📖Фундаментальный гайд по сборке ИИ-агентов Голая языковая модель - это просто генератор текста. Чтобы она начала выполнять задачи автономно, нужна инфраструктура. На GitHub выложили подробное руководство по созданию таких обвязок с нуля. 🔍Внутри разобрана вся техническая механика. Авторы пошагово показывают, как прикрутить к LLM долгосрочную память, настроить динамическую сборку контекста, подключить выполнение внешних инструментов и жестко задать границы безопасности. Отдельно препарируется логика работы в изолированных песочницах и оркестрация мультиагентных систем. Материал построен на практике и подкреплен готовым кодом. Для понимания рынка авторы напрямую сравнивают подходы к архитектуре в популярных инструментах: Cursor, Aider и Claude Code. Руководство полностью открытое. Если планируете собирать рабочие системы, а не просто перекидываться текстовыми промптами в чате - забирайте репозиторий по этой ссылке. 🦔 CyberYozh

Пирамида «Поток Cash» (он же CashFlow): проследим по блокчейну, куда уходят деньги «бесконечного потока» и когда рухнет Участникам «Потока Cash» обещали, что 10 июля их криптовалюту листят на биржах, запускают банк, и курс вырастет в сто миллиардов тысяч раз. А автор занёс в пирамиду свои 12,7 доллара и пошёл смотреть по блокчейну TRON, куда деньги уходят на самом деле. Через цепочку подставных адресов и псевдобиржу след вывел на настоящую биржу, и там всё сложилось. Основную массу, 7,13 миллиона из 8,2, слили одним июнем, а последний крупный перевод прошёл 30 июня, за десять дней до обещанного праздника. Один и тот же токен при этом стоит 90 000 рублей на одной витрине проекта, 336 долларов на второй и 61 на третьей. Кажется, вот он арбитраж, купил дёшево, продал дорого. Только это ещё одна ловушка.

🇨🇳 Производитель лидаров Hesai оказался в центре громкого скандала в США 🇺🇸 💰 Компания контролирует около трети мирового рынка автомобильных лидаров. Ее сенсоры используются в роботакси, беспилотных грузовиках, сельхозтехнике и даже в аэропорту Нью-Йорка. При этом Пентагон включил Hesai в список компаний, связанных с китайскими военными. ✨Главная причина популярности — цена. Лидары Hesai стоят менее $200, что значительно дешевле американских аналогов. ⭐️ Но основной вопрос — безопасность. Эксперты предупреждают, что компрометация прошивки может привести к появлению ложных объектов или исчезновению реальных. Повод для обсуждений уже был: в 2024 году из-за ошибки с високосным годом лидары Hesai по всему миру перестали работать на сутки. 🇺🇸 Сейчас в Конгрессе США обсуждают законопроект о поэтапном запрете китайских лидаров. История Hesai становится не только технологическим, но и геополитическим вопросом. 🇷🇺 Вот так многое, начиная от компонентов, заканчивая роботами и ИИ становится вопросом национальной безопасности. Поэтому в России нужны и свои компоненты и роботы и ИИ. А вы как думаете? ————————— ✔️ Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

