И еще одна интересная статья: главный навык агентного кодинга – знать, чего ты не знаешь Пишут, что Fable – первая модель, где качество результата упирается не в модель, а в вас! (та-даам) Точнее, в вашу способность прояснять свои unknowns. Типа карта – это ваши промпты, skills и контекст, то есть то, что вы даёте агенту. Территория – кодбаза и реальные ограничения, где работа на самом деле происходит. Разница между ними = unknowns. Чем больше объём работы, тем больше таких дыр агент встретит и тем чаще будет угадывать, чего вы хотели. Дальше они разбирают как раз классический квадратик 2х2: – Known knowns – то, что вы написали в промпте – Known unknowns – то, что вы ещё не решили, но знаете об этом – Unknown knowns – то, что для вас настолько очевидно, что вы никогда это не запишете, но узнаете, если увидите – Unknown unknowns – то, о чём вы вообще не думали Автор говорит: посмотрите, как промптят крутые программисты – у них почти нет unknowns, они в синхроне и с кодбазой, и с поведением модели. И это тренируемый и очень важный скилл. Чего делать-то надо: – Blind spot pass – перед работой в незнакомой части кодбазы прямо просить Claude найти ваши unknown unknowns, буквально этими словами. «Я ничего не знаю про auth-модули здесь, сделай blind spot pass и помоги мне промптить тебя лучше» (!) – Прототипы до имплементации – ловить unknown knowns дёшево. «Сделай HTML со страницей в 4 радикально разных дизайн-направлениях, я отреагирую» – Interviews – просить Claude интервьюировать вас по одному вопросу, приоритезируя те, где ответ меняет архитектуру – References – лучший референс не скриншот и не доки, а source code. «Вот Rust crate с нужным backoff, прочитай и реимплементируй семантику в нашем TypeScript-клиенте» – Implementation plan – но с фокусом на то, что вы скорее всего захотите поменять: data models, интерфейсы, UX. Ну и записывать артефакты, чтобы можно было понять, что и как создавалось и как теперь работает: – implementation-notes.md во время работы – логи отклонения от плана в раздел Deviations – Квиз после – просить Claude сделать отчёт по изменениям и квиз в конце. Мерджить только после того, как ты сдал квиз на 100%. Это прикольный конечно паттерн, типа: честный ответ на вопрос «а вы понимаете, что агент вам намерджил?» Короче, хватит уже модели ругать, пора смотреть в зеркало https://claude.com/blog/a-field-guide-to-claude-fable-finding-your-unknowns

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).

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.

Как меняются founder factories ✍️ Давно не новость, что европейские единороги все чаще становятся фабриками новых стартапов. Про мафию Revolut и Palantir написано уже очень много. Но вот Accel снова взялся изучать кузницы стартапов. Проанализировали 402 единорога из Европы и Израиля. Так вот бывшие сотрудники 322 из них уже создали 2329 технологических стартапов. Лидируют Klarna, из которой вышли основатели 75 новых компаний, Spotify — 67, Revolut — 58, Deliveroo — 57 и King — 55. При этом меняется и профиль самих основателей единорогов. Accel проанализировал опыт фаундеров 290 европейских юникорнов и обнаружил заметный сдвиг в сторону Big Tech, университетов и научных лабораторий. Среди единорогов, которые появились после 2023 года, почти у каждой четвертой компании есть хотя бы один основатель с опытом работы в крупной технологической корпорации. Раньше таких было 11%.

Главными кузницами новых фаундеров стали Microsoft и Alphabet. Опыт работы в каждой из них есть у 8,5% основателей новой волны. До 2023 года лидировали BCG и McKinsey.

Одновременно растет роль академической среды. У 23% новых единорогов есть основатель, который раньше работал в университете или научной организации (до этого было 12%). Доля компаний, где у основателя есть степень PhD тоже выросла вдвое — с 9% до 18%. Авторы исследования связывают этот сдвиг с развитием GenAI. Глубокая техническая и научная экспертиза становится важнее, а путь от идеи до большой компании — короче. С 2023 года в Европе и Израиле появилось 86 новых единорогов. Каждый пятый достиг оценки $1 млрд максимум за два года, а почти каждый третий — за три. Раньше эти показатели составляли 5% и 12%. После изучения этого отчета, подумала о том, что AI не только позволяет быстрее запускать новые продукты, но и начинает менять саму систему предпринимательства. Университеты и бигтехи дают людям знания и опыт, затем единороги учат их строить быстро и эффективно строить компании, а затем выходцы запускают уже собственные стартапы. В России, к сожалению, эта система не очень хорошо работает — слишком мало больших компаний, которые могут быть фабриками фаундеров. @karpovaventures✍️

