🔬 ИИ на 27 млрд параметров предлагает научные гипотезы, которые совпадают с последующими исследованиями чаще, чем у GPT-6 и Claude Opus 5. Авторы DiscoveryRSI сравнили гипотезы моделей с работами, опубликованными после даты отсечения обучающих данных. Доля совпадений: • DiscoveryRSI-27B — 6,3% • GPT-6 — 2,5% • Claude Opus 5 — 2,3%. Система развивает гипотезы, собирает доказательства, предлагает способы проверки и использует результаты предыдущих попыток, чтобы улучшать следующие. У каждой идеи должны быть план исследования, критерии проверки и альтернативные объяснения. Совпадение с публикацией ещё не означает доказанное открытие. Но это интересная проверка того, способен ли ИИ предлагать направления, к которым позже приходят исследователи. Модель и код доступны: 📄 https://arxiv.org/abs/2610.23839 💻 https://github.com/Gen-Verse/DiscoveryRSI 🔴 https://foundry-arena.rsi-arena.workers.dev/arena

Про "комфортный климат", ч.1: комфортная температура воздуха Об этом такие разные мнения! Кому-то нормально в Бангкоке, другому нужна прохлада Копенгагена. Но по этому вопросу есть и объективные данные! 1️⃣ Человек - тропическое животное, и в "базовой" жизни, без одежды и дома, комфортная температура - это 28-30 °C! (pubmed) Выше - тело начинает потеть, ниже - выделять тепло. Жарко? Да! Это потому что мы носим одежду, и даже легкая сводит диапазон комфорта до 22-24 °C. Это справедливо для всех людей. Конечно есть индивидуальные физиологические особенности, но возраст, пол, доля жира или мышц дает лишь 1-2 градуса разброса от комфортных 22-24 °C (pubmed раз, два). 2️⃣ Есть два значимых фактора, влияющих на индивидуальное определение комфортной температуры: а) Уровень активности человека: кому-то нравится бегать по улице в полдень, и конечно в теплых странах это делать сложно. Например для марафона вообще идеальны 10-12 °C (pdf) б) Привычки в одежде: любитель все время носить худи сдвигает комфортную температуру ниже 20-21 °C. Если человек говорит, что ему комфортно в 15 °C, то это можно перевести как "нравится ходить в куртке" и/или "все время бегаю". Есть "калькулятор температурного комфорта" из Беркли, где можно самому оценить вес критериев (в т.ч. одежды). 3️⃣ Часто говорят, что влажность критически важна. Это правда, но только для температур, сильно выходящих за пределы комфортной. Проще говоря, если на улице 30 °C, то влажность меняет многое. Но если 23 °C - то буквально ничего (pdf) 4️⃣ Гендерная разница в ощущениях температуры является следствием того, что просто отличаются характеристики тела мужчин и женщин. Если взять одинаковых по параметрам М и Ж, то разницы в ощущениях почти не будет (pubmed). 5️⃣ Как правильно заметил Антон в комментариях, говорить люди могут много, но в домах у людей температуры почти всегда близки к комфортным. Точнее так: кто может себе позволить, греют до 21-23 °C, а холодные дома - это бедность, старый фонд или культура, за которые люди платят здоровьем (ВОЗ рекомендует минимум 18 °C). Более того, мир много это изучал на предмет производительности труда на рабочих местах, есть отраслевые стандарты по температуре/влажности в помещении. Пик производительности - на 22 °C (pub). 6️⃣ Кстати ощущаемая температура в помещении - это примерно среднее между воздухом и поверхностями вокруг. При 22 °C воздуха и холодных стенах, вокруг ощущается как 19-20. Поэтому кондиционер в испанской квартире может греть, а теплее не становится 🙂 7️⃣ Короче говоря, это типичный пример разницы "что люди говорят vs что они делают". По вопросу комфортной температуры все мы - почти одинаковые человеки, и просто внешними факторами (одеждой, активностью) регулируем микроклимат вокруг тела до комфортных нам тропических 28-30 °C. @kyrillic

