🛠 Инструменты • Анонс TypeScript 7.0 — TypeScript 7.0: нативная скорость, ускорение в 8-12 раз • Waymo запускает беспилотные поездки в Сан-Диего, Лас-Вегасе, Тампе и Денвере — Waymo запускает роботакси в 4 новых городах • Новые руки с 25 степенями свободы для робота 1X NEO — Руки 1X NEO: 25 степеней свободы, тактильные датчики • ChatGPT Work на базе GPT-5.6 — агент для корпоративных команд — ChatGPT Work: агент для создания документов и таблиц • Meta запускает Muse Spark 1.1 — мультимодальную модель для агентного кодинга — Muse Spark 1.1: агентный кодинг, $1.25/млн токенов • Mistral представляет Robostral Navigate — модель для навигации роботов — Robostral Navigate: навигация с одной камерой, 79.4% • Google Photos добавляет AI Video Remix на базе Gemini Omni — Video Remix: меняет освещение и фон, для подписчиков

AI НЕ ДЕЛАЕТ ВАС ПРОДУКТИВНЕЕ Незыблемый факт: AI уже очень хорош в маленьких задачах. Написать плагин, скрипт, небольшую tool'у, UI для UnityEditor окна, вытащить текст из аудио, накидать интеграцию с Google Sheets — вот здесь он реально экономит время. У меня таких историй уже пачка: — история буфера обмена на macOS — парсинг локализаций из Google Sheets в MySQL — извлечение текста из аудиозаписей — терминальный чат для тестирования внутриигрового чата — интеграция BenchmarkDotNet в Unity И тут спорить бессмысленно: да, это ускоряет. Многие мелкие автоматизации можно сделать буквально за 1 промпт. Когда раньше, я даже не брался за это, т.к. на отладку и написание могло уйти полдня-день. 🔸Проблема - большой production Когда я работал в Playtika, уже тогда менеджмент пытался понять, как ускорить процессы разработки через AI. Но модели упирались в контекст. Они могли решить локальную задачу, но плохо держали систему целиком. Сейчас модели стали намного сильнее. Контекст вырос. Opus уже технически способен написать кусок фичи почти полностью. Но я всё равно не готов просто взять и запушить это в большой production-проект. Почему? Потому что в проекте на сотни тысяч строк AI все равно не хватит контекста, чтобы изучить и прочитать все что есть, из-за этого: 🔹Генерируется функционал, который уже есть в проекте 🔹Системы используются не правильно или не полностью 🔹Агент может посчитать, что функция в другой системе написана не правильно и "исправить". И кажется что сделано много, так много кода и анализа никто бы из нас быстро не делал. Но из-за того что это нужно потом вычитать внимательно, проверить и/или переписать, общее время на разработку может только увеличится. 🔸И это не только мое наблюдение METR проверили это на 16 опытных open-source разработчиках, которые в среднем 5 лет работали на своих репозиториях. Результат: с AI они стали медленнее на 19% 🤯 При этом ожидания до начала эксперимента были: ускорение на 24% А после, разрабы думали что AI их ускорил на 20%. Т.е. человек делает больше и из этого создается эффект ускорения. И эти результаты нужно поправлять за Echoes of AI, где:

на чужой кодобазе среднего размера AI действительно ускорял — медианное время падало на 30.7%.

Т.е. получается примерно такой парадокс: 🔹 Если проект маленький или среднего размера, то с AI можно в среднем получать +30% к продуктивности 🔹 Если проект большой или огромный, то важно выделять места, где AI может быть полезен, но не отдавать все ему на откуп. Несоблюдние баланса = +20% к времени выполнения задачи. Этот вывод я и сам ощущаю, когда иной раз проще самому написать, чем промптить, а потом ходить и все переписывать. Это может показаться бредом, если опираться на новостной фон и хайпа вокруг AI. Но это отлично согласовывается даже с тем, что я писал еще до AI хайпа:

Природа разработки ПО - это перенос информации из мира реального в мир абстрактный. Где человек играет ключевую и незаменимую роль.

