GPT 5.6 Sol Ultra - ну, за трехмещегов! Открываем новый chatGPT, берем Sol Ultra и пишем: "Попробуй построить городской пейзаж, сочетающий архитектуру эпохи Эдо, киберпанк и псевдозападную архитектуру. Пусть в городе будут как одноэтажные здания, так и высотные небоскрёбы. Удели внимание даже мелким деталям, например торговым автоматам. Времени можно потратить сколько угодно. Создайте командой городской пейзаж максимально высокого качества. Перед началом моделирования найдите в интернете чертежи и информацию об устройстве синтоистских храмов и современных зданий, а также изучите способы их строительства и подходящие текстуры. Не беспокойтесь о расходе кредитов - главное создать городской пейзаж высочайшего уровня. На объектах должны быть заметны следы старения и повреждения, а вся сцена должна быть выдержана в единой цветовой тональности. Нужен максимально реалистичный и готовый к немедленному использованию городской набор. Не создавайте всё сразу одним блоком - делайте каждый ассет отдельно, один за другим. Пожалуйста, создайте работу мирового уровня, как профессиональный 3D-художник." Уходите на три часа. chatGPT + MCP пишет код на Python для Blender, самостоятельно делает снимки в Blender, проверяет результат и продолжает работу. Если написать "generate the texture with image generation too" будет дольше, но тоже работает. Возвращаетесь и видите: «Работал 2 часа 51 минуту.» «Я закончил. В открытом сейчас Blender уже загружена финальная версия мастер-сцены города.» Ну ладно, давайте пока за архвиз. С персонажкой надо еще разобраться. Сорс - там про токены есть скрины. @cgevent

Малышева вздрогнула, когда узнала… Проблема такая: вы отравились пирожком из Пятерки, но ради отравления к врачу не пойдёте — зато будете гуглить, как лечиться. Всё закончится тем, что в аптеке вам продадут волшебный мульти-комплекс «Говно-Плюс», и лучше вам от него не станет. Чтобы узнать, как лечиться, придется найти официальные клинические рекомендации, потом по каждому лекарству прочитать РКИ, убедиться, что они опубликованы в нормальном издании, посмотреть рецензии, бла-бла-бла. Естественно, вы никогда не будете этим заниматься. А можно написать в Клод: «разбери мне препарат Х, найди актуальные РКИ за последние 5 лет, скажи есть ли доказательная база, не учитывай маркетинговые материалы». Клодик за вас почитает Cochrane, пороется в PubMed, вытащит клинические рекомендации. Через 15 минут отчет: «доказательная база отсутствует, зарегистрирован как БАД в РФ, EMA и FDA не одобряли, единственное РКИ проведено производителем в 2011 году на 60 пациентах, вот ссылки». Использую по любому чиху: 1) Стоит ли вообще пить/колоть/мазать препарат X 2) Что реально работает при N симптомах - только официальные протоколы и клин. рекомендации 3) Сравнить два препарата, которые прописали «на выбор» 4) Разобрать анализы 5) Найти действенные процедуры — для косметологии самое то. Я благодаря Клоду узнала, какой лазер убирает пигментные пятна с лица за 2 процедуры. Важно: все это мы делаем в режим /deep search. Тогда Клод будет спорить сам с собой — выдвигает тезис, потом идёт искать, что этот тезис опровергает, находит контр-исследование, сопоставляет и только после этого выдаёт вывод.