История двух проектов или как вайб-кодинг хороший код подсматривал Последнюю пару недель я кодил как не в себя. Причем вел одновременно два противоположных по духу разработки проекта. Один - честный agentic harness coding, второй - полный vibe coding. И сегодня выяснилось, что второй позаимствовал много из первого. Первый - платформа с материалами по AI Native разработке. С контролем качества, исполняемыми спеками, придирками к качеству кода и вылизыванию интерфейсов - ею не только будут пользоваться люди, но я и планирую показывать исходный код на видео сессиях. Выкатили, люди используют. Второй - виртуальная машина с версионированием для совместной работы агентов. Я дописывал ее прямо на бегу во время конференции и в код не заглядывал ни разу. Имело значение только то, что архитектура внятная, она держит нагрузки и работает как надо. Это тот самый проект, где Fable 5.1 сказал “такое успеть невозможно”, а Astra сказала “теоретически можно успеть, если урезать весь функционал”. Успели и провели. 20 сотрудничающих агентов, 700 изменений виртуальной машины, только один побег из песочницы (агент залез в историю изменений машины глубже, чем ему полагалось) А сегодня я заглянул в код, чтобы разобраться как все это работает, и как это масштабировать. Я был готов к ужасу вайб-кодинга и каше из файлов (ибо там под капотом 4 разных рантайма, не считая Web UI), а увидел нормальный проект. Даже скучный (скину скриншот папки в комментарии) Когда я начал пытать историю Codex-a на тему - “а почему оно такое аккуратное?”, то всплыло три факта: (1) Этот проект был результатом очередного эксперимента, где код переписывался с нуля. К тому времени мне надоело заводить проекты в Codex на каждый эксперимент, и я просто запускал их из одного control centre (это папка на диске с локальными ссылками на другие проекты и глобальными инструкциями). (2) Идеи и код таскались между проектами под влиянием инструкции piecemeal growth, или того, что от нее осталось: “Add abstractions, concurrency and configuration only when a present requirement needs them.” В процессе ненужное отваливалось, а нужное кристаллизовалось. (3) Codex при перетаскивании подсматривал и в другие проекты, в том числе и вылизанный код платформы. Натащил оттуда те идеи, которые соответствовали духу piecemeal growth В общем, получился интересный вывод. Результаты яростного вайб-кодинга становятся лучше, если агент может брать пример с хорошо организованных проектов на диске. Хороший код - иногда работает лучше в качестве инструкций, нежели куча нагенерированного слопа в markdown. Теперь уже не так жалко времени, которое я потратил на вылизывание кода платформы. Ваш, @llm_under_hood 🤗

В процессе работы над PersMarket регулярно появляются новые возможности, которые должны быть видны не сразу или не всем. Для таких целей придумали специальный подход - Feature flags (или feature toggles). Я уже упоминал его ранее, когда писал про минимизацию рисков и даунтайма при деплое. Заключается подход в том, чтобы была возможность включать, выключать или менять поведение отдельных функций приложения в реальном времени без повторного деплоя. То есть код и настройки фичи выкатываются очередным релизом, но где-то в базе/конфигах есть переключатель/флаг, по умолчанию выключенный, от состояния которого зависит, работает ли эта функция. И когда приходит момент, флаг просто включают, и пользователи сразу видят новые ништяки. Например, функция оплаты актуальна только после всех согласований с платежным провайдером и обновления юридических документов, хотя код уже должен существовать, чтобы протестировать процессы.

Кстати, имея опыт работы со Stripe, подключал Робокассу. После современных API-управляемых возможностей Stripe Робокасса выглядит, как что-то из нулевых. В Stripe можно построить полноценный тестовый контур, с автотестами, с подписками, платежами, рефандами и т.д. В Робокассе можно сделать только тестовый разовый платеж без истории. То есть узнать его статус позже нельзя, он не хранится. А возвраты и рекуррентные платежи вообще не поддерживают тестирование. Надо будет попробовать других провайдеров еще для сравнения.

Еще сценарии: ▪️Если в функции есть критичный баг, ее можно отключить мгновенно без передеплоя ▪️Можно сделать канареечный релиз - включать функцию сначала малой аудитории, потом больше и больше ▪️Можно проводить A/B-тестирование ▪️Можно тестировать функцию прямо из мастер-ветки (особенно в trunk-based разработке), не включая ее на проде Вот и я себе сделал в админке сервиса такой пункт управления, чтобы включать фичи по мере готовности к ним платформы. А оказывается, есть и готовые решения: Split, Flagsmith, LaunchDarkly, GrowthBook, Unleash. А для PHP - Flagception. Конечно, не всё коту масленица, есть и минусы. Во-первых, появляются условия - сценарии для включенной функции и для выключенной, это усложнение. Во-вторых, если необходимость управления фичей отпадает, появляется технический долг - условия и feature flags надо удалять, а до этого обычно руки не доходят. Короче, знайте меру. #process

