Но это слухи — мелочь по сравнению с другими слухами, о которых я вам сейчас расскажу. — GPT-5.6 станет последней моделью в серии 5.x. Выпуск GPT-6 запланирован примерно через месяц — раньше, чем ожидалось, и даже возможно, что анонс состоится уже в конце этого месяца. — GPT-6 будет основана на новой, значительно более масштабной базовой модели (в отличие от базовой модели «Spud» для 5.5/5.6). — В OpenAI с большим энтузиазмом относятся к этой новой базовой модели: они считают, что она сможет гораздо успешнее конкурировать как с Fable 5, так и с грядущей версией 5.1, релиз которых намечен примерно на то же время. Изначально OpenAI планировала использовать базу Spud и при создании GPT-6, но в итоге отказалась от этой идеи. — Что касается Fable 5.1, она находится на последних стадиях тестирования, и её выход ожидается «в ближайшие недели». — «Однако, когда я говорю «модель анонсируют», это может означать не массовый запуск, потому что правительство может сдерживать выпуск GPT-6, по крайней мере в самом начале». === С одной стороны это — слухи, и даже не от самых крупных инсайдеров. Да, Leo отмечался парой удачных предсказаний/пересказов того, о чем широкая общественность узнавала на пару дней позже. Твиты от Andrew Curran почти всегда пересказ новостей со ссылками на источники, поэтому в буллшите он не был замечен. С другой стороны описание выглядит правдоподобно: Mythos был впервые официально анонсирован ровно 3 месяца назад, и OpenAI уже в тот момент должны были понять (если не понимали или сомневались раньше), что модели имеет смысл масштабировать дальше, делать дороже, лучше, больше. 5.5 — это новая базовая модель, причём не просто «ну мы поучили с нуля», а «в неё вошли уроки, полученные нами за последние 2 года». Если это не пустая фраза представителей компании, а реальное положение дел (что может быть правдой — Dylan из SemiAnalysis говорил, что OpenAI отстали по претрейну и очень долго сидели на GPT-4o, и что даже GPT-5 была очень близка к ней). Но тогда выходит, что 5.5 это валидация подхода, и теперь его можно масштабировать дальше. Несмотря на то, что GPT-5.6 выходит только сегодня, техлид Next.js из Vercel и ключевой разработчик NextJs Tim Neutkens написал, что им модель была доступна уже 2 месяца, то есть через 2 недели после публичного релиза GPT-5.5. Я не вижу смысла ему врать, ну может округлил 7.5 недель до 2 месяцев, окей. А чем OpenAI тогда занимались последние 2 месяца? При том что они понимали, что им нечем (пока) ответить на Fable? В общем комбинация ситуации OpenAI <-> Anthropic и таймлайны выпуска моделей действительно подталкивают к тому, что OpenAI должны разрабатывать более крупную модель, чтобы не отставать, в этом я не сомневаюсь. Но готова ли она к анонсу через месяц? Скорее да, чем нет — иначе уж слишком большой отрыв будет между Fable 5.1 и GPT-5.6 Sol. Мощности у OpenAI для обучения точно есть. А вот назовут ли её GPT-6 — тут только гадать 🤷‍♂️ но если модель качественно лучше и использует новую базу, то почему нет? === Несмотря на всё написанное выше я всё равно отношусь скептически к этому слуху, но также вижу и основания для того, чтобы это оказалось правдой. Неужели мы получим GPT-6 до GTA VI???

TG-RAG: A Retrieval-Augmented Framework for Reasoning Guidance in Specialized Domains Продолжаем рассказывать об интересных работах с ICML 2026. Сегодня наш коллега, Сергей Юдин, разберёт статью о том, как справляться с когнитивным дрейфом больших моделей.

Большие рассуждающие модели (типа DeepSeek) хорошо думают «в общем», но буксуют в финансах, медицине, юриспруденции и других областях, где нужно строго следовать регламенту, SOP или стандартной операционной процедуре. Проблема в том, что на длинных цепочках рассуждений модель «сползает»: пропускает шаги, придумывает свои, отвлекается. Авторы называют это Cognitive Drift («когнитивный дрейф»). Обычные способы лечить этот дрейф работают плохо. Если запихнуть инструкцию в промпт, то модель следует ей только на первых шагах, но по ходу длинного рассуждения эффект уменьшается. Дообучать модель дорого и негибко, а знания быстро устаревают. Даже классический RAG подкидывает регламент как «справочный текст рядом» — то есть как совет, который модель вольна проигнорировать. Идея авторов TG-RAG — не советовать модели, а встраивать нужный шаг прямо в поток рассуждения в момент, когда это нужно. Модель думает шаг → система её останавливает → смотрит, где модель находится в регламенте → подсовывает следующую директиву прямо внутрь рассуждения → модель продолжает. И так до конца задачи. Директива становится более жёстким ограничением, от которого модели трудно отклониться.