Подборка методов улучшения LLM На этот раз собрали несколько статей на тему обучения и инференса LLM. Ожидаемо, эта область на ICML 2026 — самая популярная и обсуждаемая. Rethinking the Trust Region in LLM Reinforcement Learning Сингапурские учёные рассматривают проблему нестабильности GRPO-like-алгоритмов. Авторы связывают её с асимметричностью применяемого клиппинга относительно абсолютного значения правдоподобия сгенерированной траектории. Разброс значений IS (очень шумной оценки trust region в PPO) снижается с ростом вероятности, вследствие чего клиппинг чаще срабатывает на высокоэнтропийных генерациях. Эту проблему уже частично лечили в DAPO, повышая правую границу клиппинга. Здесь же предлагают перейти к более точным оценкам trust region: через KL-отклонение по полному словарю, по top-K или через альтернативную, но более подходящую односемпловую оценку. В экспериментах показывают более стабильное обучение. Кроме того, в статье много аблейшнов и интересных выводов. Don't Force the Fit: Bounded Log-Likelihood Loss for Enhanced Reasoning in Large Language Models Очный доклад о модификации SFT-лосса для обучения на ризонинг-задачах. Предлагают перейти от классической кросс-энтропии L = - log p к ограниченной в нуле: L = log (2 - p). На высоковероятных токенах градиент нового лосса приближается к классическому CE, а вот на низковероятных — не улетает в бесконечность, а ограничен небольшим значением. Мотивация такого подхода в том, что в ризонинг-цепочках есть множество высокоэнтропийных токенов, которые отвечают скорее за «стиль» рассуждения, но не влияют на его качество. При этом они отбирают значимую часть обучения, не давая как следует обучиться действительно важным токенам. Приросты на графиках выглядят неправдоподобно большими. Sparser Block-Sparse Attention via Token Permutation Ресёрчеры решают проблему long-context-префилла: full attention дорогой, а обычный block-sparse attention не всегда хорошо работает, потому что важные key-токены размазаны по разным блокам. Идея PBS-Attn: перед block-sparse attention переставить K/V-токены так, чтобы важные токены оказались рядом. Аттеншн не меняется при одинаковой перестановке K/V, зато sparse-блоки становятся более плотными и полезными. Из-за каузальной маски нельзя перемешивать всё подряд, поэтому авторы делают перестановку внутри сегментов. Это сохраняет авторегрессивность, но всё ещё позволяет «дефрагментировать» матрицу аттеншна. Плюс в том, что это не новая архитектура. Можно взять предобученную модель, добавить permutation и block-sparse-кернел и ускорить long-context-инференс. На LongBench качество почти такое же, как у full attention, и лучше, чем у других бейзлайнов. По скорости заявляют до 2,75× ускорения на long-context-префилле. Critique-GRPO: Advancing LLM Reasoning with Natural Language and Numerical Feedback Ещё один подход к тому, как делать критику в GRPO. На сложных бенчах обучение в какой-то момент начинает стагнировать. Авторы предлагают добавить reward-модель, которая будет писать критику ответа актора. Затем эта критика подаётся модели вместе со старым ответом, и модель пишет ответ лучше. После этого даунсемплят такие аугментированные примеры и конкатят их с обычными. На сете семплов с критикой модель учат сразу на улучшенный ответ — без промежуточной критики и первого ответа, как будто это изначально была такая генерация. На математических и научных бенчах (AIME, MATH, GPQA) получают приросты от 7 до 12 пунктов. Спросил автора, как бы он внедрял это в агентный RL. Он сказал, что, по его мнению, у модели должна быть тула «покритикуй мою текущую траекторию». Интересный подход. Личное мнение: непонятно, насколько вообще критика в RL полезна. Как будто правильнее решать проблемы, которые она пытается закрыть, другими способами. Увидели интересное ❣ Алексей Зотов, Влад Тыцкий и Тимофей Смирнов #YaICML2026 Душный NLP

Великобритания изобрела модель цивилизованного рынка вторички для непубличных компаний. Условно, стартап на IPO не хочет, а дать возможность сотрудникам получить живые деньги за опционы — хочет. Тогда он объявляет аукцион, и в один конкретный день покупатели могут купить, а продавцы продать. Все прозрачно, красиво и под эгидой биржи, а не под столом через цепочку SPV. Механика называется PISCES. Сейчас по ней планируется первая большая сделка — ~1% компании беспилотных автомобилей Wayve. Это 87 миллионов долларов по оценке последнего раунда. https://www.bloomberg.com/news/articles/2026-07-01/wayve-files-for-share-sale-on-london-bourse-s-new-private-market

Стоит ли вообще бороться за место в рейтинге 🔵 Если коротко, то да. Рейтинги - это отличный способ не только потешить эго, но и свериться с рынком и понять, где вообще находишься. Глобально наши ожидания от рейтингов можно поделить на два типа. 1. Лидогенерация. Логика простая: если ты в топ-5 или топ-10 крупного рейтинга по России (а не типа Топ-10 SMM-агентств Сызрани, это важно), лиды реально будут. Но есть нюанс: если вы органически попали в топ-10, у вас, скорее всего, и так всё хорошо с клиентами)) Рейтинг не станет гейм-чейнджером для такого агентства. Тогда остаётся платное промо, т. е. попадание в рейтинг за деньги, условно между 3 и 4 местом или на нулевую позицию. Работает ли это? Работает, но только при нескольких условиях:

— у вас узкая специализация и вы размещаетесь именно в профильном рейтинге; — у вас конверсионный сайт и нормальная обработка входящих лидов; — вы готовы окупаться вдолгую, если LTV клиента меньше года-полутора, отбить размещение будет сложно; — вы готовы размещаться не месяц, а кварталами, параллельно докручивая сайт и процессы пресейла.