Forward Deployed PM: почему за ними охотятся AI-гиганты Не успели мы привыкнуть к новой роли Product Builder, как на горизонте замаячила новая волна интереса к роли Forward Deployed Product Manager (FDPM). Разбираю, что это такое. 1. Кто такой FDPM и чем он занимается? Обычный PM сидит в офисе своей компании и отвечает за продукт вообще. FDPM десантируется прямо на сторону клиента. Он погружается в реальный операционный хаос заказчика, сидит с его сотрудниками, разбирает их инфраструктуру и отвечает за бизнес-результат конкретного аккаунта. Посадить продуктовика с ценником FDPM внутрь клиента - дорогой шаг, поэтому FDPM отправляют только в два типа аккаунтов: 1. Tier-1 Enterprise (High-LTV): клиенты с чеком $500k – $1M+ ARR, уход которых критичен для бизнеса. 2. Бета-проходцы новых AI-продуктов: когда запускается сложная модель или интеграция, а рынок еще не понимает, как внедрять софт по стандартным инструкциям. Для малого и среднего бизнеса эта модель не применяется, там работают стандартный Self-Serve и отдел CSM. 2. Что по зарплате и вакансиям * Динамика роста: на платформе The Bench число вакансий с формулировкой Forward Deployed выросло с 1 открытой позиции в январе до 170 активных ролей в 98 компаниях к концу июля. * Кто и где нанимает: основной спрос сосредоточен в США (Bay Area, Нью-Йорк, Вашингтон), Великобритании (Лондон) и европейских хабах вроде Берлина и Амстердама. Нанимают Scale AI, Salesforce, Adobe, Accenture, Cresta и Palantir. * Зарплаты: вилка базового оклада для FDPM в США варьируется от $180,000 до $250,000+ (в Scale AI на Public Sector вилка доходит до $345,000). 3. Примеры открытых вакансий Посмотреть на требования и задачи этой роли на рынке можно на листингах: Tribe AI - Forward Deployed Product Manager : транслировать сложнейшие задачи клиентов в готовые продуктовые AI-решения и вести внедрение вместе с продуктовой командой. Sela AI - Forward Deployed Product Manager: отвечать за внедрение AI-агентов под ключ, пересобирая их под то, как реально работают банковские процессы у клиентов. CruxOCM - Forward Deployed Product Manager: работать с техническими лидами заказчика, использовать AI-инструменты для прототипирования и переводить спецификацию конкретного завода в фичи бэклога. Causal Labs - Forward Deployed Product Manager: вести ключевые запускные проекты для требовательных enterprise-клиентов и замыкать кастомные решения на ядро системы. 4. Окей, открываю позицию FDPM. Как нам не скатиться в заказную разработку? Главный риск для FDPM - уйти в бесконечное пиление кастома под одного громкого заказчика. Чтобы защитить ядро платформы, используют правило триангуляции: 1. Быстрый костыль: решаем проблему конкретного клиента локальным кодом или скриптом прямо сейчас. 2. Валидация: ищем, повторяется ли эта проблема у других 3–5 клиентов платформы. 3. Экстракция в Core: если боль системная, фича уходит в бэклог основной платформы. Если она нужна только одному заказчику, то остается локальным костылем на его стороне. Источник: https://www.mindtheproduct.com/what-is-a-forward-deployed-product-manager-anyway/ @productgames

Cloudflare выпустила превью Clairic — это модель fact-extraction, с обещанием вскоре открыть веса. Модель относит себя к классу System One, который месяц назад ввела TypeSafe с моделью Jev, но в отличие от Jev и собственной decision модели Cloudflare Clef выдаёт не вероятности по списку вариантов, а типизированные значения: текстовые спаны с позициями символов, числа, даты, длительности, списки, оценки в виде распределения с 80-процентным интервалом и прогнозы ряда по шагам. Ответ формируется за один прямой проход без генерации токенов, оплата только за вход, типичная задержка меньше секунды. Сама идея модели прекрасна — сплошь и рядом использование LLM для задач "извлеки такие-то данные и верни JSON" выглядит излишеством, да еще и медленным, и приходится конструировать цепочку из NER, скриптами и вызовами LLM, что тоже не очень быстро и надежно. Правда, измерить качество работы пока не с чем — сравнение с LLM заведомо выигрышно для новой модели. Будет интересно посмотреть на веса и требования к локальному запуску — возможно, модель вполне подойдет для запуска на мощном ноутбуке или карте уровня RTX4090, хотя runtime придется собирать нетиповой. https://blog.cloudflare.com/clairic-extraction-model/