🧑‍⚖️ AI-галлюцинации в судебных делах — статистика год спустя Про Дамьена Шарлотина я вам рассказывал чуть больше года назад. Он собирает случаи с AI-косяками в судебных делах разных стран. И тогда я удивлялся, что подобных кейсов больше сотни. Это казалось много. Спустя год коллекция Шарлотина выросла в 12(!) раз. Что значит AI-галлюцинация в суде? Например, AI добавляет в документы несуществующие цитаты или ссылается на дела, которых вообще никогда не было. И вот Шарлотин ищет такие кейсы и собирает у себя на сайте. Голубая линия на графике — это суммарное количество случаев с зафиксированными AI-галлюцинациями. В июне 2025, когда я писал первый пост, их было 138. По итогам второго квартала 2026-го, таких кейсов было уже 1720. Рост в 12 раз. Фиолетовая линия на графике — число кейсов по кварталам. И там есть любопытная тенденция. Количество выявленных AI-галлюцинаций стало уменьшаться. Правда, только в последнем квартале. Почему так может быть? Например, стали меньше использовать AI, что вряд ли. Или судьи стали пропускать галлюцинации, что тоже так себе объяснение. Вероятнее всего, AI прокачался или участники стали лучше проверять материалы. Или просто еще не все решения, принятые в том квартале, опубликованы. Кстати, по статистике Шарлотина, сильно чаще AI-галлюцинации встречаются в делах, где люди представляют сами себя — не привлекают юристов. Соотношение сейчас — 71,4% против 21,4%. В кейсах, где известно, каким конкретно AI пользовались, больше всего косяков у ChatGPT (115). Но, вероятно, это просто объясняется популярностью ChatGPT. У остальных инструментов примерно поровну — по 10-15 кейсов. @TheEdinorogBlog — тот самый канал про стартапы🦄

ICML 2026: как агенты справляются с контекстом Об агентах и агентских системах в этом году говорили примерно все — тема стала одним из фокусов конференции. Главные тренды и новости собрала наша коллега Кристина Гуртова.

Было много работ о бенчмарках и диагностике агентов — пожалуй, самый крупный кластер. Пользовались популярностью мультиагентные системы и их обучение, agentic RL и tool use. Отдельное активное направление — safety. Общий тренд: рассматривать агента как инженерную систему, где каждый компонент (среда, обучение, оценка или память) становится отдельным объектом оптимизации. А я углублюсь в актуальную проблему агентов: как не захлебнуться в собственном контексте. Сжимать его, сворачивать или выносить во вне? Путь 1. Агент сам решает, что исключить из истории Раньше агент линейно накапливал всю историю в один растущий контекст. Теперь — он ей управляет. В Context-Folding (CMU, Stanford, ByteDance) агент разветвляет подзадачи с помощью двух тулколов: branch() создаёт подзадачу, return() возвращает итог этой подзадачи. Промежуточные шаги не попадают в основной контекст. В Agent-Omit (HKUST) авторы посчитали, что размышления съедают около 45% токенов, наблюдения — 52%, а действия — всего 3%, поэтому их статья сфокусирована на сокращении ризонинга. Агент выборочно опускает свои мысли и наблюдения. Conversational Inertia (ZJU, Ant) описывает отдельный побочный эффект длинной истории — «инерцию». Агент начинает имитировать собственные прошлые ответы как few-shot и перестаёт исследовать. Проблема лечится периодической очисткой истории. Путь 2. Сжатие контекста — оптимизируемый навык, а не фиксированное правило ACON (KAIST, Microsoft) оптимизирует не веса, а промпт для сжатия. Авторы собирают трейсы с полной и сжатой историей, сравнивают их с помощью LLM-критика и дополняют этим промпт. Затем дистиллирует такой навык компрессии в маленькую модель и используют его. Путь 3. Внешняя память и переиспользование опыта Ещё один вариант — не выбрасывать, а сохранять надолго. EAM держит память как граф знаний, где узлы — это состояния системы, а рёбра — действия для перехода между ними. Darwinian Memory — training-free память, где записи конкурируют за «выживание». Полезные переиспользуются, устаревшие и ненадёжные удаляются. SE-GA хранит три вида памяти: эпизодическую, семантическую и экспериенциальную. Агент достаёт малую часть из каждой из них, добавляя к себе в контекст. UMEM (Xiamen, Alibaba) обучают внешнюю модель работать с банком памяти. Для этого они замораживают модель-агента и обучают отдельный оптимизатор, что записать, обновить и удалить. Отдельно — как это честно мерить. AMA-Bench проверяет память в реальных агентных траекториях, а не на сырых диалогах, и дополнительно показывает, что многие memory-системы пока проигрывают простому long-context.

