, репозиториями, CRM, базами данных и вообще любыми системами. 🟣 У OpenAI есть библиотека приложений ChatGPT Apps. Принцип работы такой же: ИИ получает доступ к вашему аккаунту во внешнем сервисе и начинает им управлять прямо внутри диалогового окна. Например, ИИ может работать с макетами в Figma и бронировать отели в Booking. 🟣 Google развивает Gemini Enterprise Agent Platform. Там компании могут создавать, подключать и управлять собственными ИИ-агентами для рабочих процессов. 🟣 К Алисе AI подключили Яндекс Такси и Яндекс Лавку. Теперь прямо в диалоге с нейросетью можно делать заказы и вызывать машины. Скоро на платформе появятся Доставка, Маркет и другие продукты Яндекса, а доступ к ИИ-агенту получат и внешние компании. Как это работает в Алисе AI ИИ-агент получает текстовый запрос, например: «Собери корзину продуктов, чтобы приготовить сбалансированный ужин». Затем система добавляет контекст: геопозицию пользователя, время, доступные товары, прошлые заказы, предпочтения и другие детали, которые помогают точнее выполнить задачу. После этого агент формирует корзину в Яндекс Лавке, а пользователю остаётся подтвердить и оплатить заказ прямо в чате. Что это меняет Чаты с нейросетями превращаются в универсальные интерфейсы для работы с сервисами. Благодаря этому привычные приложения скоро могут отойти на второй план, а работать с ними можно будет через запросы к ИИ. Подписывайтесь 👉 @techno_yandex

Июньский менторский дайджест / Топ полезного контента Рынок IT перестал быть простым входом: рынок не умер, но стал более требовательным. Джунам сложнее входить, зато сильные специалисты по-прежнему востребованы. Найм стал про мышление, а не про знания: ключевая ценность кандидата это зрелость и ответственность. Технику можно выучить, мышление меняется гораздо сложнее. Смелость важнее идеальной подготовки: быстрее действуют → быстрее получают результат. Затянутая подготовка часто проигрывает практике через ошибки. Валютная удалёнка — это система, а не удача: офферы за границей получаются через повторяемый процесс. Стратегия и подготовка важнее случайности. Системные знания важнее теории ради теории: базовые концепции вроде идемпотентности нужны для понимания реальных продакшн-сбоев. Резюме напрямую влияет на количество офферов: слабое CV почти не даёт интервью. Сильное резюме кратно увеличивает шанс попадания на собеседования. Ценность инженера — это снятие боли команды: важнее не время работы, а способность уменьшать неопределённость и хаос в задачах. Собесы — это про коммуникацию и структуру ответов: важны не только знания, но и умение правильно объяснять свой опыт. Локализация багов = системное мышление: задача QA не просто найти баг, а быстро сузить источник проблемы по слоям системы. Испытательный срок требует проактивной обратной связи: молчание руководителя не показатель успеха. Нужно самому фиксировать фидбек. Рынок перенасыщен только для новичков без базы: при нормальной подготовке вакансии остаются доступными. Проблема в уровне входа. Выгорание при поиске работы — нормальный процесс: перегруз собеседованиями снижает эффективность. Нужен контроль нагрузки. Факапы ценятся через анализ причин, а не сам факт ошибки: важен не баг, а понимание системной причины и выводов. Страхи в QA автоматизации — это психология, а не техника: основные барьеры — код, лайвкодинг и страх работы с автоматизацией. Переход в автоматизацию строится поэтапно: обучение идёт через последовательные шаги от Python до сложных систем. Высшее образование не обязательно для ML и аналитики: решает практика, а не диплом. Вход возможен без формального образования. Токсичные вакансии искажённо воспринимаются как норма рынка: жёсткие условия часто воспринимаются как обязательные, хотя это перегиб.