#YaICML2026 Душный NLP

🪱 Можно ли съесть чужую память? Звучит как биопанк на VHS, но у этой идеи есть реальная научная родословная: планарии, 1960-е, свет, ток, пюре из обученных червей и Джеймс Макконнелл, который превратил сомнительную нейробиологию в национальное шоу. Схема была почти павловская. Червю показывают вспышку света, потом бьют током. После повторов он якобы начинает скукоживаться уже на свет — предсказывать удар. Дальше Макконнелл резал обученных планарий пополам и ждал, пока из хвоста вырастет новая голова. И, по его данным, память оставалась. Не только в половине с прежней головой, что ещё можно было бы уложить в мозг, а в хвосте, который отрастил себе новый мозг с нуля. След памяти будто был разложен по всему телу. Потом начался режим professor burger. Обученных червей перемалывали и скармливали необученным. «Каннибалы» якобы начинали реагировать быстрее, чем должны были научиться сами. Если память — молекулярная запись, энграмма, то почему бы её не съесть? Артур Кёстлер написал об этом убийственно точно: «Here the metaphor became flesh» — метафора стала плотью. Макконнелл был не просто учёным, а отдельным жанром. В прессе он продавал «таблетки с уроками пианино» и «бургеры с профессорами», называл себя McCannibal и издавал The Worm Runner’s Digest — полунаучный, полусатирический журнал. На гербе — двухголовая планария, девиз: ignotum per ignotius, «неизвестное объясняется ещё более неизвестным». Это выглядело как фарс, но вопрос внутри был не тупой. Планария — почти идеальный демон для философии памяти. Её можно разрезать, и из маленького фрагмента вырастет взрослый червь. Если поведение возвращается вместе с новой головой, то где оно было записано? В синапсах старого мозга? В химии тканей? В регенеративной программе тела? Команда Сэма Гершмана в Гарварде попыталась повторить старые опыты. И случился казус: они ожидали, что рухнет перенос памяти, а рухнуло самое начало. Современные планарии просто не захотели обучаться. Не помогли лабораторные штаммы, дикие черви из реки Чарльз, Орегона и Мичигана, старые приборы. Черви нашлись. Магия — нет. Скучное объяснение: в 1960-е иначе считывали поведение и принимали обычный поворот за защитное скручивание. Сомнительные гипотезы: изменились планарии, вода, микробиом, лабораторная среда. Самый неприятный вариант — эффект зависел от нечёткостидеталей протокола: лампы, температуры, электромагнитного шума, состава воды, стресса. Но история не закончилась. Просто сменила червя. В 2018 году Дэвид Гланцман переносил сенситизацию у морского слизня Aplysia через инъекцию РНК. В 2021-м группа Колин Мёрфи показала, что C. elegans может научиться избегать патогенной бактерии после контакта с лизатом обученных червей; там всплыл Cer1 — вирусоподобный ретротранспозон, который переносит не «картинку воспоминания», а поведенческую установку. Потом появились работы про внеклеточные везикулы: липидные пузырьки, через которые один червь может перенастраивать другого. Вот тут важно не съехать в эзотерику. Никто не скачивает чужую автобиографию как файл. Скорее, организм получает низкоразмерный биологический пресет: подкручивает сенсорные пороги, рецепторы, стрессовые контуры, моторную готовность. Не «я помню, как отравился в этом ресторане», а «этот запах теперь подозрителен». Мы привыкли думать о памяти как об архиве внутри головы. Но у живого тела много памятей. Иммунная система помнит патогены. Ткань помнит повреждение. Клетка помнит состояние через эпигенетику и РНК-контуры. Нервная система, возможно, не единственное хранилище, а быстрый интерфейс более древней способности: сохранять след взаимодействия и менять будущую реакцию.