А скорость переноса ограничена особенностями мозга и ростом синаптических связей. Что ограничено естественным жизненным циклом организма. И это естественное ограничение продуктивности. И даже когда скорость написания кода стремится к бесконечности, проекты НЕ стало разрабатывать быстрее или дешевле. 🔸Функция снижения AI-продуктивности Точных цифр нет, но если накидать порядок величин, кривая выглядит логарифмической. Пусть: x — текущий размер проекта в kLOC, y — прирост продуктивности в %, Smin — kLOC-min, минимальный размер проекта, когда появляется сложность, Smax — максимальный размер проекта, когда эффект от AI = 0 Тогда формула снижения влияния AI на продуктивность будет выглядеть примерно так: y ≈ Smin · ln(Smax / x)

 kLOC | эффект
------+-------
    5 | +23%
   50 | +12%
  500 |   0%

🔻Проще запомнить: продуктивность падает примерно на ~3-5% на каждое удвоение размера проекта. Ставь 👍 если тебе заходит такого рода контент! Ты знаешь кому переслать эту статью 💪 #ai@UniArchitect

Наткнулся на занятную штуку: Fable Advisor — Claude Code plugin для паттерна, который я всё чаще считаю правильным в агентной разработке. Самая сильная модель не должна писать весь код руками. Она должна быть архитектором: понять задачу, разложить её на части, написать нормальный spec, выбрать исполнителя и потом проверить результат. А само «печатающее мясо» можно отдавать более дешёвым/релевантным моделям. Вот думаю многие из вас когда юзают какой нибудь Plan Mode, выбирают самую «умную» модель, а для кодинга чаще всего используют Kimi2.7, новый Grok4.5 или Composer. Брейнрот хорошо напишет любая модель, вот я весь день юзал sol5.6 ультра, потратив все токены и какого то вау эффекта на простых задачах не было. И зачем тогда их тратить вообще, если если условно бесплатный Composer. Ещё мне нравится идея cross-vendor review. Когда Claude пишет spec, Grok или Codex делают diff, а Claude потом проверяет результат, у тебя хотя бы частично расходятся blind spots моделей. Как минимум видел пару исследований, что нельзя писать код и делать ревью одной и той же моделью — так у нее все равно есть определенный bias. Вот интуитивно возьмем идею брейншторма — суть собрать разные взгляды, разных людей с разным жизненным опытом. Почему такое не должно работать с ллмками? Ну как будто должно.

У меня инвестиции в Wealthsimple и у них сейчас еженедельный розыгрыш денег по четвергам. И вот я решил проверить, а не выиграл ли я миллион на этой неделе. Оказалось, что выиграл, но не миллион, а 5 долларов. Для получения денег нужно было дважды кликнуть на форме, чтобы подтвердить, что я не являюсь сотрудником Wealthsimple и решить математическую задачу. (150 x 2) + (400 / 2) + 50 = Мне лень было решать эту задачу в уме из-за 5 долларов и я скормил её Copilot. Он дал результат в 500 и я скопировал это число и уже готов был отправить форму, как вдруг я понимаю, что с математикой что-то не то. В примере есть +50, а в результате число 500, что немного смущает. Начинаю проверять и у меня получается 550. ИИ всё ещё генератор, а не искусственный интеллект, и даже в таких банальных вещах может ошибаться. Знания и опыт всё ещё нужны, чтобы проверять за этой бездушной машиной её ошибки.