Anthropic объяснила, когда стоит играться в effort level (спойлер - нечасто) Вышел пост от команды Claude Code про то, чем отличаются два главных «крутила» в Claude Code: выбор модели и effort level. Главные тезисы: – Модель = набор замороженных весов. Всё, что Claude «знает» про TypeScript и Go, зашито туда на этапе тренировки. Промпт и CLAUDE.md – это steering, а не teaching: модель ничему не учится, вы просто подсовываете контекст на один запрос – Effort – это НЕ «время подумать». Это сколько работы модель готова проделать за ход: сколько файлов прочитает, запустит ли тесты, будет ли перепроверять себя, и как далеко утащит мультишаговую задачу до того, как вернётся к вам – Effort передаётся в модель прямо в запросе, как ещё один input. Поведение на каждом уровне выучено при тренировке. На высоком effort та же задача может сжечь примерно в 7 раз больше токенов ради более уверенного ответа – При этом effort задаёт потолок, а не план: если первая гипотеза в дебаге сработала, модель скипнет остальные проверки, а не будет искусственно наматывать токены. Anthropic говорит, что специально борется с overthinking на тренировке. При этом пишут, что чаще всего дефолтных значений хватает 80% пользователей. Практическая эвристика, когда что-то пошло не так: – Claude всё прочитал, честно старался и всё равно ошибся – проблема в capability, берите модель побольше – Claude скипнул файл, не запустил тесты, бросил рефакторинг на середине – проблема в старании, поднимайте effort – Но сначала проверьте контекст: кривой промпт лечится не крутилками, а нормальным CLAUDE.md Есть и красивая аналогия: Fable – это узкий специалист, который видел проблемы, которых не видел никто. Opus – эксперт, Sonnet – хороший generalist. Opus на low effort = пять минут с экспертом, Sonnet на high effort = целый день работы толкового джуна-плюс, который вычитает весь ваш код. Fable даже на low effort замечает то, что остальные не увидят, но и стоит соответственно. Про экономику честно: на рутине большая модель просто дороже без прироста качества. На сложных multi-step задачах наоборот – маленькая модель идет итерациями к потолку своих способностей, а большая доходит до результата за меньше шагов, и cost per task может выйти ниже. Короче, главный совет от самой Anthropic – не трогайте крутилки. Дефолтный effort откалиброван под то, что «большинство людей хотело бы потратить на задачу», а модель меняйте не по вайбу, а по диагнозу: не знал или не старался. Прикольно, что антропик сам пишет «не платите нам за модельку, которая задаче не нужна». https://claude.com/blog/claude-model-and-effort-level-in-claude-code

AI убил мой главный навык Когда я учился в военном институте, моей гражданской специализацией была юриспруденция. На первой же лекции начальник кафедры сказал: «Ваша задача не стать хорошими юристами. Ваша задача знать, какой кодекс открыть, чтобы найти нужную статью». Долгое время я считал своим главным навыком умение быстро находить информацию. Но в эпоху AI это обесценилось. Больше не важно знать, в какой книге нужная статья или на каком языке программирования вайбкодить прототип. Теперь важнее не находить информацию, а превращать ее в артефакт: инсайт, решение, пост, продукт, методологию. А второй важнейший навык — развивать вкус, насмотренность и физический контакт с реальностью. AI может дать тысячу вариантов, но он не сможет почувствовать, какой из них более уместный, красивый и человеческий для твоего контекста или ЦА. Самый ценный опыт пока еще синтезируется человеком: когда ты сам видел, трогал, пробовал, ошибался, наблюдал и проживал эмоции. Если этого опыта нет и результат всецело доверять ИИ, особенно в контенте, то почти всегда получаетсябезликая клишированная нейронщина, которая пости всегда заметна и бесит.

