Пиковая мощность аккумулятора Geely Gold Brick EV достигла 1093 кВт Компания Geely объявила о новом достижении в области аккумуляторных технологий. Её батарея Aegis Gold Brick во время государственных испытаний в Китае впервые преодолела отметку в 1000 кВт мощности зарядки со стороны автомобиля. LFP-аккумулятор использует 900-вольтовую архитектуру и двухстороннее жидкостное охлаждение, что позволило удержать температуру в пределах допустимых 65°C даже при пиковой мощности. Ресурс батареи достигает 4500 полных циклов зарядки, что соответствует более чем 1 млн км пробега. https://hightech.plus/2026/07/09/pikovaya-moshnost-akkumulyatora-geely-gold-brick-ev-dostigla-1093-kvt

Мозг строится через разрывы ДНК Оказывается, чтобы построить здоровый мозг, клеткам приходится буквально рвать собственную ДНК и тут же её латать. Новое исследование в Nature показывает: это норма, а не поломка. Разберёмся по порядку. Когда мозг формируется, свежие нервные клетки не сидят на месте — они протискиваются сквозь плотно набитую ткань к точкам, где станут частью нейронных сетей. И вот это путешествие обходится им недёшево. Учёные из Киотского университета воссоздали такой путь в лаборатории — прогнали нейроны через микроскопические каналы, имитирующие узкие проходы в растущем мозге. Пока клетка протискивалась, флуоресцентные метки подсвечивали в ней разрывы ДНК. Причём не абы какие, а двухцепочечные — когда перерезаны обе нити двойной спирали. Это один из самых опасных типов повреждений: он может привести к мутациям и даже к гибели клетки. Но самое интересное — что было дальше. Стоило нейрону завершить путь, как сигналы повреждений начинали гаснуть. Большую часть разрывов клетка зашивала в течение суток и продолжала работать как ни в чём не бывало. Откуда вообще берётся поломка? Виновник — фермент топоизомераза IIβ. В обычной жизни он делает временные надрезы на ДНК, чтобы снять накопившееся скручивание — примерно как разрезать перекрученный провод, дать ему раскрутиться и соединить обратно. Но под давлением, когда клетка протискивается через тесноту, фермент порой застревает, не успев довести дело до конца. Остаются разорванные концы, которые клетка потом сшивает специальным ремонтным механизмом. У нейронов разрывы приходятся в основном на «неважные» участки генома. А вот у раковых клеток в тех же условиях повреждения случайны и часто бьют по значимым генам — потому и ведут к сбоям. Что будет, если ремонт откажет? Учёные вывели мышей, у которых в нейронах мозжечка не хватало фермента починки. Внешне зверьки развивались нормально, но к ранней взрослости у них появлялись лёгкие проблемы с равновесием — как при человеческих синдромах нестабильности генома. @vselennayaplus

Вот вам пример того, как крупняк сейчас использует сетевой эффект при создании продуктов. Первыми такую карту создали энтузиасты, но она была UGC, а Яндекс, Сбер и Тиньков заюзали bigdata и получили лУчший результат за счёт автоматически собираемых пользовательских данных.

Система анализирует обезличенные транзакции более 100 млн клиентов банка. Это позволяет определить точное время совершения последней транзакции по карте. Сервис создан, чтобы избавить водителей от стресса и лишних разъездов в поисках заправки. В ближайшее время функционал расширят: на карте начнет отображаться загруженность станций и наличие конкретных марок топлива.

Источник Какова мораль? Мораль в том, что UGC сейчас переживает непростые времена. Я бы сказал, что очень непростые. Стоимость контента падает, стоимость внимания и тем более, вклада людей (нажать кнопочку в аппе, нанести точку на карте, написать пост) чудовищно выросла. Я бы оценил инфляцию примерно как x5-x10 за последние 10 лет, т.е. стоимость ЛЮБОГО действия и потраченного времени живого человека выросли до 10 раз, а вот стоимость всего, что можно собирать автоматизированно, т.е. "цифрового следа" и контента — упала в те же 10. Практический вывод: Если у вас есть аудитория или сообщество, контентная модель больше сама себя и вас не прокормит. Нужно думать про глубокое вовлечение. Потому что крупняк вовлечение такое не соберет, зато всё остальное — легко и просто. Вывезти может только более глубокий уровень доверия к вам и внутри аудитории.