Как работают Фрактальные (рекурсивные) MAS (Multi agent system) на примере создания учебных материалов / курса по построению AI First Org. За рефы взял просто топ 10 курсов tier0/1 от MIT/Standford/Accenture (big 4 или кто там консалты) + перешерстило само интернет на тему самых новых и трендовых материалов на эту тему. Создало ICP + объяснило максимально детально на несколько страниц: • для кого • что на входе должно быть • что на выходу получают люди/компании Очень классные проверки и тесты моих гипотез / RnD через кейсы. Step 2: -> рекурсивно весь этот граф/дерево с "проваливанием" в детализацию с последующей реализацией так же через фрактальные/рекурсивные подходы. То есть -> есть какая-то невнятная идея/задача/хотелка -> она потом разворачивается вот в такое "полотно"/граф, считает юнитэкономику/ делает бизнес план / gtm etc + вариации как к этому можно прийти и какие могут быть пивоты/попытки/вероятности/сканы конкурентов/пустые ниши и тд и тп.

Как агенты и люди работают с документами, в которых нужно найти ответ на вопрос? Выясняют на ICLR 2026 Продолжаем делиться работами с конференции. А о том, что мы сами привезли на ICML, читайте в канале ML Underhood. Strategic Navigation or Stochastic Search? How Agents and Humans Reason Over Document Collections Авторы задали людям и агентам 2250 вопросов, ответы на которые спрятаны внутри 800 разных PDF и документов. В ходе нового теста MADQA записывали не только финальный ответ, но и весь путь поиска. В результате: • Лучшие агенты уже догнали людей по точности (около 82%), но берут грубой силой, а не умом. • Человек находит ответ с первой попытки в 50% случаев, лучший агент (Gemini 3 Pro) — только в 12%. • Агенты не умеют останавливаться: если задача не по зубам, крутятся по кругу и жгут ресурсы. • Увеличение объёма вычислений не спасает. Один агент потратил 270 млн токенов и 850 долларов, но проиграл более дешёвому и аккуратному. • Около 20% вопросов не осилил никто: ни люди, ни агенты. Новизна работы в том, что в обычных тестах оценивают только корректность ответа. Здесь впервые измеряли, насколько эффективно система к нему пришла, считая каждый шаг поиска. RLVE: Scaling Up Reinforcement Learning for Language Models with Adaptive Verifiable Environments В этой работе предлагают обучаться на верифицируемых средах, сложность которых растёт динамически. Авторы собрали RLVE-Gym из 400 verifiable-задачек. Когда модель начинает хорошо справляться с текущими задачами, уровень их сложности растёт. Получается своего рода curriculum, который не только ускоряет сходимость, но и бустит общее качество. Position: RL Researchers Need to Distinguish Between Solving Simulators and Using Simulators as a Proxy Ресёрчеры из Университета Альберты неожиданно выдают базу в position-статье: оказывается, что если геймить среду, то агент будет плохо работать в онлайне 🤷‍♂️ Нашёл для вас эти статьи ❣ Андрей Соколов #YaICML2026 Душный NLP

📌 Anthropic предлагает делать самоуправляемые циклы Команда Claude Code опубликовала в X руководство по loops. Это паттерны, в которых агент повторяет рабочий цикл, пока не сработает условие остановки.

Главная мысль: уходить от ручного режима, где разработчик задаёт направление на каждом шаге, и передавать агенту контроль по нарастающей.

Всего выделяют 4 типа циклов, различая их по способу запуска, условию остановки и степени автономии. Логически получается некая лестница делегирования, где на каждой ступени вы отдаёте агенту очередное полномочие. 🟡Агентный цикл запускается промптом и завершается, когда Claude считает задачу выполненной. Здесь вы отдаёте агенту проверку. Ручные шаги верификации заполняются вSKILL.md и чем более количественные критерии, тем точнее агент оценивает собственную работу. 🟡 Целевой цикл /goal забирает у вас условие прерывания Вы описываете, что значит готово, а дальше при каждой попытке Claude завершить работу отдельная модель-оценщик сверяет результат с вашим критерием (скажем, долей пройденных тестов) и возвращает агента к работе, пока цель не достигнута или не исчерпан заданный лимит попыток. 🟡Временной цикл /loop или /schedule берёт на себя триггер запуска. Это удобно для повторяющейся рутины и при работе с внешними системами (например, дайджест по таскам, реакция на новое ревью или упавший CI). 🟡Проактивный цикл убирает человека из контура. Рутина срабатывает по событию или расписанию и живёт, пока вы её не выключите. В связке с динамическими воркфлоу агенту передаётся уже сам промпт. Вот этот сценарий уже ближе всего к полной автоматизации. 🟡Дополнительные советы