Диабет: удар не по сахару, а по причине Уже больше века диабет 1 типа держат под контролем инсулином. Проблема в том, что инсулин лишь заменяет то, что организм перестал вырабатывать, но не останавливает саму атаку: при этой болезни иммунная система по ошибке уничтожает бета-клетки поджелудочной, которые и производят гормон. Учёные из Медицинского университета Южной Каролины попробовали не подменять инсулин, а перенастроить сам иммунитет. И у мышей с недавно начавшимся диабетом болезнь удалось обратить вспять! В основе — мезенхимальные стволовые клетки (МСК): взрослые клетки, которые умеют чинить ткани и успокаивать иммунитет. Их уже пробовали при диабете, но воспаление часто «задавливало» такие клетки раньше, чем они успевали помочь. Чтобы сделать их выносливее, команда встроила ген , который защищает от воспаления. Получившиеся клетки бьют сразу по двум фронтам: оберегают уцелевшие бета-клетки и одновременно гасят избыточную иммунную атаку. Самое неожиданное — стойкость эффекта. Сами введённые клетки исчезают из тела за часы-дни, но перестройка иммунитета остаётся: по опыту клинических испытаний с МСК, результат может держаться от полугода до двух лет. Похоже, клетки успевают выделить некие микроскопические факторы, которые продолжают защищать орган и после их ухода. Пока это опыты на мышах и ранний этап, спешить с выводами рано. Но подход уже проверяют в клиническом испытании у людей с недавно выявленным диабетом 1 типа, а в перспективе тем же способом надеются подступиться к волчанке и хроническому панкреатиту. @vselennayaplus

🎯 Теневая сторона успеха Успех далеко не всегда выглядит так, как его рисуют мотивационные блоги или известные тренеры. Часто он сопровождается чувством одиночества. Когда достигаешь высоких вершин, становится всё труднее понимать, кто рядом с тобой искренне, а кто — из корысти. Многие достижения строятся не только на таланте. Умение заводить нужные знакомства и поддерживать отношения зачастую открывает больше дверей, чем просто профессионализм. Самостоятельный путь — это миф. Даже если кажется, что всё сделано своими руками, на самом деле на каждом этапе рядом были люди, которые сыграли важную роль. И наконец, успех нельзя скопировать. То, что сработало однажды для одного человека, может оказаться бесполезным для другого — особенно в мире, который меняется стремительно и непредсказуемо. Фаундер | Бизнес и Стартапы

Китайские исследователи заставили кабели HDMI и старые шнуры VGA работать как радиопередатчики и тащить файлы с отключённых от сети машин. Атака TrojPix транслирует сигнал на частоте 20 МГц и передаёт 100 МБ данных менее чем за 2 минуты, превосходя скорость прошлых экспериментов в 27 раз. Внешний сканер ловит радиосигнал на открытом пространстве с расстояния 208 метров. Бетонная стена сокращает дистанцию до 10 метров и позволяет расшифровывать данные с точностью 99%. Код программно имитирует выключенный дисплей или заставляет пиксели незаметно пульсировать поверх привычной картинки рабочего стола. Во время слепых тестов 50 человек непрерывно смотрели в монитор и не замечали никаких аномалий. Метод работает на 9 брендах мониторов и 15 типах видеокабелей. Экранирующая оплётка шнура лишь слегка глушит радиосигнал и оставляет результативность атаки на отметке 91%. Защитить компьютер поможет оптоволокно вместо медных проводов или полноценная клетка Фарадея. Инженеры советуют программно сглаживать пиксели и хаотично менять кадры.

SWE-Bench Pro умер и больше не подходит для измерения моделей, – расследование OpenAI Некоторое время назад OpenAI выпустили статью, в которой заявили, что один из самых популярных бенчмарков для оценки способностй моделей в кодинге – SWE-bench Verified – больше не работает. Они нашли в нем кучу проблем, сказали, что результаты на нем мало чего стоят, и призвали всех переходить на SWE-Bench Pro. Подробности вот: t.me/data_secrets/8779. Это было в конце февраля, менее 5 месяцев назад. И угадайте, что? Сейчас OpenAI объявили, что провели аналогичный тест для SWE-Bench Pro, и он... тоже оказался сломан. В случае с SWE-bench Verified основная проблема состояла в том, что модели воспроизводят решения "по памяти" из-за утечек задач в обучающие датасеты. Здесь же проблема скорее в самих задачах. Дело в том, что issues и PR из опенсорсных репозиториев изначально создавались для человеческого сотрудничества через долгие переписки и уточнения, а вовсе не как изолированные, чистые задачи для оценки моделей. В частности, всплыли такие проблемы: – Слишком строгие тесты, которые навязывают конкретные детали реализации, не указанные в условии задачи, из-за чего множество функционально корректных решений отбраковываются. – Тесты с низким покрытием, которые, наоборот, недостаточно проверяют запрошенную функциональность, из-за чего неполные решения все равно проходят. – Вводящие в заблуждение условия, которые направляют модель к неверному поведению или прямо противоречат тому, что требуют тесты. OpenAI оценивает, что примерно 30% задач SWE-Bench Pro сломаны (автоматический пайплайн проверки пометил как испорченные 200 задач, а кампания ручной аннотации людьми – 249 задач, то есть 34,1%). Когда 1/3 задач бенчмарка – с такими ошибками в условиях, доверять ему сложно, поэтому OpenAI формально отзывает свою прежнюю рекомендацию использовать SWE-Bench Pro и "надеется, что сообщество разработает новые бенчмарки, созданные специально для тестирования возможностей моделей". openai.com/index/separating-signal-from-noise-coding-evaluations/

