Потестил Gemini 4 Argon: новый "Opus" от Google? Пару дней назад у Google вышла новая модель - Gemini 4 Argon. Так как я в США и сижу на тарифе Ultra, мне она прилетела сразу и с хорошими лимитами. Эти несколько дней я плотно гонял ее по рабочим и бытовым задачам: писал код, работал с документами, делал ресерчи, обсуждал видео-игры. Еще до релиза мне попадалась новость про внутренние тесты Google - мол, сами сотрудники говорили, что по ощущениям модель очень похожа на Claude Opus. После своих тестов могу это подтвердить. Вот только похожа она на Opus не только в своих плюсах, но и в минусах. Argon так же, как и Opus, получила способность решать комплексные, нетипичные задачи, но вместе с этим стала очень медленной. Единственный жирный плюс на фоне антропиков - лимиты здесь не улетают со скоростью света. По моим наблюдениям, модель сливает какое-то невероятное количество токенов на ризонинг. Она слишком долго думает даже над простыми вещами, по десять раз все дабл-чекает и заходит с разных сторон. Объективно: для большинства задач такая тяжелая артиллерия просто не нужна. При этом я специально переключал уровни reasoning effort (думал, может, дело в том, что стоит medium или high), но нет - на всех трех режимах она думает одинаково долго. От такой траты токенов объективно ничего, кроме чувства вины за сожженный компьют я не получил. Пример с кодом: от абсурда до восторга Сейчас пилю лендинг. Цветовое оформление вынесено в отдельный файл стилей. Мне не понравился один оттенок, и я просто попросил модель поменять его на другой. Argon решала эту задачу 23 минуты. Вместо того чтобы просто заменить цветовой код, она все 23 минуты размышляла о природе этого цвета, почему он там вообще оказался, какой оттенок лучше подобрать, и параллельно прочесала цвета вообще во всех файлах проекта. И только после этого сделала то, о чем я просил. Модель как будто учили на текстах Войны и Мира Толстого 😅️️ Для контраста дал ей сложную задачу: собрать форму регистрации с базой данных, прикрутить почтовые рассылки и настроить отбивки о новых регистрациях в Telegram. Плюс попросил предварительно поресерчить, какие вообще есть решения под это дело. Вместе с подробным ресерчем и написанием кода все заняло 17 минут. А следом закинул баг, который до этого у меня так и не смог починить Opus. Argon ковыряла его 45 минут - и пофиксила. И вот для такой задачи это время уже кажется абсолютно оправданным. Короче, паттерн очевидный: модель дико усложняет простые вещи, но отлично тащит там, где реально надо подумать. Что с визуалом и UX Пробовал использовать ее как спарринг-партнера по дизайну. У меня стандартный пайплайн: я текстом накидываю идеи и прошу предложить несколько вариантов того, как может выглядеть блок (сначала просто концептуально, без кода), а потом понравившиеся варианты уже собираю в коде. И тут что модели от Anthropic, что OpenAI, что новый Argon - все одинаково фиговые. То, что они предлагают с нуля, на мой вкус выглядит довольно примитивно. На бумаге описание звучит неплохо, но когда доходит до визуализации, вылезает куча проблем: текст не читается, контролы кривые, иерархия плывет. В этом плане дизайнеры пока могут спать спокойно. Но связка начинает работать, когда включаешь собственную насмотренность. Если закинуть в модель даже неудачный визуальный концепт (хоть сгенеренный ей же итерацией ранее) и прямо ткнуть носом: "здесь не читается шрифт, а тут кнопка странного размера" - вот тогда она выдает красивый, рабочий результат. Но сама, без твоей экспертизы и явных указаний, она на эти косяки внимания не обратит. Где модель реально тащит В ресерче и задачах формата "сходи туда, достань то, проанализируй и собери в структуру". Если нужно забрать какие-то внешние материалы, вытянуть из них суть и на основе этого написать код или документ - справляется отлично. Ответы стали заметно четче, модель лучше работает с источниками (особенно если прямо в промпте попросить на них опираться). Поймал себя на том, что в связке с Argon сейчас открываю обычный Google Search чаще, чем Perplexity. Модель ощущается более агентной и самостоятельной. И снова к вопросу о том, нужны ли нам тяжелые модели Не так давно я уже писал в канале, что для повседневной рутины флагманские модели нам не нужны, а легкие сетки в связке с человеком работают куда эффективнее. И вот тесты очередного топового релиза заставляют меня снова вернуться к этой мысли. Глядя на Argon, я еще больше убеждаюсь: в компаниях нужно целиться не в слепую автоматизацию функций, а в точечное усиление людей, у которых уже есть высокая экспертиза. Потому что на задачах, где я четко понимал, чего хочу, с Argon у меня уходило в 3-5 раз больше времени, чем с обычным Gemini Flash. Легкая модель через несколько быстрых итераций с участием человека дает результат быстрее и лучше, чем попытка сразу делегировать задачу тяжелой сетке. Поэтому на практике весь этот опыт сводится к фильтру из двух простых вопросов перед выбором модели: 1. Понимаю ли я конечный результат в деталях? Если у меня в голове уже есть четкое видение результата - проще, качественнее и в разы быстрее сделать это через легкий Flash. Если же есть только точка А и размытая точка Б без понятных ограничений и требований - тогда иду в Argon. 2. Шарю ли я сам в этой теме? Если это знакомая задача, которую я делаю регулярно - снова берем быструю модель. А вот если нужно залезть в новый рынок, незнакомый тип задач или пофиксить сложный баг в коде, где не хватает собственной экспертизы - тут имеет смысл отдать задачу Аргону. Кто уже успел пощупать обнову - как вам скорость и результаты? 🚀 Влад Корнышев про AI и создание AI-продуктов