Товарно-денежная сингулярность Вот ещё интересный (и важный - потому что он про массовую "потребку") сдвиг. Раньше банки шли в торговлю - навешивали доставки, билеты и прочие ритейл-фичи поверх платежей. А сейчас наоборот, маркетплейсы делают собственные платежные движки и заманивают в них юзеров через разные приколюхи - кэшбэки, скидки, субсидирование внутри программ лояльности и т.д. Раньше банк наращивал торговлю, а теперь торговля наращивает банкинг. Весь потребительский сектор с ног на голову перевернулся. Ребята из Brio Capital (это инвестфонд с фокусом на tech и потребку в России) очень подробно всё это разобрали вот в этом исследовании. Там можете глянуть подробнее, а я разберу основные причины, тезисно: 1. Маржа в банкинге обычно выше, чем в торговле. А гемора с инфрой как будто бы поменьше. К тому же, платежи - это более "однородный" бизнес, к которому проще приучить. Торговля - более разнородная и "рваная" штука, у неё сложнее с лояльностью. 2. Частотность. На маркетплейсе можно покупать иногда, по случаю. Конечно, есть юзеры, у которых каждый день 100500 товаров на выкуп, но так не у всех. А платежи - это на каждый день и в любой товарной-сервисной категории. Если добиться top of wallet (это когда ваша карточка - первый выбор у человека, стоит по умолчанию в Apple/Google/Mir-Pay), то всё, у вас стабильная повторяющаяся выручка. Именно поэтому, кстати, маркетплейсы активно работают над выходом за пределы площадки - у того же Ozon Банка операций вне Ozon около 60%. 3. Физиологическая "анестезия". Меньшая осязаемость платежа снижает активность зоны мозга, отвечающей за боль потери денег. Если платите в один клик внутри того же приложения - тратите проще и больше. А платежи через собственный банк всегда можно сделать чуть более бесшовными, чем через чужой. В исследовании разбирают ещё несколько факторов, но эти ИМХО ключевые. А для нас, юзеров, это значит вот что: С одной стороны, удобство и выгода растёт: кэшбэки часто жирнее банковских, а платёж более бесшовный. Но вы физически меньше ощущаете, что тратите деньги. И при этом всё бОльшая доля наших финансов стягивается в компанию, которая активно участвует и в других сферах жизни. Получается "косвенная монополизация" всего нашего потребления, а у монополизации всегда есть свои эффекты. Но факт есть факт. Потребительская экономика идёт к торгово-банковской сингулярности. У нас для этого даже специальный термин придумали: "платформенная экономика". Хотя в других регионах - например, в Китае (Alibaba и куча других), ЮВА (Shopee, Sea Ltd) и Лат Америке (Mercado Libre) - всё аналогично. Так что, тренд глобальный. И кстати, свои возможности для дизрапта тут тоже есть, но это уже другая большая история. Дизраптор

Как Ford признал, что сам себя переиграл В 1964 году Ford выпустил бестселлер - Mustang - машину, которую придумала команда под руководством молодого управленца по имени Ли Якокка. Он пришёл в компанию инженером, но быстро понял, что его сила в понимании потребностей клиентов, и перешёл в продажи и маркетинг. Именно вера в интуицию и опыт команды, а не только в инженерные расчёты, принесла Ford рекорд тех времён - более 400 тыс. проданных авто за первый год, лучший результат компании со времён Model A. Свой успех Ли Якокка описал в книге "Карьера менеджера", кстати, рекомендую. Но спустя 60 лет Ford забыл про человеческую интуицию и чутье и решил поиграть во всеобщую игру под названием "ИИ заменит рабочих" и заодно и издержки, и с 2024 года сократил 20 тыс. рабочих мест. К чему это привело? Брак, с которым Ford борется уже много лет, не уменьшился - в 2025 году компания официально отзывала бракованные партии 152 раза - это самый высокий показатель в США. А вот обучать ИИ стало просто некому, т.к. под сокращение попали те самые грамотные инженеры с интуицией, которые лучше любого ИИ чуйкой понимали где искать причину. Примерно как Якокка ставил свою карьеру на кон, настаивая именно на такой форме Мустанга, а не той, которую хотел Генри Форд младший. Сочетание вернувшихся "gray beards" опытных инженеров, задача которых теперь была обучить ИИ, автоматизации "умными" камерами и перепрошивка систем контроля на основе реального производственного опыта, которого не было в исходных данных без людей, дало результат - уже в этом 2026 году Ford впервые с 2010 года занял первое место среди массовых брендов в рейтинге качества J.D. Power. В общем, Ford - ещё один пример компании, показывающий, что технология усиливает мастерство, а не заменяет его. Алгоритм может обработать данные, но не может обработать опыт, которого в этих данных никогда не было. Да и смысл соревноваться с ИИ там, где решает человеческая интуиция, если можно встроить человека в процесс и получить от технологии максимум? Пусть Ford ещё поработает. Да и нравится мне Ford Mustang, нет в нем ничего лишнего, ИИ уж точно 😉 Согласны? Что скажете? #истории ®️ Фанат сервиса| MAX| Клуб| Обо мне Личный путь лидера - В моменте