🛰 СПУТНИКСу — 15 лет: от экспериментальных спутников к серийному производству малых аппаратов В 2011 году, когда компания только начинала, в России практически не существовало малых аппаратов, созданных на промышленной элементной базе. Не было и кубсатов как формата — команде пришлось «переизобрести космические направления заново». Несколько цифр

🟣 За 2023 год собрано более 100 аппаратов. 🟣 Выведено 108 спутников — все вышли на связь и прошли лётные испытания. 🟣 Развернута группировка «Зоркий-2М» — пять аппаратов ежедневно передают на Землю около 100 ГБ снимков. 🟣 Спутники можно дорабатывать на орбите: софт обновляют с Земли, чтобы улучшать съёмку прямо в полёте.

Читайте, как СПУТНИКС пришёл к серийному производству и к своей орбитальной группировке. Фото: СПУТНИКС

Железные душнилы наступают! Business Insider пишет, что клиенты стали всё чаще поручать общение со службами поддержки собственным ИИ-агентам. Те невозмутимо висят на линии и готовы часами выяснять статус заказа или раз за разом переподтверждать бронь. В общем, душнят и выносят мозг с полной самоотдачей. Любовь к технологиям тут ни при чём: людям просто надоело тратить время на рутинные и неприятные звонки – спорить из-за счёта, оформлять возврат, менять тариф, выбивать скидку и отменять подписку. Один американский банк, скажем, столкнулся с ИИ-агентом, который пытался договориться о реструктуризации долга своего хозяина. В общей массе таких коммуникаций ещё немного, но их число растёт так быстро, что крупные компании уже ломают голову: как отличить цифрового помощника от мошенника? И стоит ли вообще с этой железякой разговаривать? Доходит до смешного. Сотрудницу одной страховой компании каждую смену донимает бот юридической фирмы, хамоватый и с характером. А нейросеть, которая следит за качеством разговоров, регулярно снижает ей баллы за недостаток эмпатии… к этому самому боту. Киберпанк во всей красе! Впрочем, компании сами напросились. Годами они экономили на живых людях: номер оператора прятали так, что найти его удавалось только самым настырным, а всех остальных отдавали на растерзание бездушным и часто тупящим чат-ботам. Кто хоть раз орал в трубку или писал капслоком “СОЕДИНИ МЕНЯ С ЧЕЛОВЕКОМ!”, знает, о чём я. Натерпевшись, клиенты наконец получили шанс отыграться. Дальше будет веселее. Скоро целые армии таких вот цифровых звонарей, одержимых своими задачами, обрушатся не только на корпорации, но и на малый бизнес – от стоматологий и сантехников до ресторанов и семейных гостиниц. Что ж, кармический бумеранг прилетел. Оказывается, в эту игру можно играть вдвоём. Или, вернее, всем человечеством.