2. Просто приятно, когда тебя отмечают. Приятно самому и команде. Немного похоже на геймификацию, типа год пахал, чтобы прокачать своего персонажа в виртуальной реальности под названием ‘’агентский рынок’’. И да, на пресейлах рейтинги тоже помогают. У нас в чате кстати было много фото сертификатов Рейтинга Рунета, так что пользуясь случаем, поздравляю всех, кто туда попал! Понимаю, насколько это офигенный момент: видеть себя в рейтинге и чувствовать, что всё, ради чего пахал было не зря. Флешмоб сертификатов можно проложить в комментариях к этому посту)

💼 Селигдар: большой размер, большие планы Золотодобытчик представил обновленную дивидендную политику Главная деталь — база расчета дивидендов. Она рассчитывается как операционная прибыль, уменьшенная на финансовые расходы, налог на прибыль и изменение запасов по данным МСФО. Принцип выплаты следующий: если отношение чистого долга к EBITDA менее 1х, то на дивиденды направляется 50% и более от базы. Если же от 1х до 2х — 40%, от 2х до 3х — 30%. Если долговая нагрузка больше 3х, то дивиденды не выплачиваются вовсе. На конец 2025 года мультипликатор чистый долг/скорр. EBITDA составлял 3,2х. Бумаги Селигдара (SELG) растут на 1,5%.

🚀 Мнение аналитиков МР С одной стороны, базовая выплата выросла: ранее при показателе менее 1х компания выплачивала от 30% и более чистой прибыли. Однако сейчас у Селигдара все еще высокая долговая нагрузка, и возможность выплаты дивидендов за 2026 год, по нашим оценкам, низкая. Она будет зависеть от размера капзатрат и оборотного капитала.

📍 Подписаться на канал | Мы в MAX

Как понять, нужен ли вашему продукту ИИ (часть 1) Кажется, что в каждый продукт нужно встраивать ИИ — иначе за рынком не успеть. Из-за этого команды нередко начинают обсуждать модели и архитектуру раньше, чем отвечают на более важный вопрос: какую задачу вообще нужно решить? Разберемся, как подойти к поиску решения системно и выбрать технологию, которая действительно выполняет задачу, а не просто добавляет в продукт модное слово «ИИ». Не выбирайте решение, пока не ответите на вопрос: «Какую бизнес-метрику мы хотим изменить?» Практика крупных компаний показывает: далеко не каждый ИИ-проект приносит измеримый результат. Поэтому прежде чем обсуждать решения и конкретные модели, стоит понять, есть ли у проекта понятный экономический эффект: ➡️ увеличить конверсию; ➡️ поднять продажи; ➡️ сократить время обработки документов; ➡️ снизить трудозатраты операторов. Пока нет ответа на этот вопрос, обсуждать GPT, Qwen, RAG или ИИ-агентов просто рано.

Не всякая задача требует LLM

Сегодня слово «ИИ» почти автоматически ассоциируется с генеративными моделями. Но это лишь одна из технологий, которая не всегда релевантна задаче. Разберем, в каких случаях используются разные решения. ML = машинное обучение Если задача сводится к прогнозу, классификации или рекомендациям: ➡️ спрогнозировать спрос, успешность продажи, нагрузку контакт-центра; ➡️ оценить вероятность покупки или отмены доставки; ➡️ определить риск оттока; ➡️ сегментировать пользователей; ➡️ расставить клиентов контакт-центра по приоритету. Это типичные задачи, где классический ML дешевле, стабильнее и понятнее в эксплуатации. LLM = большие языковые модели Если необходимо работать с большим количеством текста: ➡️ анализировать документы; ➡️ искать информацию; ➡️ готовить саммари; ➡️ менять тональность коммуникации; ➡️ генерировать ответы или код. При этом важно помнить, что LLM — это не база знаний. Она умеет очень убедительно продолжать текст. Но если нужной информации нет в обучающих данных или она устарела, модель начинает достраивать ответ самостоятельно. Отсюда и появляются галлюцинации. RAG = поисковая дополненная генерация LLM, которая для ответа может обращаться к заданным источникам данных. Полезна, когда нужна точность с опорой на собственную базу знаний: ➡️ответ по внутренним регламентам и процессам; ➡️помощь на встречах по вопросам о продуктах; ➡️поддержка. Дообучать LLM на общедоступной информации излишне дорого. Кроме того, весь открытый интернет уже давно оказался в обучающих выборках крупнейших моделей — это означает дефицит качественных данных. Поэтому компании чаще используют RAG — модели дают доступ к корпоративным источникам: базе знаний, Confluence, Jira, CRM, регламентам и другим документам. В результате она отвечает на основе актуальной информации, может ссылаться на источник и значительно реже ошибается. ИИ-агент Ключевое отличие: чат просто отвечает, а агент планирует и выполняет действия через подключенные сервисы.