Борис Чёрный поделился у себя в твиттере инсайтом, как меняются роли в разработке продуктов:

По мере того как инженерия, продукт, дизайн, DS и другие функции трансформируются в роли нового типа, я размышлял о том, как могут эти роли выглядеть в будущем. Например, глядя на команду Claude Code, я вижу, как мне кажется, пять архетипов: 1. Prototyper: придумывает совершенно новые идеи; много их генерирует, и большинство так и не доходит до релиза 2. Builder: быстро превращает прототип или идею в production-grade продукт и инфраструктуру 3. Sweeper: приводит в порядок интерфейс, упрощает код и систему, убирает лишние фичи, оптимизирует производительность 4. Grower: берёт уже построенный продукт и итерациями улучшает его Product-Market Fit 5. Maintainer: отвечает за зрелость и масштабируемость системы — безопасность, надёжность, скорость и эффективность Люди могут совмещать несколько ролей, иногда три. Я также замечаю, что эти роли не привязаны к должности: в Anthropic одни дизайнеры соответствуют категории 1, другие — 2, третьи — 3. И то же самое с инженерами, продакт-менеджерами и DS. Здоровой команде нужен микс архетипов — в зависимости от продукта: • Новому продукту до PMF нужны люди, сильные в 1+2+3 • Растущему продукту, нашедшему PMF, нужны 2+3+4 и немного 5 • Продукту с прочным PMF нужны 3+4+5 и немного 2 Возможно продуктовые роли будущего будут выглядеть именно так — а не как сейчас, привязанные к конкретной специализации?

→ https://x.com/bcherny/status/2071379474277613732

⚡️ Индексация ТЭК: кто выиграет от новых правил? Генерирующие компании предлагают изменить методику индексации цены конкурентного отбора мощности (КОМ)* — одного из ключевых источников их доходов. Сейчас цена ежегодно увеличивается примерно на уровень официальной инфляции. Однако энергетики считают, что этого уже недостаточно: расходы на ремонты, оборудование и зарплаты растут заметно быстрее. Поэтому они предлагают привязать индексацию к специальному отраслевому индексу ценового давления, который, по их мнению, лучше отражает реальные издержки. Промышленные потребители, естественно, против. По их оценкам, новая методика увеличит платежи за мощность на ₽135 млрд в год. Кроме того, бизнес опасается, что новый индекс будет менее прозрачным, поскольку рассчитывается на основе отраслевой отчетности.

🚀 Мнение аналитиков МР Предлагаемое изменение станет позитивом прежде всего для генерирующих компаний с высокой долей тепловых электростанций (ТЭС). ТЭС получают значительную часть выручки от продажи мощности на рынке КОМ, поэтому более высокая индексация позволит им быстрее компенсировать рост расходов на ремонты, оборудование и персонал. В первую очередь выиграть могут компании с большей долей тепловой генерации (например, ТГК-1, ОГК-2, ЭЛ5-Энерго и другие). При этом в 2025–2026 годах государство уже дополнительно проиндексировало цену КОМ на 15% в ручном режиме. Есть и обратная сторона новой индексации — снижение предсказуемости. Инвесторам и потребителям будет сложнее прогнозировать будущую стоимость мощности, поскольку она станет зависеть от более сложного и менее прозрачного индекса.