Anthropic запустила в бета-версии дашборд «рефлексии» для Claude: пользователи планов Free, Pro и Max смогут посмотреть, на какие задачи и темы уходили их чаты за период от 1 до 12 месяцев, настроить «тихие часы» и напоминания о перерывах. Отчёт также оценивает навыки работы с AI по четырём измерениям — делегирование, описание задач, критическая оценка результатов и ответственность — и даёт практические рекомендации. Инкогнито-чаты и содержимое подключённых инструментов в анализ не попадают, а разговоры через интеграции со сферой здоровья исключены полностью. Отчёт генерируется только у пользователей с включённой функцией памяти, что естественно. Можно расценивать это как призыв включать память, чтобы Anthropic было удобно. https://www.anthropic.com/news/reflect-with-claude

Motion Previs Studio v4 Это автономное настольное приложение, предназначенное для преобразования исходных видео в наборы данных для превизов и референсов. Оно разработано для режиссеров, которым требуется большая точность перед генерацией видео. Можно выбрать эталонный кадр, извлечь данные о позе, глубине, движении камеры, масках, краях и управляющих слоях, а затем экспортировать данные для Seedance, ComfyUI, Blender, Runway, Kling и других. Автор - 25 лет в индустрии кино и рекламы. С кем только не работал. А потом свичнулся в Creative Technologist and AI Systems Architect. У него два софта: https://github.com/wassermanproductions/motion-previs-studio https://github.com/wassermanproductions/blockout Второй - это как раз блокаут для нейрорендера, о котором я так люблю писать. Причем для обоих софтов есть MCP. Почитайте твиттор Сэма, там есть туторы. https://x.com/SamJWasserman Софт непростой - но а как вы хотели? Видео - это вам не картинки (возвращаясь в начало марафона). В общем, процесс пошел, и потихоньку появляются профессиональные софты для превиза, рефов, режиссуры. @cgevent

Мы с моим железным другом на серверах в Калифорнии (с) сделали ревью. Краткое объяснение: что планируется изменить и какие проблемы закон принесет российскому обществу Что планируется изменить в законодательстве: Государство берет под жесткий контроль сферу генеративного искусственного интеллекта (нейросетей). Вводится юридическое разделение моделей на "свои" (суверенные/национальные) и "чужие" (зарубежные). Будет создан реестр одобренных моделей, а их алгоритмы начнут принудительно тестировать на предмет соответствия государственной идеологии и "традиционным ценностям". В чувствительных секторах (государственное управление, банки, финансовые рынки, критическая инфраструктура) использование иностранных ИИ-решений будет полностью запрещено. Проблемы, которые закон принесет российскому обществу: * Цензура и идеологизация технологий: Обязательная проверка ИИ на соответствие традиционным ценностям (таким как приоритет духовного над материальным, коллективизм и т.д.) приведет к искусственному ограничению ответов нейросетей. Российские ИИ-системы будут выдавать политически отцензурированную и идеологически "правильную" информацию, что снизит качество их работы как справочных и аналитических инструментов для граждан. * Технологическое отставание и изоляция: Ограничение или полный запрет на использование передовых мировых моделей (ChatGPT, Claude, Gemini, DeepSeek) в экономике и банковском секторе лишит бизнес и исследователей доступа к лучшим глобальным инструментам. Российские суверенные модели могут развиваться медленнее из-за нехватки вычислительных мощностей и изоляции, что увеличит общий технологический разрыв между РФ и остальным миром. * Монополизация рынка ИИ: Мелкие стартапы и независимые разработчики вряд ли смогут пройти сложные и дорогостоящие процедуры госпроверки на "суверенность" и получить доступ к государственным дата-сетам для обучения. Рынок будет полностью поделен между несколькими окологосударственными гигантами (Сбер, Яндекс и т.д.), что уничтожит конкуренцию, снизит стимулы к инновациям и повысит стоимость ИИ-сервисов для конечных пользователей. * Угроза конфиденциальности данных: Закон открывает ИИ-моделям корпораций доступ к федеральным информационным системам и базам данных госучреждений для обучения. Это создает дополнительные риски масштабных утечек персональных и чувствительных данных граждан, которые будут обрабатываться коммерческими структурами в процессе дообучения нейросетей.