#YaICML2026 Душный NLP

Оптимизируют MoE, стабилизируют RLVR, колдуют над кэшем и очень активно обсуждают GRPO: продолжаем рассказывать, что в тренде ICML 2026 Но обо всём по порядку. Читайте TL;DR от наших коллег и листайте фото с постерами! Stable Asynchrony: Variance-Controlled Off-Policy RL for LLMs Классная статья про стабилизацию RLVR. Авторы предлагают метрику, которая лучше всех предыдущих детектит потенциальный взрыв — effective sample size. По сути, это нормированная сумма important weight между движками актора и роллаута. Мы в Яндексе тоже её используем — работает! Дальше авторы рассматривают два пути решения. Первый — простой (мы тоже его пробуем). Если метрика начинает стрелять, надо понижать лёрнинг рейт адаптивно. Второй путь — умный потокенный решейпинг — чинит все проблемы сразу. RL учится 1000 степов и не разваливается, даже на специально усложнённом сетапе со staleness 12. Имплементировать, судя по описанию, должно быть легко. TVCACHE: A Tool-Value Cache for Post-Training LLM Agents В этой работе кэшируют последовательные цепочки туллколов в агентских роллаутах. Получается приличный кэшхит в десятки процентов. Применяют хаки типа прогрева кэша перед роллаутом. Кэш шарят по всему по времени обучения, поэтому кэшхит к концу может расти. Tackling Length Inflation Without Trade-offs: Group Relative Reward Rescaling for Reinforcement Learning Говорят, что научились заставлять GRPO растить reward, не удлиняясь относительно инита. В GRPO вместо reward'а на R делают R • s, где s — нормализующий коэффициент, функция от относительной длины ответов в группе. Spurious Rewards: Rethinking Training Signals in RLVR Обучают GRPO на шумные сигналы, доходя до обучения на случайный шум. Обнаружили парадокс: в некоторых моделях Qwen обучение даже на такой «сигнал» даёт профит. Объясняют тем, что виноват клиппинг в GRPO — он чаще срабатывает на маловероятных траекториях, вероятности высоковероятных, наоборот, растут. Проверяют это, отключив клиппинг: действительно, модель перестает учиться на «испорченные» сигналы. Revisiting Efficiency–Accuracy Scaling in Mixture-of-Experts Architectures NVIDIA оптимизируют MoE. Обычно инференс таких архитектур упирается в пропускную способность памяти: либо перекачиваем туда-обратно экспертов на каждом токене, либо при большом батче упираемся в all-to-all. Авторы сделали архитектуру LatentMoE — временно проецируют представления токенов в низкоразмерное латентное пространство перед маршрутизацией. Весь тяжелый сетевой трафик all-to-all и чтение экспертов из памяти происходят в сжатом формате. А на выходе из MoE-слоя данные возвращаются к исходному размеру. Экономию при зеродифф-костах реинвестируют в увеличение числа экспертов и количество активируемых. Качество растёт — говорят, что уже используют это в Nemotron. Why Tree-Style Branching Matters for Thought Advantage Estimation in GRPO В GRPO при обучении ризонинг-модели на reward-сигнал генерации итогового ответа могут отличаться друг от друга, получая разную награду. В работе показывают, что часть бюджета выгодно потратить на генерации нескольких ответов при фиксированном CoT, чтобы разделить награду конкретного ответа от ожидаемой награды для цепочки (T4A4 > T16A1). На практике при правильном использовании это также экономит компьют, так как ризонинг цепочки обычно занимают бóльшую часть генерации. Поделились впечатлениями ❣ Даниил Кириллов, Тимофей Смирнов, Даниил Гусев, Дмитрий Калашников, Алексей Зотов #YaICML2026 Душный NLP

Вчера на конференции по AI в маркетинге разобрал тему, о которой думал давно, — что инвестор реально видит в питч-деке, когда там везде написано «AI». Спойлер: он видит не технологию. Он смотрит, есть ли за ней деньги или это просто красивая обёртка. Прошёлся по всем слайдам дека — от Company purpose до Ask — и на каждом показал две вещи: где здесь деньги, а где хайп, и что из этого можно доверить AI, а что фаундеру сделать самому. Граница оказалась вот где. AI хорошо делает слайды про мир — рынок, тренды, конкурентный анализ. И сильно проваливается на слайдах про вас — боль клиента, трекшн, команда. Именно те слайды, которые я читаю первыми и на которых принимаю решение. Выкладываю свой дек. Там живые кейсы стартапов из клуба MFS, примеры было/стало и конкретные тесты для каждого слайда. Андрей Резинкин | Money For Startup