#MossImage huggingface.co/lodestones/Kromoss - Kromoss: файнтюн MOSS-Image-Base в 1024px, чинит мыльность, энкодер Qwen3.5-9B + FLUX.2 VAE. В комплекте 8-шаговая турбо LoRA github.com/Rkkss/ComfyUI-Spectrum-MOSS - Spectrum для MOSS: «auto»-нода после модели. Тестировалось без турбо — приятный результат от 12 шагов на 1.3Mpx (1168px) за ~30 сек на 3060 12Gb. Kitchen Attention на MOSS скорости не помогает #optimization huggingface.co/akhaliq/MOSS-Image-SFT-4-steps - 4-шаговая турбо LoRA для MOSS, вышла v2. Первая версия упрощала композицию #LoRA #slider huggingface.co/axiomofmind/Moss-image-gouache-lora - гуашь: винтажные рисованные иллюстрации и постеры huggingface.co/axiomofmind/Moss-image-psychedelic-lora - психоделика: насыщенный неон, сюрреальные сюжеты, графичные формы huggingface.co/Danrisi/nicegirls_v2_moss - nicegirls_v2 порт под MOSS, на низкой силе дает разнообразие лиц github.com/HyperGAN/moss-image-sliders - слайдеры теплых/холодных тонов civitai.com/models/3010015/moss-lighting-slider и huggingface.co/Playtime-AI/Moss-Image-Age_Slider - базовые слайдеры освещения и возраста #comfyui github.com/levzzz5154/ComfyUI-MOSS-PromptWeight - вес фразы в промпте: Qwen3.5 игнорирует обычные (word:1.2)-веса, нода применяет их внутри attention. Пример: (red hat:-1), (yellow flowers:1.5) #prompting github.com/b4ldur/ComfyUI-MOSS-BBox1000 - конвертер BBox-раскладки 0–1000 для MOSS, независимый от разрешения. Ранняя версия ломалась на других разрешениях github.com/xb1n0ry/ComfyUI-MOSS-Prompt-Enhancer - энхансер промптов: простой промпт → расширенное описание → JSON-макет с боксами → скомпилированный MOSS-промпт (компилятор из официального скилла). Есть caption-режим без боксов. Рекомендуется Qwen 3.8 27B Q4, 9B сойдёт huggingface.co/mdevoz/qwen3.5_9b_ultra_uncensored_heretic_int8_convrot - абляция промпт-апсемплера MOSS (int8convrot). Оригинал: huggingface.co/llmfan46/Qwen3.5-9B-ultra-uncensored-heretic #uncensored github.com/spooky-local/MOSS-Layout-Editor - редактор раскладки: рисовать/двигать боксы, подписи регионов и рендеримый текст github.com/0Printemps0/ComfyUI-MOSSLayout - второй визуальный редактор раскладки, форк ComfyUI-IdeogramHelper huggingface.co/sorryhyun/moss-image-colorize - MOSS как раскрашиватель лайнарта: вход через vision-башню Qwen3.5 и как VAE-латент в DiT. Сохраняет линию, лица, надписи. Ноды img2img: github.com/sorryhyun/ComfyUI-MOSS-i2i #controlnet huggingface.co/darask0/MOSS-Image-color-depth-control - контрол-адаптер по карте цвет-регионов и карте глубины. ComfyUI-реализации пока нет civitai.com/models/3010285/moss-color-and-depth-control - модел-патч к цвето/глубина-контролю MOSS — вместе работают как простой ControlNet. Воркфлоу на civitai.red ——— huggingface.co/MATLOWAI/MOSS-Image-SFT-DeBand-int8 - SFT с вшитым фиксом вертикальных цветных полос (de-banding), int8 github.com/shootthesound/Fizgig/releases/tag/v8.5.0 - Fizgig 8.5: поддержка MOSS для LoRA и слайдеров. Тренируется легко и быстро, хватит 12Gb. Совет автора: res_multistep + simple лучше euler. Spectrum при этом не ломается #finetuning

ИИшке нужен ваш унитаз Все твердят, что электрики, сантехники и прочие рукастые и зачастую усатые дядьки продержатся дольше всех. Да, шансов у них побольше, чем у копирайтеров с джун-разрабами. Но по их душу уже тоже выехали: Стартап HUMXN запустил в Миннеаполисе, Чикаго и Майами бесплатный ремонт туалетов, отопления и кондеев. Мастера приезжают настоящие, всё чинят и получает свою обычную ставку, только платит им стартап, а не заказчик. Нюанс один - на мастере, как вы уже догадались, висит камера и микрофон, которые пишут весь процесс: что он осматривает, где какие гайки крутит, где берёт ключ на 32, всё такое. А записи, само собой, улетают на обучение роботов, которые потом будут чинить толчки вместо Петровича. Это продолжение всё той же большой кампании по отъёму у кожаных последних реально ценных датасетов. Одни стартапы платят индусам по доллару в день, чтобы те приклеивали камеру на лоб, пока ткани гладят или карри варят. Другие - бесплатно убирают квартиры в Нью-Йорке. А теперь вот и унитазы чинят на халяву, да. Точнее, не на халяву, а с расплатой в не самом далёком будущем, if you know what I mean. Забавно, что чинить толчки for free они готовы не всем подряд. На сайте везде слово "qualifying". То есть, берут не любую заявку, а подходящую. И подходящая - это не золотой унитаз в пентхаусе, а наоборот - чтобы квартира была постарее, трубы поржавее, и было чему учиться. Опять же, потому что обычные средние кейсы роботы более-менее делают, а вот с "крайними случаями" (edge cases) у них беда, и такая дата уходит по цене золота. То есть, сортир должен ещё и кастинг пройти, такие дела. И кстати, работает HUMXN в трёх конкретных городах - Майами, Миннеаполисе и Чикаго. И это не случайно. В Майами кондиционеры пашут круглый год во влажности. Миннеаполис - это север США, рядом с Канадой, там котлы зимой фигачат в минус 30. А в Чикаго куча довоенных домов со старыми трубами и жуткими костыльными переделками поверх. Каждый город даёт свой тип поломок, которого в двух других нет. Чуваки не просто собирают данные, а готовят для ИИшки комбо-обед из данных. Дизраптор