Как личный бренд и интеллектуальная собственность заставили Disney отступить Я большой поклонник мультфильма «Моана»(2016) — истории о дочери вождя, которая решается отправиться за пределы рифа, найти Мауи и спасти свой остров. В этом июле Disney также выпустила ремейк, и я тоже планирую его посмотреть. Меня удивило, что в Испании, Италии, Германии, Франции и ряде других европейских стран фильм называется «Vaiana». Почему Disney изменила название? Причина — Моана Поцци, итальянская актриса, порно-звезда, телеведущая, модель, писательница и политик. В 1980-х и начале 1990-х годов она стала одной из самых узнаваемых фигур итальянской поп-культуры, а её известность вышла далеко за пределы индустрии развлечений для взрослых. Эта история напомнила мне о победе Давида над Голиафом. The Walt Disney Company с рыночной капитализацией в $168 млрд была вынуждена отказаться от использования названия из-за силы личного бренда этой леди и связанных с ним прав интеллектуальной собственности. Это хорошее напоминание о том, что одних финансовых ресурсов недостаточно, чтобы побеждать на рынке. Именно поэтому так важно иметь нечестное конкурентное преимущество. Какие интересные бизнес-кейсы вдохновили вас? Поделитесь ими в комментариях.

Вот он, настоящий киберпанк Мы тут радостно смотрели, как робаты прыгают сальтухи или разбирают посудомойку. И гоготали, когда они падали на сцене или сходили с ума. Ибо кожаные их так научили. Теперь все наоборот. ИИ говорит кожаному, что делать, и кожаный послушно делает: играет на пианино(хотя не умеет), рисует прямые линии (хотя криворукий по жизни), играет в камень-ножницы-бумага как ему говорит электрический сигнал (дилеры в казино - тема). Короче, теперь кожаный превращается в робата, а его мышцы в приводы. Используется Electrical Muscle Stimulation, EMS - электрическая стимуляция мышц. Как работает этот Human Operator: Камера на голове видит сцену от первого лица. Пользователь произносит команду, например: «Помоги сыграть мелодию». Изображение и команда отправляются в ИИ через Claude API. Модель выбирает последовательность доступных движений: указательный палец, средний палец, большой палец, движение запястья и так далее. Компьютер превращает план в команды с временными метками. Arduino и плата реле подключают нужный канал EMS. Электроды стимулируют соответствующую мышцу, и палец нажимает клавишу. И это не MIT как взвизгивает твиттор, а прототип, созданный командой из всего шести участников на 48(!)-часовом хакатоне MIT Hard Mode 2026. Он победил в категории Learn Track. А дальше мы с вами представляем костюм Айрон Мена, когда вся поверхность отдана под управление. Шутки про nsfw - отставить! Короче, кожаные тренируют робатов, а ИИ - кожаных. Ну и правда, зачем 7 лет ходить в музыкалку - надел перчатки и ну лабать на свадьбах и похоронах! https://humanoperator.org/ @cgevent