*Справка Конкурентный отбор мощности (КОМ) – механизм, по которому электростанции получают деньги не за выработанную электроэнергию, а за готовность в любой момент обеспечить потребителей необходимой мощностью. Идея проста: электричество должно быть доступно даже в часы пикового спроса или при авариях. Поэтому потребители платят не только за полученную электроэнергию, но и за то, чтобы генерирующие мощности оставались в рабочем состоянии и были готовы включиться в сеть по первому требованию. Именно поэтому наибольшее значение КОМ имеет для тепловых электростанций (ТЭС). Они быстрее остальных могут прибавить мощности, обеспечивают энергосистеме гибкость. Быстро увеличивая или снижая выработку вслед за изменением спроса, ТЭС компенсируют колебания генерации других типов электростанций. Поэтому платежи за мощность составляют для многих ТЭС существенную часть выручки.

📍 Подписаться на канал | Мы в MAX

Threat Modeling - это систематический процесс, при котором мы заранее думаем: «Как нашу систему могут взломать или причинить ей вред?» Это как "мозговой штурм по безопасности" еще до того, как написали большую часть кода. Мы пытаемся поставить себя на место атакующего и найти слабые места, пока их ещё можно легко исправить. Зачем это нужно? (Почему это важно) - Большинство уязвимостей появляется не из-за "сложных хаков", а из-за неправильных решений на этапе дизайна. - Исправить проблему на этапе проектирования в 10–100 раз дешевле, чем после запуска в продакшен. - Это помогает принимать осознанные решения: где нужно усилить защиту, а где можно сэкономить. И вот вам data flow диаграмма, составлял сам на примере сервиса доставки еды

Непопулярное мнение: я не хочу интегрироваться в Германии И чем дольше я живу в Берлине, тем спокойнее себе в этом признаюсь. Я уважаю страну, в которой живу. Учу язык, разбираюсь с документами, принимаю правила, плачу налоги, строю здесь быт, бизнес, семью и будущее для детей. Но у меня нет цели стать «немкой». И, если честно, у меня вообще нет цели полностью встроиться в чужую культуру так, чтобы в какой-то момент перестать быть собой. Мне кажется, в эмиграции часто есть негласное давление: если ты переехал, будь добр, интегрируйся правильно. Думай как местные. Общайся как местные. Воспитывай детей как местные. Не держись за своих. Не ищи русскоязычное комьюнити. Не сравнивай. Не скучай. Не раздражайся. Не говори, что тебе что-то не подходит. Но я не хочу жить в постоянном экзамене на «хорошего мигранта». Я русская, родом из России, мои родители сибиряки, мои предки из Лен. и Новгородской области, моя прабабушка была балериной в Мариинке. Это моя культура, мой язык, мой юмор, мой способ дружить, спорить, работать, заботиться и объяснять детям мир. И это не мешает мне жить в Германии или где-либо ещё. Есть такое понятие "человек третьей культуры", вот я скорее отношу себя к ним, где внутри уже смешались разные страны, привычки и контексты. И, кажется, мои дети тоже будут такими. Они будут говорить по-русски дома, по-немецки в садике и школе, по-английски с миром, а потом, возможно, добавят к этому ещё какие-то языки и страны. И мне это нравится. Я хочу жить в другой стране так, чтобы у меня и моей семьи было больше свободы. Интересно, как вы к этому относитесь? Планируете полностью интегрироваться? Расскажите в комментариях, мне правда интересно, как это ощущают другие.