Анонс Mailed It! Ты новый стажёр в сортировочном центре: жмёшь кнопку, берёшь письмо, несёшь через весь зал и кидаешь в нужный ящик. Сначала ты даже бегать не умеешь. Когда начальство одобрит очередной апгрейд, звонит телефон на столе. Идёшь к офисному компьютеру и покупаешь то, что вообще-то должно было прилагаться к работе: бег, прыжок, ящик, чтобы носить больше одного письма, и пылесос для кучи писем которая завалялась в углу. Потом появляются вентиляторы, конвейеры, подъемники, сортировщики и скотч, на котором всё это держится. Автоматизируешь, и почта начинает сортироваться сама. Вся почта физическая: письма копятся, падают и разлетаются. Ссылка на игру #инди | Telegram | YouTube | чат

AI-агенты для сайта: 15 рабочих примеров для чего можно их подключить Представьте, что ваш сайт умеет самостоятельно разбирать обращения клиентов, находить нужные документы, проверять заявки, помогать посетителям с выбором товара и передавать задачи другим сервисам. При этом сотрудникам не приходится вручную обрабатывать каждое сообщение, а посетителям не нужно пробираться через десятки страниц в поисках нужного ответа. Обычный чат-бот для такого не подходит, потому что он работает по заранее заготовленным сценариям. Шаг влево, шаг вправо и ответ получается однотипным. Именно для таких задач можно подключать AI-агентов — программных помощников, которые используют нейросети, анализируют контекст, обращаются к доступным инструментам и выполняют определённые действия в рамках заданных правил. В статье представлено 15 примеров ситуаций, где AI-агент будет полезен вам: 🔗 Читать статью

Вышел урок про ИИ-агентов простыми словами. Коротко: чат-бот отвечает, агент делает. Сам ищет, открывает сайты, заполняет таблицы и проверяет результат, круг за кругом, пока не дойдёт до цели. Что разбираю в видео: • из чего состоит агент: модель, инструменты, цель и цикл • как он работает внутри на примере таблицы цен 10 конкурентов • что такое MCP и почему его сравнивают с USB • где агенты уже работают: код, офис, поддержка, личные агенты • когда агент не нужен и хватит обычного сценария • три способа собрать своего: без кода, в n8n и кодом • пять правил безопасности, чтобы агент не наделал дел https://www.youtube.com/@baldfrombrowser