Не каждая задача требует сложного цикла, начинать стоит с простейшего решения. Кодовую базу следует держать чистой, а для ревью подключать второй агент. Для этого есть встроенный /code-review. Контролировать расход токенов чёткими границами: точные условия остановки, подбор модели под задачу (рутину - на модели поменьше и побыстрее, решения с ризонингом - на самой мощной). Динамические воркфлоу способны породить сотни агентов, так что масштаб лучше проверять на небольшой выборке.

@ai_machinelearning_big_data #news #ai #ml

GigaChat 3.5 - что по кодингу? Пока мы все ждем релиз GPT-5.6, в каналах все чаще наблюдаю анонсы новой модели от Сбера. Очевидно, что работа была проделана немаленькая, поэтому поздравляю ребят с релизом! Там действительно получился довольно большой скачок в сравнении с их предыдущей моделью, а в пабликах часто наблюдаю как пишут, что уровень модели сопоставим, либо даже выше, чем DeepSeek V3.2. Но для нас главный вопрос - что с агентным кодингом? Поскольку мне Сбер денег не занес, придется писать правду. И тут главная проблема в том, что из официального релиза это практически не понятно. Т. к. единственный прямой agentic coding бенчмарк, который опубликовала команда - это Terminal Bench 2 (в этом месте хочется позанудствовать, что не существует бенчмарка Terminal Bench 2, а существует Terminal Bench 2.0 и более честная его версия Terminal Bench 2.1 - догадаемся, что речь про 2.0). Причем даже в нем мы видим сравнение только с DeepSeek V3.2 и GigaChat 3.1 Ultra. Ну что ж, мы не из робкого десятка, поэтому соберем результаты других моделям по крупицам из других источников. Например, результаты Terminal Bench 2.0/2.1 удобно смотреть здесь и здесь. GigaChat-3.5-Ultra: 13.48 (харнесс Terminus 2, данные от команды сбера) GPT-OSS-120B: 18.7 (Terminus 2, данные из лидерборда tbench) Qwen3.6-35B-A3B: 24.6 (харнесс little-coder) DeepSeek-3.2: 39.6 (Terminus 2) Nemotron 3 Ultra (550B-A55): 50.94 (Terminus 2, результаты из vals.ai) Тем не менее, наверное, на рынке РФ из отечественных моделей, похоже, что GigaChat 3.5 пока самая сильная модель. Но объективно сказать трудно, т. к. ни Яндекс, ни Сбер более широкого сравнения не публикуют и друг друга в бенчмарки не добавляют - а зря, ведь современные бенчмарки достаточно легко прогоняются через Harbor, нужны только токены. А к колегам по цеху предложение на будущее публиковать System Card модели с техническими подробностями, как это делают OpenAI и Anthropic, а также показывать больше современных бенчмарков: хотя бы DeepSWE 1.1 и SWE-rebench 2.0. @ai_driven