ProxyPose Трекер. Лора к Wan2.1-T2V-14B Отслеживает 6-DoF позу по монокулярному видео. Решает проблему точного трекинга при слабой текстуре, отражениях, перекрытиях. • берет один пиксель-запрос - выдает траекторию 6-DoF • видео-в-видео трансформация через VAE и LoRA-дообученную видеомодель • геометрия без обучения: контурное сопоставление + PnP • тянет трекинг для лиц и камер без доп. тренировки • работает с event-видео и SPAD-сенсорами Использует VAE в латентном пространстве, шум по токенам для прокси-видео. Стабилен в сложных сценах, но может дрейфовать на быстрых/текстурно бедных объектах. Гитхаб HF #tracking #6dof #v2v #video2camera

Что дальше с сервисом для генерации видео? Мой пост на англоязычную аудиторию в Твиттере (X) залетел на 13 000 показов. У меня такое впервые. На видео я продемонстрировал генерацию 3Д-болванки и генерацию видео на ее основе. Мой постик в том числе лайкнули с аккаунта Three js (это один из ключевых компонентов моего движка). Изначально я планировал двигать в сторону рекламных креативов для игр. Пообщался с людьми из индустрии и потенциальными заказчиками. Понял, что там чуть другой запрос, чем я предлагаю. Контроль генерации и детерминизм больше востребован в сериалах, фильмах и мультиках. Буду в двигаться в ту сторону. И постепенно буду двигаться в сторону создания self-served инструмента. В ближайшее время упакую идею и продолжу маркетинговые тесты и активности, чтобы найти свой product market fit. @timurtaepov

Я конечно видел много способов harness для агентов, но это пожалуй самый прикольный: Парень придумал для агентов papercuts, чтобы они могли жаловаться на любую ерунду которую нашли во время выполнения задачи Потом по этим записям можно понять какие узкие места в репо замедляют работу, например: где есть расхождение доков, какие скрипты перестали работать и тд. Просто нужно добавить в AGENTS․md эту инструкцию:

# Log papercuts When you encounter small friction while working—a failed tool call, confusing setup, flaky command, stale cache, misleading error, missing helper, or non-obvious gotcha—record it in `PAPERCUTS.md`. Create the file if it does not exist. Append one entry in this format: ## YYYY-MM-DD HH:MM — <model> <What you were doing> → <what got in the way>. Include a possible cause or fix when useful. Log papercuts proactively when they occur, but do not interrupt the main task. Do not add duplicate entries. Papercuts are minor workflow friction, distinct from completed-work logs and real bugs or tracked issues.

Или еще проще, на гитхабе есть специальный CLI-тул под это. Ну и само по себе интересно читать как агент на естественном языке ругается на глупые проблемы☕️ @tips_ai

Старые тренды: -------------------------------------------------------------------------------- | | 1 | Prompt Engineering | 2022–2024 | Идеальный одиночный запрос → один ответ | 2 | Context Engineering | 2025 | Динамически собранный контекст (RAG, history, tools) — «вложения к письму» | 3 | Harness Engineering | 2025–2026 | Архитектура среды вокруг агента: constraints, feedback loops, linters, lifecycle | 4 | Agentic Loop | 2025–2026 | Итеративный ReAct/CoT цикл с tool-use, planning, self-reflection Новые тренды: Тренд 5: Мультиагентная оркестрация (Multi-Agent Orchestration) (Аля я выше обозвал это MAS, ибо не читаю терминологию) Тренд 6: Self-Improving Agents / Метакогнитивное самоулучшение (то что делаю тоже) Тренд 7: Agentic OS и «Агентная операционная система» Agentic Operating System (AOS): стандартизированный слой оркестрации, безопасности, compliance и управления ресурсами для роёв агентов (LA5xLG7xLAS9) -> оказывается это Agentic Operating System (AOS) Тренд 8: World Models — замена LLM-ядра агентов Это главная академическая ставка на 2027–2030. ЯNN LeCun создал AMI Labs, собрал $1.03 млрд (крупнейший seed в истории Европы, March 2026, инвесторы: Bezos, NVIDIA, Samsung, Eric Schmidt, Toyota) на архитектуру JEPA (Joint Embedding Predictive Architecture). -> это прошлый пост про это, что нельзя просто так доверяться модели и того что она делает. Нужны планировщики / архитектура / потенциальные последствия и их моделирование + возможные cons/pros/улучшения/деградация -> прежде чем пытаюсь что-то внедрить, строится всегда теперь графово-векторная (+ фрактальная если нужна детализация типа оптимизация кода или отдельных процессов) архитектура/blueprint и есть "эталонный" текущий blueprint/архитектура которая уже A/B тестами математически доказывает улучшения/деградацию. Тренд 9: Embodied AI — агенты с физическим телом. 💰Дорого/богато, но есть Bambu lab принтер в доступе и ЧПУ станки с конвеером/производственной линией. Не понятно как тестить / применять и куда продавать / предзаказы делать. Тренд 10: SwarmAgentic — полностью автоматизированная генерация агентных систем. 🤔🛠 куда-то туда пробую идти/развивать