🛠 Метод 🎯 Авторы ставят своей целью эффективный инференс на edge-девайсах вроде мобилок. iOS накладывает жёсткие ограничения на размер памяти, используемой приложением, — ~3 гига, поэтому чекпоинт 4B-модели туда никак не влезет без оффлоадинга. 🏗 Архитектура модели включает в себя трансформерные блоки, PLE-эмбеддинги и объединённую LM-голову / эмбеддинги. Каждая из компонент требует своего рецепта. ⚙️ Для сжатия слоёв в трансформерных блоках используют GPTQ. Но не просто GPTQ, а усиленный Quantization Error Propagation (QEP) и тюнинг скейлов, минимизирующий квадратичную ошибку на выходе. Для калибровки подбирают датасет с примерами из разных областей — самокалибровочные генерации (генерации исходной модели по каким-то промптам), многошаговые диалоги, ризонинг / safety-данные. 📊 В ablation показывают, что QEP существенно снижает KL-дивергенцию между квантизованной и исходной моделью. 🗜 PLE — самая тяжеловесная часть модели, потому требует экстремального сжатия. Скалярные квантизаторы не жмут ниже одного бита, да и сильно сажают качество. Потому используют модифицированный вариант AQLM с 8-мерными группами и кодовой книгой размера 128 (7/8 бит на параметр?). Вместо X^T X используется регуляризованная матрица Фишера. В итоге удаётся добиться сильного сжатия с умеренным отклонением от исходной модели. 🧩 Эмбеддинг, он же голова, квантизуется через RTN с тюнингом скейлов. 🔧 Равномерное сжатие не учитывает разную важность и чувствительность слоёв, потому авторы используют RCO из недавней работы https://arxiv.org/abs/2605.00649, который подбирает оптимальную битность под каждый слой из некоего набора пресетов через Риманову оптимизацию. Причём сначала подбирают оптимальные битности, а затем переквантовывают модель снова (чтобы калибровка учитывала степень сжатия прошлых слоёв). Оптимизированная конфигурация также выдаёт гораздо более близкие выходы к исходной модели. 🧪 Эксперименты 📉 По соотношению KL-дивергенция / размер выпущенные чекпоинты заметно лучше по Парето-фронту, чем публичные GGUF-ы. 📋 Далее качество замеряют на MMLU Pro, IFEval, tau2 bench. 🏆 L- и M-чекпоинты со степенью сжатия в 6–7 раз по качеству даже лучше GGUF-ов с 4x-сжатием. 🚀 По скорости оно даёт увеличение TPS в 2–2,5 раза против bf16-чекпоинта и снижает потребление памяти в 5–6 раз. 4-битная скалярная квантизация при этом даёт ускорение примерно в 1,5 раза (маловато чёт). 💡 Выводы Классный гайд про подготовку низкобитных чекпоинтов под мобилки и комбинирование рецептов из литературы. Конечно, не под всякое железо оно заведётся, но где заведётся — пробовать точно стоит. Следующим шагом было бы отскейлить сие на здоровые MoE-шки, чтобы запускать условный GLM-5.2 хотя бы на паре H100 или одной H200. 📦 Чекпоинты моделей выложены на лицехватс, и их можно запускать на яблочных чипах при помощи либы https://github.com/TheStageAI/edge-lm.

Завтрак для лидов Разные бизнес-клубы предлагают участникам разное: кто-то статус, кто-то удовольствие от путешествий. Американский #стартапдня BNI обещает им непосредственную пользу, почти живые деньги. Члены клуба – владельцы мелкого сервисного бизнеса, работающие в одиночку или с двумя тремя сотрудниками: риелторы, стоматологи, страховые агенты и event-агентства. Каждый день они общаются с новыми клиентами, а раз в неделю за завтраком делятся релевантными контактами с одноклубниками. “Я вчера устраивал вечеринку на юбилей. Там супруги так переругались – им теперь, наверное, бракоразводный юрист нужен. Джон, твоя тема. Тебе лучше телефон жены или мужа дать?” Ответственность клуба – организация еженедельных встреч и учет взаимной пользы. Никто не должен только получать, каждый обязан приносить возможности другим. Членский взнос – порядка 500-1000 долларов в год. В Нью-Йорке побольше, в захолустье поменьше, решение принимает местный франчайзи. Он же следит за тем, что в ячейке не было прямых конкурентов – если юрист в группе уже есть, то второго в нее не возьмут. “Стартапу” уже больше 40 лет. Он хвастается 12 тысячами ячеек и 350 тысячами участников в 77 странах. Это, между прочим, оборот в сотни миллионов долларов – может быть, и крупнейший бизнес-клуб мира. https://www.bni.com/ #сша #общение #насвои