Diffusion Language Models на ICLR 2026 Собрали несколько работ о дифффузионных моделях и побеседовали с их авторами. Residual Context Diffusion Language Models Известная статья на тему masked diffusion. Суть в том, чтобы уменьшить потерю подсчитанной информации, которая обычно выбрасывается при низких вероятностях демаскируемых токенов. Как работает masked diffusion. На каждом шаге генерации выделяется фрагмент последовательности (блок), который будет демаскироваться одновременно (что и должно приводить к ускорению). Но если сразу размаскировать все токены, качество будет плохим. Поэтому размаскируем только те из них внутри блока, предсказанные вероятности которых высоки. Вероятности других — низкие —выбрасываем и перегенерируем их заново, обуславливаясь на все размаскированные до текущего шага токены. Для решения проблемы отброшенных вычислений вероятности непринятых токенов подают на следующий слой через дополнительный residual-вход. Чтобы дообучить модель работать с новым входом, предлагают использовать простую замороженную модель, которая предоставит не очень качественные вероятности. Часть о том, что надо обучаться с dummy-моделью, а инфериться на хорошей, — ограничение метода. Автор считает, что его можно минимизировать рекурсивным дообучением, но сдвиг между распределениями никогда не будет нулевым. В целом необходимость делать такие трюки кажется ему фундаментальным ограничением дискретной диффузии, и он верит в скейлинг непрерывных подходов для генерации текстов. Breaking the Factorization Barrier in Diffusion Language Models Работа об увеличении репрезентативности masked diffusion. Проблема в том, что помимо самих текстовых знаний модель должна выучить ещё и все возможные комбинации паттернов размаскирования. Это непростая задача, хочется уменьшить комбинаторную сложность в ней. Предлагается учить peft-like-добавку определённой структуры, специально направленную на понимание паттернов семплирования. На инференсе будем параллельно вычислять эту добавку и основные веса для получения вероятности размаскирования токенов. Использовать метод можно для двух целей. Основная, которую показывают в статье, — увеличение качества при фиксированной скорости. Дополнительная — увеличение скорости (количество размаскируемых токенов за форвард) при сохранении качества. Метод поскейлили до LLaDA 8B и показали буст качества относительно LoRA-добавок — правда, померить на этом скейле смогли только ген-перплексию. Scaling Beyond Masked Diffusion Language Models Есть несколько конкурирующих подходов к тому, как делать диффузию для текстов. Самый популярный — masked diffusion. Так получилось, потому что на низких масштабах компьюта и размеров моделей было показано, что у этого класса моделей теоретически лучший баланс эффективности и качества в терминах ген-перплексии (что не слишком надёжно). Авторы делают честное сравнение разных диффузионных подходов (и авторегрессии как бейзлайна), но теперь скейлят модели до 2B параметров и показывают, что uniform state diffusion — на деле лучший подход. На постере и в беседе автор тизерит свою следующую работу, в которой для uniform state diffusion сделали алайн и победили Nemotron 8B и Diffusion Gemma 26B по скорости и качеству на агентских бенчах. Learning Unmasking Policies for Diffusion Language Models Также удалось пообщаться с автором. Идея — в обучении небольшой полиси-головы поверх замороженной диффузионной тушки. Сама полиси-сетка очевидно выучивает статистики из домен-специфичных данных потому что, по словам автора, для хорошего качества им приходилось учить отдельные политики для кода и математики. Также есть параллельная работа, в которой тушку размораживают и дообучают голову вместе с ней. Это дороже, но перспективнее в плане качества. Фишка метода из статьи — из-за отдельного обучения головы можно смотреть, какие домен-специфичные паттерны выучиваются. Так, для математики политика выучивает больше всего токенов семплить на последних блоках, что не сработало бы для кода. Увидел интересное ❣ Сергей Кастрюлин #YaICML2026 Душный NLP

Всегда, когда я прилетаю в Сан-Франциско, я фотографирую рекламу. Потому что она, как ничто иное отражает пульс города и теперь вся про AI, и с каждым разом всё меньше похожа на рекламу в привычном смысле. Раньше щиты вдоль основной трассы ведущей из Долины в город продавали Coca-Cola, Toyota, iPhone, т.е. вещи, понятные любому, кто едет мимо. Сейчас там висят фразы вроде "Agents don't work without evals" и "Intelligent AF". По подсчётам San Francisco Chronicle (о них писал Fast Company), уже половина всех билбордов города про AI-продукты, платформы и инфраструктуру. И это реклама, которая сознательно не хочет быть понятной большинству. Маркетолог из стартапа Baseten объяснил NPR цель прямо: фраза должна считываться только теми, кто «в теме». Если ты не инженер и не фаундер — щит не для тебя, и это фича, а не баг. Есть жёсткая колонка на эту тему в Bay Area Current: билборды в городе будто прямо говорят прохожему — не понимаешь этот язык, значит город не для тебя. А в 2024 году стартап Artisan AI вообще запустил кампанию со слоганом "Stop hiring humans" провокационный маркетинг, который разозлил половину города. Оказалось, что есть целое научное направление именно про это – linguistic landscape studies, лингвистический ландшафт. Началось с работы Ландри и Бурис в 1997 году: они предложили смотреть на вывески и указатели в городе не как на шум, а как на видимый слепок того, чей язык и чья экономика в городе главные. С тех пор набралось исследований от Дели до Кейптауна, все про то, как реклама размечает, кому в городе принадлежит голос. Интереснее всего сравнить Сан-Франциско с Нью-Йорком, там зеркально противоположная логика. На Таймс-сквер с 1987 года действует уникальная для города норма зонирования: здания обязаны вешать подсвеченную рекламу, и вместо привычного потолка яркости там установлен её минимум. Поставить неосвещённую вывеску на Таймс-сквер формально запрещено. Официально такие конструкции называются "spectaculars", и появились они не из любви к неону, а из экономики: район в середине века скатился в упадок, и реклама стала частью его спасения при губернаторе Марио Куомо в начале 90-х. То есть в Нью-Йорке государство законодательно потребовало, чтобы реклама была видна и понятна абсолютно всем и это витрина для 50 миллионов туристов в год. А в Сан-Франциско реклама, наоборот, добровольно сузила себя до узкого круга, потому что для стартапа сейчас выгоднее казаться нишевым и «своим», чем размытым и всеобщим.