🤔 Как попасть в черный список ЦБ и выйти из него — кейс Get-Investor После вчерашнего поста про то, что инвесткомпания Impact Capital попала в черный список ЦБ, основательница сервиса Get-Investor Наталья Джораева прислала мне статью про их кейс. Get-Investor тоже попал в черный список, но смог оттуда выбраться. Статья: https://t-j.ru/sait-v-chernom-spiske/ Важная ремарка. Причины попадания в черный список могут быть разные. За что конкретно туда попал Impact Capital, неизвестно. И эти кейсы не очень правильно сравнивать как раз из-за причин — их нужно рассматривать отдельно. Get-Investor — это, по сути, база инвесторов с тематическими статьями, а еще консалтинговый сервис для предпринимателей и инвесторов. И 1 апреля этого года его основательница Наталья Джораева обнаружила, что сайт заблокирован из-за того, что за день до этого он попал в тот самый «Список компаний с выявленными признаками нелегальной деятельности на финансовом рынке». В чем причина? Оказалось, что у Get-Invest была страница-витрина с подборкой стартапов, которые планируют привлечение инвестиций. И эта страница по обновленному закону «О защите прав и законных интересов инвесторов на рынке ценных бумаг» квалифицировалась как один из видов публичной оферты, адресованной неопределенному кругу лиц. А это запрещено. Никаких уведомлений заранее нет. Как пишет Джораева, автоматизированный фильтр срабатывает по внешним признакам — а разбирательство по существу происходит уже постфактум, после обращения владельца ресурса. Большинства юристов и финансистов, с которыми общалась Джораева, говорили, что из этого списка нельзя выйти. Но она решила попробовать. Путь такой: — удаление страницы (причем по собственной догадке, ЦБ не указывал на эту страницу); — письма в ЦБ и Роскомнадзор с пояснениями и подтверждением деловой репутации; — Поднятие скорректированный версии сайта по временной ссылке, чтобы в ЦБ могли оценить. — ЦБ через месяц одобрил новую версию сайта, а еще через месяц Роскомнадзор возобновил доступ к ресурсу. На все ушло три(!) месяца. Но еще есть побочка. После попадания в этот черный список банки автоматически начинают приходить с проверками в рамках закона «О противодействии отмыванию денег». От себя: Радует, конечно, что есть кейс с исключением из списка. Но для медийного ресурса остаться на три(!!) месяца без сайта — это очень жестко. А еще теперь не очень понятна легальность той же рубрики «О мой питч», где вы рассказываете о своих проектах и ищете инвестиции. И непонятно, как писать новости о том, что какой-то стартап собирается привлечь раунд или займ. При этом Telegram-каналы в этом списке уже есть. @TheEdinorogBlog — тот самый канал про стартапы🦄

Что-то в последнее время я всё чаще вижу статьи о том, что нейронки вообще-то должны были помогать человечеству, а на деле загоняют нас куда-то не туда. Типа мы должны были работать меньше — а работаем больше. Должны были деливерить быстрее — а по ощущениям скорость всё та же. 🤔 И у меня, честно, двоякие мысли по этому поводу. С одной стороны, я действительно на себе ощущаю эту штуку, когда у тебя есть целая армия агентов, и ты вместо того, чтобы работать меньше, начинаешь работать больше. Потому что это очень сильно затягивает. 🤷‍♂️ Ты видишь эту скорость и такой: — О, я могу ещё вот это реализовать — А ещё вот эту задачу закрыть — А у меня же был проект, который я забросил, потому что не было времени. Сейчас можно и его сделать И ты попадаешь в петлю бесконечной работы. 😩 Потому что скучную, рутинную, неинтересную часть теперь может сделать кто-то другой. А ты как визионер просто говоришь: идём вот в этом направлении. И получается парадокс: работать мы стали больше. 🤔 С другой стороны, я вроде как НЕ вижу какого-то сильного увеличения скорости закрытия задач. На работе я всё так же укладываюсь в оценку, которую ставлю на задачи. И оцениваю я их примерно так же, как и до LLM-эры. Но потом я немного посмотрел на это ретроспективно. Пооткрывал старые задачи, вспомнил, как это было раньше, и понял, что это ощущение, скорее всего, ложное. Оно появляется из-за того, что пока агент выполняет задачу, я могу отвлечься и сделать параллельно что-то ещё. 😅 Из-за этого время выполнения как будто растягивается. И ты такой: «Ну, быстрее вроде не стало». А на самом деле стало. Например, создание какого-то нового экрана в приложении раньше у меня могло занимать до недели. Сейчас я могу сделать экран меньше чем за день. 🤯 Просто потому что нейронка напишет большую часть рутинного кода, и мне не нужно будет тратить на это время. 🤷‍♂️ То есть, с одной стороны, ускорение есть. С другой стороны, из-за того, что тратится время на генерацию, ты отвлекаешься. И все ускорение нивелируется тем, что ты начинаешь размазывать фокус. 🤔 Получается странная штука. Технология вроде крутая, она правда ускоряет, она правда помогает. Но либо мы ещё не научились пользоваться ей так, чтобы она была нам не во вред а в пользу, либо это как со сладким: вроде вкусно и полезно, но если много съесть — то вредно. 😅 Какие-то такие мысли. Вывода у меня нет, просто делюсь горячими мыслями. Если у вас есть свои наблюдения — давайте в комментариях пообсуждаем. Помогают нейронки или делают только хуже? Свята место | 10МДК | ВЕБМастер | YHub