Пользователь собирается в отпуск: один агент может подобрать тур, второй — найти и купить билеты, третий — добавить поездку в календарь и отправить подтверждения на почту.

Команда небольших специализированных агентов, оркестрируемых верхнеуровневым «координатором», во многих сценариях оказывается эффективнее, чем попытка собрать одного универсального помощника. А еще они быстро развиваются, и управление ими становится проще. В следующей части разберем частые ошибки при поиске ИИ-технологии. И фреймворк, который поможет сделать правильный выбор. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 @productsense

В ИИ-камере Яндекса появились новые возможности Владельцы умных IP-камер Яндекса теперь могут спрашивать Алису о событиях и объектах в кадре. Например, она подскажет, есть ли кто-то у входной двери, открыты ли ворота во дворе и как ухаживать за новым растением. Задать вопрос можно через Яндекс Станцию, ТВ Станцию, наушники Яндекс Дропс или в чате с Алисой AI. Пользователи, у которых есть подписка «Экстра» или «Стандарт» могут задавать неограниченное число запросов, без подписки — до 20 запросов в месяц. Среди других новых возможностей ИИ-камеры — автоматическое включение записи при определенных условиях, смена положения камеры голосом и поиск видео в архиве по запросу своими словами.

Ключевое за 3 дня 📈 Рост и Оптимизация • Выгорание tech-работников достигло 55.7% — Оптимизм упал до 48.7%, тревога — рост требований без повышения оплаты. • AI Overviews расширяются в коммерческом поиске — Рост на 71% по коммерческим запросам, финансы +231%. • Бренды находят золото в микродрамах — Время в приложениях коротких драм выросло на 5.78 млрд часов, Crocs получили 10 млн просмотров. • Reddit блокирует 23 млн спам-просмотров в день — ИИ-системы снизили воздействие спама на 20% и отзывают 2 млн фальшивых голосов. • Инженерия harness для рекурсивного самоулучшения — Обзор harness engineering: как система вокруг модели способствует рекурсивному самоулучшению. • Технический отчёт Gemma 4 — Gemma 4 — открытые мультимодальные модели с dense и MoE, лицензия Apache 2.0. • Samsung обходит Nvidia и Apple по прибыли — Прибыль Samsung $58 млрд, обогнала Nvidia и Apple, акции упали на 7%. 🤖 Промпты и Практика • Совет от Anthropic: использовать Claude Fable 5 как «советника» — Используйте Claude Fable 5 как советника: он составляет план и поручает задачи дешёвым моделям. 🛠 Инструменты • SpaceX запустила ядерный спутник — BOHR с бетавольтаическим источником обеспечит постоянную энергию. • Tesla Cybercab с более мощным FSD — Компьютер с увеличенной памятью для автономности уровня 4. • Google Search Console показывает эффективность соцсетей и видео — Теперь можно отслеживать клики и показы постов из Instagram, TikTok, X и YouTube. • GPT-5.6 Sol, Terra и Luna выходят публично в этот четверг — OpenAI выпускает GPT-5.6 Sol, Terra и Luna; Sol флагман, Terra вдвое дешевле, Luna быстрая. • Лаборатория суперинтеллекта Meta представила первые модели изображений и видео — Muse Image — 2-е место в Arena, уступает GPT-Image-2, интегрируется в Instagram, WhatsApp. • Grok-4.5 от SpaceXAI выходит завтра — Opus-класс, быстрый, эффективный, низкая стоимость, силён в кодинге, появится в Cursor. • Google открывает Gemini-агентов для бесплатных разработчиков — Песочница для экспериментов с агентами.