​​Cayley graph search с Claude Code: решение головоломок в 2026 с помощью агентов Я написал большой пост про два Kaggle-соревнования из серии CayleyPy — IHES Picture Cube и Megaminx. Это комбинаторные головоломки (кубик и додекаэдр), но по сути - поиск коротких путей в огромных неявных графах Cayley: вершины графа — это состояния головоломки, рёбра — это ходы, а решить пазл значит найти короткий путь до собранного состояния. Мы занимаемся этим уже пару лет и опубликовали несколько статей, а в 2026 году я решил попробовать новый подход: вместо того, чтобы писать код самому, я использовал Claude Code + Opus как агента, который пишет код. Сам я задавал направление исследований, ревьюил код и решал какие эксперименты стоит гонять. Поэтому пост получился про две вещи сразу: про то как мы решаем графы Cayley (learned heuristic + wide beam search + пост-обработка) и про то, как выглядит research-цикл, когда имплементацию делает агент. Из интересного - не раз упирался в ограничения агентов. Claude так и не смог правильно реализовать shared-beam SPMD после 10 попыток, а Codex завёл его с первой попытки. И почти все значимые идеи приходили от меня, а не от агента — клод плохо справляется с неопределённостью и часто выбирает безопасные пути (даже когда просишь его быть активнее). По ощущениям, агенты позволяют проверять идеи намного быстрее, чем раньше. Но это работает только если внимательно следить за агентом и не давать ему лениться. Блог Medium #ai #kaggle

«Яндекс Маркет» затеял реорганизацию, власти Китая хотят закрыть доступ к топовым AI-моделям, Perplexity разрабатывает AI-агента для кодинга, Getty Images и Shutterstock передумали объединяться, сколько роботов покупают в России 🦄 Доброе утро, наши маленькие любители единорогов! 🤷‍♂️ «Яндекс Маркет» затеял организацию. Как пишет РБК со ссылкой на источник, сотрудникам объявили о планах сократить штат и бюджет. В компании говорят, что откажутся от непрофильных проектов и дублирующих функций. Изменения затронут 15% штата. Но говорят, что это не сокращения — будет ротация внутри «Яндекса». Урезания бюджета тоже не подтверждают. Говорят, что общий объем бюджета этого года снижаться не будет. Но маркетинговый бюджет направят на продавцов и спецпредложения для покупателей. 🇨🇳 Власти Китая подумывают закрыть иностранцам доступ к передовым AI-моделям. Как пишет Reuters, они провели встречу с крупнейшими разработчиками — Alibaba, ByteDance, Z.ai. На встрече обсуждали закрытие доступа к передовым моделям — как с открытым кодом, так и нет. Еще обсуждали наказания за утечку или кражу AI-технологий, а также ограничения по инвесторам в AI-стартапы. Но конкретных решений пока нет. 👨‍💻 Perplexity, который разрабатывает AI-поиск — конкурента Google, решил пойти в сегмент AI-агентов для кодинга, пишет Business Insider. Как утверждают источники издания, у Perplexity уже есть такой агент Teammate — сотрудники компании пользуются им с мая. Вот этого агента и могут запустить в паблик. Но на этом рынке довольно плотно. И Perplexity придется конкурировать с Cursor, Anthropic, OpenAI и другими. ❌ Getty Images и Shutterstock объединялись, объединялись и теперь перестали объединяться. О желании слиться в одну компанию объявили аж в январе 2025-го. С тех пор регуляторы изучали эту сделку. И вот сейчас британский регулятор заявил, что одобрит сделку, если компании продадут издательский бизнес Shutterstock. После этого Getty Images решил, что ему это не подходит, и решил расторгнуть сделку. Так-то полтора года прошло, как-то не очень торопится регулятор. 🤖 Объем импорта робототехники в Россию за два года вырос на 81% в количестве и на 55% в деньгах, пишут «Ведомости» со ссылкой на исследование «дочки» Ростеха. В 2023-м закупили 4800 единиц на 38 млрд рублей, а в 2025-м — 8700 на 59 млрд рублей. Около 80% роботов в России зарубежного производства. Объем выпуска российских в деньгах вырос с 6,2 до 20,8 млрд рублей, но их не хватает для закрытия потребностей рынка. @TheEdinorogBlog — тот самый канал про стартапы🦄