А сегодня давайте почитаем визионерские откровения Сатьи Наделлы, которыми он поделился у себя в блоге недели три назад.

Я много размышлял о будущем компании в экономике, основанной на искусственном интеллекте. Этот переход отличается от всех предыдущих изменений. В прошлом мы использовали технологии для повышения эффективности человеческого капитала. Впервые мы можем создать реальную когнитивную петлю между людьми и цифровыми системами. Это ошеломляет, потому что меняет как мы представляем себе всю работу внутри организации. На кону стоит не просто внедрение очередного инструмента или системы. Главный вопрос в том, как организации будут продолжать учиться, создавать интеллектуальную собственность, отличаться от конкурентов и развиваться в мире, где AI-модели способны непрерывно впитывать знания людей и организаций и коммодизировать их. Каждой компании придётся создавать два вида капитала: человеческий и токен-капитал. Человеческий капитал включает знания, способность выносить суждения, отношения, изобретательность и умение распознавать закономерности. Токен-капитал — это AI-возможности, которые компания создаёт, развивает и контролирует. По мере роста значимости токен-капитала, человеческий капитал не становится менее ценным. Напротив, его значимость только возрастает. Я убеждён, что именно человеческая агентность будет драйвером развития токен-капитала. Люди будут ставить амбициозные цели, соединять идеи из разных областей, выстраивать отношения и распознавать действительно значимые закономерности. Без человеческого целеполагания вычислительные мощности будут лишь бесконечно работать по кругу. Ключевая возможность заключается не в том, чтобы выбрать лучшую модель. Она заключается в создании обучающего контура, внутри которого человеческий и токен-капитал взаимно усиливаются и накапливаются. Можно передать AI отдельную задачу или даже целую работу, но нельзя передать ему собственное обучение. Будущее компании определяется её способностью накапливать результаты этого обучения, распределяя их между людьми и технологиями. Это требует новой архитектуры, при которой каждая организация сможет создавать агентные системы, сохраняя при этом контроль над своей интеллектуальной собственностью. Компания должна иметь возможность заменить одну универсальную модель на другую, не потеряв при этом экспертизу, накопленную внутри её обучающей системы. Именно это станет проверкой на управляемость и суверенитет. Такой обучающий контур становится новой интеллектуальной собственностью. Я представляю его как машину постоянного восхождения к следующему максимуму. И в отличие от большинства активов, его ценность накапливается по принципу сложного процента. Каждый улучшенный рабочий процесс создаёт более качественный обучающий сигнал, ускоряя накопление неявного знания, уникального для конкретной компании. Организации, которые начнут строить такие системы раньше других, получат преимущество — и его будет трудно воспроизвести, независимо от моделей. На мой взгляд, нашим приоритетом должно быть создание такой экосистемы, а не просто передовой модели, чтобы ценность распространялась повсеместно для каждой компании, каждой отрасли и страны. Организации должны иметь возможность владеть собственным обучающим контуром, в котором закодировано их институциональное знание и внутри которого одновременно накапливаются человеческий и токен-капитал. Когда это произойдёт, компании начнут создавать ценность как для себя, так и для всей экономики. Сотрудники увидят, как их экспертиза усиливается и становится частью систем, способных воспроизводить и масштабировать эти знания. Выгоды от этого будут получать и бизнес и сообщества, частью которых он является. И именно такое устойчивое равновесие нам следует строить вместе.

