Снова дома: Intel выпустит 28-ядерные процессоры Xeon для сокета LGA 1954 Intel возвращает серверные процессоры Xeon на массовую настольную платформу. Пропустив текущий сокет LGA 1851, новые чипы поколения Dunlow появятся на будущем разъеме LGA 1954. Старшие модели получат сразу 28 ядер (против скромных 8 ядер у прошлого поколения под LGA 1700). Процессоры будут иметь теплопакет до 95 Вт и двухканальный контроллер памяти DDR5 с поддержкой серверной технологии ECC. Хотя физически чипы Dunlow встанут в тот же сокет, что и потребительские процессоры Nova Lake-S (Core Ultra 400), для работы им потребуются специализированные материнские платы. Первой известной моделью стала референсная плата Supermicro MBD-X15SDCB-IN001.

Это мой последний слайд с нашей командной встречи по результатам первого полугодия и планам на вторую. За это полугодие мы выросли на 42% по сравнению с прошлым и это, конечно, большие циферки и такого темпа давно не было, хотя мы как бы в целом не то чтобы когда-то плохо росли. Но мы тут с вами не про успешный успех, и курсы по тому, как делать бизнес, я не продаю, поэтому, как обычно, расскажу про то, что плохо лежит. Думая о проблемах, из года в год в голову приходят первыми те, что из-за их постоянности начала считать "бичи фитмоста" - текучку, сложность найма, что приходится постоянно что-то где-то перестраивать, брать целые отделы и команды и что мы находимся в режиме постоянной сильной трансформации. И я на это ныла себе и другим, ну почему у нас так и почему это никак не удается поменять. А сейчас вошла в принятие и понимаю, что это не бичи, это наша шея нашего жирафа. Что да, мы показываем такой рост и это во многом как раз по причине этих самых "проблем". Что та же текучка, она потому что у нас многое быстро меняется, не всем комфортны темп и формат, и что мы сегодня такая компания. Что да, у нас сложный найм и кому-то в специфике фитмоста очень хорошо, а кому-то нет. А кому-то становится нет. Растет скорость, у людей параллельно меняются роли, появляются новые задачи, которые могут не нравиться или с которыми можно не справляться, что мы не всегда успеваем вырастить или кто-то не успевает вырасти. И это не всегда про то, что кто-то плохой. Иногда просто Фитмост перестает подходить человеку или человек перестает подходить Фитмосту на конкретном этапе. Так же часто и с процессами. Да, они где-то есть, где-то нет, где-то устарели, где-то уже не подходят под рост. Но много где они хороши. Одна из причин, что мы никогда не были избалованы инвестициями и большими бюджетами, не заливали проблемы деньгами, поэтому где-то делали фокус на одном, потом на другом, что-то проседало и шли исправлять это. Оставляли одни процессы и бежали бросать силы в то, где видели точки роста, из-за этого что-то страдало. Это наша норма, которая нас сформировала и тоже скорее хорошо, чем плохо. Большинство стартапов, доросших до наших размеров сожгли к тому времени гораздо больше, а многие сожгли больше и не дошли. Короче отпустила это все и приняла, что если мы жираф, который хочет продолжать переживать эволюцию, надо видеть причину почему это так, не бояться своей шеи, признать, что она не всегда удобна и не пытаться стать лошадью. Надо пробовать быть еще лучше жирафом, чем и занимаемся уже в этой половине года.

Поиск рычага через ключевой ракурс ❗️Одна из поздних миссий DLC Revelations, но спойлеры замазаны❗️ В какой-то момент под конец миссии я обнаружил, что на карте осталась неисследованная область. На (1) она покрыта тенью, а на (2) она расположена за высокой дверью справа. (3) Я подошёл к решётке, чтобы посмотреть содержимое комнаты. Никакой подсказки о том, как туда попасть я не увидел. Иногда в таких ситуациях можно увидеть луч света или проход, который ведёт в такой секрет и можно будет предположить с какой стороны в принципе вести поиск. (4) В соседнем помещении обнаружил окна. Было сложно было понять, открытые они или глухие. (5) Всё-таки глухие и непробиваемые. Зато мою гипотезу авторы наградили простенькой кат-сценой, которую можно увидеть только через эти окна. Было видно как стояло два транспорта и один из них поднялся в небо. Если проводить его взглядом, то можно увидеть эпичное сражение. Однако, детали. (6) Как только я развернулся меня осенило. Рядом с дверным проёмом что-то еле заметно мерцало. Что-то маленькое. Это оказался рычаг. Странно, что я раньше не додумался посмотреть здесь. Почему? Дело в том, что он расположен с учётом простого правила: при активации рычага, в этом же ракурсе должно быть видно последствие его использования. Этот ракурс для подобной секретки будет ключевым (от англ. key frame). Следуя этому правило можно посмотреть, есть ли на уровне место, удалённое от двери (например, не в том же помещении, что и дверь), но где эта дверь всё ещё будет видна. И тогда рычаг найдётся моментально. Обычно ключевыми ракурсами в левел-дизайне называют точки, где игрок принимает навигационное решение (меняет/выбирает путь) или где он получает одномоментно много новой информации (после входа в помещение, выхода на улицу и т.п.) Но для головоломок и секретов ключевым ракурсом я бы в том числе назвал тот, который сообщает о важной взаимосвязи элементов паззла и подсказывает дальнейшие шаги. #анализигр #левелдизайн #Doom

📖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