Синдром самозванца «Егор написал, что продакт должен приносить бабки, а я отвечаю за онбординг.» «Я чудом прошла интервью и они не успели понять, что мне не хватает опыта.» «Ну все, теперь все точно поймут, что мне тут не место.» Первая хорошая новость: все это испытывают. В том числе я. Причем в 30 я испытывал его чаще, чем в 20, несмотря на разницу в 10 лет опыта. Вторая хорошая новость: ты точно с этим справишься, дружище. 1. Если у тебя есть синдром самозванца, значит ты умный. Ты понимаешь, что тебе не хватает каких-то знаний. А раз умный - можешь составить план как эти знания получить. 2. Будь четким. Ты же не говоришь на работе «все плохо». Ты говоришь «у нас 70% пользователей отключают пуши». Понимаешь в чем ты плох - понимаешь какую задачу решаешь. 3. Нормально не уметь всё. Особенно, если ты руководитель. Не разбираешься в маркетинге - найми того, кто разбирается. 4. Используй свою силу. Если ты плох в письменной коммуникации - звони и встречайся лично. Если ты классно чувствуешь пользователя, но не понимаешь технические детали - работай с тем, кто понимает. Только ты решаешь, какой твой стиль менеджмента. Нет правильного или не правильного. 5. Ошибаться нормально. Маск как-то написал: «В ближайшие месяцы мы сделаем кучу тупых вещей. Оставим то, что будет работать и поменяем то, что не будет». Если один из величайших людей поколения говорит об этом, не знаю какой еще аргумент тебе нужен. У тебя не синдром самозванца. У тебя есть возможность стать лучше. Обнимаю.

На ICML 2026 только и разговоров, что о GRPO Что ещё привезли на конференцию авторы постерных докладов, рассказываем в новом обзоре! Multi-Agent Teams Hold Experts Back Забавная статья: авторы утверждают, что мультиагентная команда может портить результаты одного эксперта. Агенты скорее ищут компромисс, а не лучший ответ, и не слушаются эксперта, даже если обозначить его в промпте. Люди тоже склонны к такому поведению, но не так сильно, как LLM. AgentSuite: Toward More Reliable Agent Evaluation with a Component-Based Benchmark Auditing Pipeline Пайплайн для очистки и правки агентских бенчей. Сделали хорошую таксономию ошибок, подобрали judge'eй для поиска и исправления. Хорошо согласовано с людьми, находило много ошибок в первых версиях τ-бенча. Подходит для проверки запуска агентских бенчей и фильтрации траекторий. FormulaCode: Evaluating Agentic Optimization on Large Codebases Намайнили 900 задач на оптимизацию скорости из 245K пул-реквестов в 70+ научных Python-репозиториях. Фильтровали эвристиками, LLM, а потом и людьми. Для каждой задачи сделали снэпшот репозитория, экспертный патч и кучу нагрузочных ворклоадов. Модель должна ускорять код, не сломав корректность (по юниттестам). Условно, ей задают какие из 50+ метрик можно замерять или ускорять, а она должна решить, что оптимизирует. Скор — Δ% против человеческого патча, то есть, многокритерийные градации вместо бинарного вердикта. Даже топовым моделям тяжеловато его проходить. Scaling Long-Horizon LLM Agent via Context-Folding Ресёрчеры из ByteDance и Стэнфорда решают проблему контекста в задачах deepsearch. Предлагают сделать что-то вроде селф-субагента, который называют Context Folding. Модели для этого дают два тула: Branch и return. Модель может уйти в ветку, дёргать тулы, потом вернуться из бранча и сбросить сделанный там контекст. Это позволяет неявно хендлить модели миллионы токенов и не переполняться. Все бенчи растут, +8 на BrowseCompPlus. При этом решение имплементируется гораздо легче, чем субагенты. Accordion-Thinking: Self-Regulated Step Summaries for Efficient and Readable LLM Reasoning Авторы снижают затраты на инференс ризонящих моделей за счёт периодической суммаризации рассуждений. Модель генерирует кусок ризонинга в обычном режиме, пишет к нему короткое саммари с выводами, затем исходный ризонинг выкидывается, и дальше модель ризонит, опираясь только на саммари. Замерялись на математических бенчах, так как в таких задачах ризонинг хорошо разбивается на отдельные логические блоки. Для сбора SFT-датасета брали OpenR1-Math-220k и переписывали рассуждения DeepSeek так, чтобы они были разбиты на блоки с саммари. Репортят ускорение в 3–4 раза относительно аналогичной модели с unfold-ризонингом без просадки pass@1. Привезли фото и впечатления ❣ Иван Дёгтев, Ирина Барская, Тимофей Смирнов, Михаил Коновалов #YaICML2026 Душный NLP