→ https://snscratchpad.com/posts/frontier-ecosystem

Еще новинки в семействе LingBot LingBot-Vision Vision-модель для роботов и мобилок Ловит границы, глубину, геометрию сцены. Не "что на фото", а "где края и как далеко" • 4 размера: от 13M до 1.1B параметров • self-supervised обучение без разметки • обгоняет DINOv3 при кратно меньших параметрах Apache-2.0, веса открыты, подходит для edge и роботов Гитхаб HF ——— LingBot-Depth 2.0 Считает глубину по фото, строит 3D-карту сцены. Справляется на сложных текстурах, с прозрачностью и в слабом свете. • оценка глубины с учётом семантики сцены • работа с мультимодальными входами (RGB + признаки) Подходит для мобильных и edge-устройств. Волшебно, но ссылок на саму модель нет 🤷‍♂️ #vlm #cv #video2depth #video2feature

📌 Anthropic описали способ отключать потенциально опасные знания в моделях Компания опубликовала результаты исследования о том, как управлять доступом к знаниям двойного назначения в больших языковых моделях. Работу выполнена в сотрудничестве с AE Studio.

Речь идёт об информации, применимой и во благо, и во вред. Например, знания по кибербезопасности помогают закрывать уязвимости, но и находить их для атак, а сведения из вирусологии нужны как разработчикам вакцин, так и тем, кто захотел бы создать опасный патоген.

🟡 Предложенный метод назвали GRAM К каждому слою нейросети добавляются дополнительные нейроны, сгруппированные в отдельные модули - по одному на каждую чувствительную тему. Во время обучения тексты из такой темы, скажем вирусологии, обновляют только соответствующий модуль, тогда как общие знания модель использует, но заново не переучивает. После обучения модуль можно удалить и вместе с ним исчезает и сама способность. Либо оставить для узкого круга пользователей, которым эти знания нужны по работе. 🟡 Метод актуален, потому что нынешние средства защиты несовершенны Обучение отказам и классификаторы, отсеивающие опасные запросы, не меняют того, что модель знает, и их можно обойти через джейлбрейк. Другой подход, фильтрация обучающих данных, убирает знания, но требует обучать отдельную модель под каждый набор ограничений, что для топовых моделей слишком дорого. GRAM, по замыслу, должен давать эффект множества по-разному отфильтрованных моделей ценой одного цикла обучения - в экспериментах с 4 категориями одна модель настраивалась 16 способами. 🟡Тесты Метод проверили в трёх условиях: синтетическом наборе детских рассказов, на модели с 800 млн параметров, обученной на смеси веб-текстов, кода и научных статей, и на 7 моделях размером от 50 млн до 5 млрд параметров. По результатам, удаление модуля убирало соответствующую способность почти так же полно, как если бы модель на этих данных вообще не обучалась, и при этом не ухудшало общие показатели. При этом защита устояла перед попыткой восстановить знания дообучением на токсичных данных, тогда как отдельный метод разучивания знания лишь подавлял, и их удавалось вернуть. 🟡Дисклеймер

GRAM не применялся ни к одной из рабочих моделей Claude, и в Anthropic не уверены, что это вообще произойдёт. Есть нерешённая проблема - некоторые полезные знания могут быть настолько переплетены с опасными, что чётко разделить их не удастся ни этим методом, ни фильтрацией.

Код, скрипты анализа и метрики выложили на GitHub. Обучающие данные (токенизированные наборы и корпус научных статей по двойным темам) доступны на Hugging Face. @ai_machinelearning_big_data #AI #ML #LLM #Alignment #Research #Anthropic