🤖 Гуманоидный робот за $100 000 может окупиться меньше чем за год! На Хабре подсчитали, насколько выгодно заменить рабочих на заводе человекоподобными роботами. 💰 Средний заводской рабочий в США обходится работодателю примерно в $60 000 в год с учётом налогов и страховок. А теперь представим гуманоида за $100 000, который работает круглосуточно и заменяет сразу три смены. Получается экономия до $180 000 в год на зарплатах. Даже с учётом обслуживания и электричества расчётный срок окупаемости — менее 8 месяцев! 🔥 А если Tesla действительно снизит стоимость Optimus до обещанных $20–30 тысяч, экономика станет ещё интереснее. Но есть один нюанс: робот должен не просто работать 24/7, а выполнять задачи с производительностью человека, без постоянного контроля и дорогостоящих простоев. А этого пока нет. Так что посмотрим на реальную работу гуманойдов на производстве и более точных расчетов. Источник: Хабр — Окупится ли антропоморфный робот? ————————— 🤖Подписывайтесь на лучший канал PRO Роботов 📲Мы в MAX

Мы с вами помним момент openclaw с января этого года. С тех пор подавляющее большинство из нас попользовалось гермесом, клешней и прочими персональными агентами, убедились что эти штуки почти ничем не лучше обычных моделей и благополучно про них забыли. Но про них не забыли CPO крупных компаний, в последние пару месяцев волна Dots, Grokbot и Muse захлестнула мир нормисов. Люди пропустившие клешню получили куда более удобный и универсальный продукт прямо в вацапе и твитере. И это очень важно. Потому что это не 500к техноэнтузиастов, а десятки миллионов обычных людей, которые начиная с сентября-октября 2026 начали массово, миллионами, покупать на амазоне, бронировать авиабилеты, общаться с поддержкой и госорганами, писать клеймы и кляузы с помощью агентов. Ни одна крупная компания не готова к тому что их ждет (и уже происходит). Ни один отдел поддержки или разбора жалоб не готов к тому, что миллионы агентов со сверхзнанием мельчайших деталей клиентской оферты будут писать требования, обращаться в надзорные органы, выбивать скидки или проводить ультра-анализ для покупки пары рулонов туалетной бумаги. Агентская комменрция тут, ей не нужны ваши токены, но рынок уже меняется.

Приколы автоматизации 😀 Я тут вам тизерила, что пытаюсь собрать инструмент для частичной автоматизации аутрича для отдела До финальной версии еще далеко, но первая часть уже работает и, честно, довольно сильно упростила жизнь))) Что сделала: ✖️Написала агента в Codex Внутри уже прописаны наши ICP, правила поиска лидов, логика написания цепочек и подключены все нужные API ✖️Поиск контактов почти полностью автоматический Мне остается придумать гипотезу, немного пообщаться с GPT и собрать список компаний. Дальше агент сам ищет нужных людей, LinkedIn, рабочие имейлы и телефоны (это не Lusha или Apollo 😅) ✖️Команде вообще не нужно лезть внутрь всей этой конструкции Я презентовала им инструмент, но сам агент и вся админка остаются у меня. Для ребят интерфейс – обычная таблица, в которой они и раньше работали ✖️Подготовка аутрича тоже делается сама Контакты раскладываются в нужном формате, генерируются цепочки писем (по шаблонам, либо можно сделать самому), готовятся инвайты, лайки и касания в линке ✖️Статусы по лидам тоже подтягиваются автоматически Не нужно руками отмечать каждое действие и постоянно следить, кому уже написали, а кому еще нет В общем, пока я не дошла до прекрасного мира, где нажимаешь одну кнопку и тебе на календарь сами падают созвоны))) Но уже удалось убрать довольно большую стремную часть работы, на которую сейлз вообще не должен тратить время: искать контакты, перекладывать данные между таблицами, форматировать списки и вручную обновлять статусы К слову, перед тем, как хотя бы посмотреть в сторону автоматизации, я весь этот путь делала руками 😉 Хочу еще добавить почту и телеграм, но пока надо отладить хотя бы то, что есть! Теперь самое интересное – посмотреть, приживется ли это у команды и даст ли в итоге что-то кроме красивой автоматизации)))