У меня опять собралась какая-то невероятная куча деаайсов по которым бы сделать обзоры, но все времени нету :( Вот. Друзья прислали (с) ещё одну железку. "Смартфон нового поколения". Это Rabbit R1. Скоро выйдет второй, но у меня пока только этот. Обещали прислать сразу же второй, но не раньше октября, как только выйдет - там заминка на производстве из-за дефицита памяти. В чем новое поколение: Это полностью AI устройство. Само по себе бесполезное. Но с подключением к Антропику становится мощной штукой, использование которой ограничено только вашей фантазией. Там своя операционная система, например. Интерфейс - карточки. И эти карточки можно самостоятельно создавать, просто рассказав (ртом), что ты хочешь. И это и есть приложение. Я за три минуты создал приложение Pomodoro таймер. И оно работает! Теперь надо собрать все фантазию в кулак и придумать ещё что-то. И вот это сложно. Но если у вас СДВГ, то идеальная железка.

Скилл, который отказался запускаться (и это было ценнее всего) Недавно я выложил скилл, который помогает мне копать проблемы и попросил вас прогнать на своих задачах и поделиться, помогло или зря сожгли токены. Получил 3 фидбека: 1) Отказался оценивать продуктовую идею Аким запустил скилл не на проблеме, а на продуктовой идее: сервис онбординга — закидываешь видео и материалы, он онбордит новичков. Дерево даже не стало запускать агентов: «это не продукт — ты придумал решение под проблему, которую даже не описал». Когда он поделился этим на office hours, то мы решили немного развернуть задачку: не «оцени мою идею», а "вот тебе проблема, которую решает продукт → построй дерево → найди корень → и только теперь проверь, попадает ли в него идея». Аким перезапустил уже по проблеме, и дружбан со своими миньонами ушёл в себя и вылез с интересными выводами:

why-tree скилл прошелся по всей проблеме (я надиктовал оч много контекста), и пришел к выводу, что проблема в организации, а не сложной системе/отсутствии википедии по проекту. Все, что скилл описал - правда: - нет владельца процесса онбординга, - подрядчик должен владеть/управлять вместо заказчика, - вопрос не в том, как лучше навигировать среди знаний, которые нужно поглотить за 4 месяца (пример моей идеи продукта), а в ответе на вопрос "как за 2 недели понять, что человек А онбордится лучше чем Б" И дальше скилл предлагал уже варианты как решать. На мой вопрос "может ли моя идея продукта помочь заказчику/подрядчику онбордить быстрее/лучше" я получил оч неожиданную мысль: They've absorbed it as a cost of doing business. Legacy systems full of tribal knowledge are everywhere — you're right that the problem is widespread. But widespread ≠ payable. Companies with 15–20-year systems have lived with slow onboarding for 15–20 years. They've absorbed it as a cost of doing business. A chronic pain people have already budgeted around has a near-zero willingness-to-pay, because the brain only spends money when it predicts a return bigger than the spend — and "fix a thing we've tolerated for a decade" predicts a small return

Cтрочка, которая зацепила меня больше всего:

They've absorbed it as a cost of doing business

Ох, сколько таких кейсов я встречал. 2 и 3) Илья попробовал натравить дерево на кодовую задачу - хотя я об этом не особо думал - и подчеркнул ценность в стороннем взгляде на проблему и приоритезацию, а Дмитрий покрутил на очень актуальной задаче о том, почему 4 месяца внедрения AI не привели к росту выручки и/или оборачиваемости онлайн магазина. Тут, признаться, не очень хорошо отработал скилл, но по словам Дмитрия ценность принесли тесты/эксперименты, которые дружбан предложил после анализа.

"Дерево дало карту, куда смотреть"

заключил дружбан в обратной связи мне. Скилл по результатам фидбека я уже подрихтовал, но продолжаю улучшать (см аттач). Поэтому буду рад за фидбек и прогоны :)