В субботу на AI Sales играли в руководителя отдела продаж: у вас три продавца, CRM, и процесс от холодных продаж через встречи до закрытой сделки. Одно из решений, которое надо было принять - куда, в первую очередь, внедрить AI. Было 3 варианта: 1) AI SDR —> чтобы в 3 раза получать больше тёплых лидов за те же деньги 2) Агент, который доводит заинтересованного лида до встречи, потому что сейчас лишь 1 из 3х это делает 3) Агент, который разбирает "спящие" сделки, пингует "молчунов", возвращает их. Не вдаваясь в цифры, которые безусловно сильно влияли на выбор решения, я сделал одну штуку, которая имхо очень жизненная: "подложил" в игру продавца Майка, который постоянно жаловался, что у него 4 часа уходит на пинги по спящим сделкам, и что, мол, за фигня такая. Не знаю, насколько это повлияло на решение, но большинство решило выбрать именно 3ю опцию. Например, один из участников так обьяснял свой выбор:

Высвободим время и встреч должно быть стать больше.

В целом, логика понятная, но в ситуации когда у продавцов было 30+ часов свободного времени - эта информация отражалась на ключевом экране игры + я ее голосом озвучивал - это точно не самое важное решение... Высвободив 4 часа Майку и его коллегам мы точно ничего глобально не изменим. А вот эффективнее доводить лидов до встречи или увеличить исходящие в 3 раза - точно повысило бы результаты отдела. Прошу не судить строго участников: во-первых, были те, кто голосовал за 2ю опцию, во-вторых - как я уже выше сказал, я специально направлял их внимание не туда. И вот почему, имхо, это жизненно: я часто вижу, как самые "шумные" отвлекают внимание на не самые важные части системы. Мы, люди, хотим помочь другим людям, спрашиваем у них что болит, и направляем свое внимание туда, зачастую упуская из виду более эффективные рычаги. Приподняться над проблемой, увидеть лес за деревьями, взвешивать важность - очень важный навык, который надо тренировать. Поэтому хороший вопрос перед автоматизацией не "что мы можем автоматизировать" или "кому сделать жизнь легче", а "какую метрику мы хотим сдвинуть и что ее ограничивает" (привет Голдратт!). Удачи нам всем!

🤖 Роботы вместо массажистов В Китае появились массажные салоны, где вместо людей работают роботы. За ¥99 (около 1000 рублей) клиент может получить массаж с высокой точностью от механической руки. Этот тренд открывает перспективные возможности для стартапов в сфере автоматизации услуг. Создание роботизированных массажных систем, адаптирующихся под индивидуальные потребности клиента, — это не только шаг к инновациям, но и способ снизить затраты на персонал. В то же время, бюджетные варианты в виде массажных кукол могут стать отличным продуктом для массового рынка. Для бизнеса это шанс выйти на новые рынки с высокотехнологичными решениями или создать уникальный сервис, предлагающий пользователю комфорт, экономию времени и денег. Спрос на такие услуги только растет, что делает эту нишу особенно привлекательной для инвесторов и предпринимателей, готовых сделать ставку на будущее индустрии wellness. Фаундер | Бизнес и Стартапы

ИИ научили вести соцсети — на GitHub выложили 17 бесплатных инструментов🤙🤙 Можно собрать себе ИИ-помощника для контента: он изучит нужные публикации, подстроится под манеру письма и поможет готовить новые посты. Внутри есть инструменты для разных задач: — Найти темы, которые стоит осветить; — Придумать несколько вариантов заголовка; — Превратить идею в готовый пост; — Подготовить сценарий Reels или концепцию обложки для YouTube; — Разобрать статистику и найти слабые места контента; — Составить план публикаций на основе тематик канала. Фишка в том, что это не отдельный сервис с подпиской, а открытый набор инструкций для ИИ. Можно установить только нужные инструменты и использовать их в своих проектах. Работает в Claude и Codex. Забрать набор — на GitHub.

ЧЕРНОЕ ЗЕРКАЛО УЖЕ НАСТУПИЛО - как скоро появится в enterpise, вы уже были на таком ИИ-собеседовании? Или отправляли своего аватара? ⚡️ Соискатель оставил ИИ-аватаров договариваться о его зарплате В ролике Graham Raabe на собеседовании встречаются три участника: сам Graham, ИИ-рекрутер Пэт и ИИ-представитель кандидата Виктор. Виктор знает резюме «лучше» своего владельца: приписывает ему управленческий опыт, которого нет, а затем предлагает зарплату в 60 тысяч. Graham поправляет его — и просит договориться хотя бы о 120 тысячах. Потом он отходит от камеры со словами: «Вы пока поговорите». Два цифровых собеседника продолжают разговор, назначают следующую встречу и никак не могут закончить прощаться. В финале Graham возвращается. Его не устраивает результат переговоров, и он снимает свою кандидатуру. Очень буквальная версия будущего: агенты уже могут поговорить друг с другом. А вот отстаивать ваши интересы — отдельная задача.

JEV-35B: быстрая decision-модель на базе Qwen3.5, активирует всего 3B параметров из 35B AutoTrust Labs выпустила JEV-35B, модель для быстрых решений в духе System 1. Она построена на Qwen3.5-35B-A3B и за счёт MoE-архитектуры активирует на токен лишь около 3B из своих 35B параметров. Лицензия Apache 2.0. Главная идея в том, чтобы не гонять полноценное рассуждение там, где нужно просто быстро выбрать лучший вариант. За один проход модель сравнивает до 256 текстовых или графических опций и возвращает откалиброванные вероятности. Медианная задержка одиночного запроса в их тестах около 204 мс. По метрикам JEV-35B обходит прошлую JEV-27B-VL на публичном наборе Decision Index, сохраняя при этом конкурентное качество на визуальных решениях. Отдельно порадует возможность запустить локально. Версия в NVFP4 весит всего 25,6 ГБ и занимает под веса около 23 ГиБ, так что помещается на одну видеокарту на 32-48 ГБ. При этом квантизация сохраняет 96,6% решений исходной BF16-модели почти без потерь по скорости и с небольшой просадкой на бенчмарках. Запускается через приложенный скрипт для vLLM. Эндпоинт /v1/decide отвечает за быстрые решения System 1, а OpenAI-совместимые эндпоинты за более медленное рассуждение System 2. 🤖 https://modelscope.ai/collections/AutoTrust-Labs/JEV-35B

🤖 Китай планирует отправить 8 000 гуманоидных роботов на заводы к 2028 году! Власти Шанхая представили новую программу развития интеллектуального производства. И речь уже не только о разработке роботов, но и об их массовом внедрении. К 2028 году планируется: 🔹 8 000 гуманоидов на предприятиях 🔹 500 умных заводов 🔹 Более 2 000 сценариев применения ИИ в промышленности 🔹 300 промышленных ИИ-агентов 👍 Китай выстраивает целую экосистему: собственные комплектующие, производители роботов, ИИ-модели и заводы, на которых всё это должно работать. Но пока 8 000 гуманоидов — это план, а не реальные поставки. И главный вопрос даже не в том, смогут ли китайцы произвести столько машин. Смогут ли эти роботы работать достаточно эффективно, чтобы заводам было выгодно их покупать? Вот это и станет настоящим испытанием для индустрии гуманоидов. Источник: Правительство Шанхая.

после прошлого поста про возможности для бизнеса много спрашивали про конкретику. (я считаю что конкретика не помогает действовать и ментальные модели ценнее, но все же) огромное количество бизнесов построено вокруг того, что интеллектуальный труд дорогой, а информация несимметрична. нужно найти специалистов, обучить их, распределить работу, потом все собрать, проверить и согласовать. если значительную часть исполнения берет на себя AI, меняется вся эта конструкция. человек больше занимается постановкой задачи, проверкой и ответственностью за результат. поэтому я бы сейчас заново посмотрел практически на любую индустрию: как бы мы организовали эту работу, если бы строили компанию с нуля? возьмем любой контентый бизнес - кино, книги, игры, рилсы. создание контента падает в цене в десятки раз, локализация почти бесплатна, менеджмент прав и дистрибуции не требует людей, аналитика насколько ты хочешь глубока и программируема вместо «вайбчека». медиакомпания с живыми авторами и редакторами больше не имеет смысла, но люди не перестанут читать новости, а значит есть возможность построить империю уровня NYT но на новых рельсах. возьмем рынок образования: контент и тьюторинг делается уже не человеком, администрирование сильно дешевле, стоимость продаж растет. возьмем профессиональные услуги: юристов, бухгалтеров, комплаенс. всю жизнь там продавали часы людей. теперь можно продавать сам результат по фиксированной цене. агенты готовят документы, проверяют их и ищут ошибки, а человек ставит задачу, проверяет и подписывается своим именем. продукт - услуга, а маржа почти как у софта. например, AI-native юрфирма под M&A и коммерческую недвижимость. за первые 5 недель у них 16 клиентов и $700k гонораров. возьмем скучные индустрии, куда стартаперы никогда не ходили: экспедирование грузов, опасные отходы, энергосети, коммерческое кредитование. там тонны бумаги, почты, PDF, ручного ввода и сверок. агент сам разбирает входящие, считает квоты, заполняет формы и пинает контрагентов. конкурентов почти нет, потому что никто не хотел разбираться в этом. например, платформа для рынка опасных отходов с $800k+ законтрактованного ARR и 5 из 7 крупнейших операторов в клиентах. или делает то же самое для экспедиторов и дошел от демо до $400k ARR за 7 недель. возьмем операционку: управление недвижимостью, сопровождение пациентов, работа с дебиторкой. раньше на каждые сто объектов, пациентов или счетов нужен был человек. теперь это AI-сотрудник, который отвечает жильцам, вызывает мастеров, спорит со страховой и напоминает о платежах. возьмем то, что раньше было доступно только богатым: личного ассистента, финансового советника, адвоката, консьержа, chief of staff для семьи. теперь это стоит как подписка на нетфликс, и рынок внезапно вырос в сто раз. вопрос тут не в рынках, которые можно дизраптить (ответ - все!), а в том как сделать лучший продукт, продать и сделать не то, что считалось идеальным результатом в мире до ИИ, а тем что считалось абсолютно невозможным - и дать это пользователям и клиентам.

Как матричный принтер стал будильником и заменил телефон по утрам Всё началось с желания не брать телефон сразу после пробуждения. Нужно было всего лишь посмотреть данные сна с WHOOP, но следом незаметно открывались сообщения, почта и новости. Решение нашлось неожиданное — получать утренний отчёт на бумаге. Причём не на тихом термопринтере, а на старом матричном Star SP700, который заодно отлично справляется с ролью будильника. Дальше идея «просто распечатать данные сна» довольно быстро вышла из-под контроля. Рядом с кроватью поселился Mac mini 2010 года, появились сервер, очередь печати, несколько Go-сервисов и отдельная логика пробуждения компьютера. По дороге пришлось разбираться с CUPS, sleep/wake, USB-хабом, сбоями очереди и локальной LLM. Через несколько месяцев система всё ещё работает. И вся эта цепочка из Go, PostgreSQL, старой macOS и CUPS каждое утро заканчивается очень просто — матричный принтер с треском выдаёт рядом с кроватью кусок бумаги, ради которого всё и затевалось.