В Google Pixel хотят запихнуть "ИИ-Шазам" для всего вокруг 9to5Google покопались в свежей версии Android System Intelligence для Pixel 10 и нашли там одну забавную штуку - фичу Audio Memory (кодовое имя "blueflax", это такой цветок). Суть такая. Телефон пассивно (но активно!) весь день слушает всё вокруг - музыку, разговоры, всё подряд - потом расшифровывает и делает заметки. По сути, это эволюция "Now Playing" - фирменной фичи Пикселя, которая распознаёт музон и выводит название на экране блокировки. Только теперь вместо трека будет "Вы обсудили с Васей правки к договору" или типа того. Про приватность: аудио на сервера Google не летит, всё обрабатывается на устройстве через Private Compute Core. Здесь мы опять упираемся в нюансик, что собеседник о данной фиче на вашем телефоне знать не будет, но эта общая проблема всех подобных ИИ-штук, так что ладно. Пиксель давно позиционируют себя как "самый умный Android", и их киллер-фичи - как раз такие бесшовные ИИ-примочки под капотом. Pixel Watch умеет мониторить здоровье, Pixel Camera делает неплохие "вычислительные фото", а сам Pixel теперь ещё и будут помнить всё, что вы слышали. Вторая память со строенным "мета-ассистентом", которую не надо специально запускать. Фичу пока ещё не анонсировали, только tech-журналисты строчки в коде нашли. Так что, до релиза может что-то поменяться. Но направление понятное: устройства будут соревноваться в бесшовности юзерской пользы и точечности сценариев. Сервисы, которые слушали все разговоры юзеров и раньше, но ничего не показывали на экране, такие: 🫢🫢🫢 Фичизм

Обсуждали на одном из подкастов моё скептическое отношение к синтетическим людям. В дискуссию врывается Рон Кохави с теми же аргументами на примере разбора SimAB: Simulating A/B Tests with Persona-Conditioned AI Agents for Rapid Design Evaluation.

I think there is value in using LLMs as a screening tool, and this paper is a good example. The tool could be used as a fast design-screening tool that makes predictions based on historical A/B tests, conventions, best practices, and folklore. It may work well against experiments similar to the history it has been trained on, but it is unlikely to work well for radical ideas (e.g. long-ad titles that I start my Maven course and book with). The title’s use of “Simulating” over-reaches, as it is impossible to establish causality from observational data without additional assumptions. LLMs are trained from historical data and are therefore not enough to simulate A/B tests without strong assumptions.

И

The system's greatest strength is acting as a "Shift-Left" tool in the design process. Before any engineering effort is spent coding a variant, SimAB can evaluate mockups to catch blatant usability flaws, confusing copy, or structural friction. As the authors note, it is an excellent mechanism to "kill bad ideas fast".

То есть да, что-то быстро проверить можно, но использовать как инструмент оценки, тем более численной, — это непонимание принципов работы LLM.

Только успели выкатить мини-релиз SWE-rebench с Gemini 3.5 Flash, MiniMax M3 и Junie (теперь на Opus 4.8 high, кстати, топ1 model-harness результат этого цикла: 61.6% resolved / 72.7% pass@5), как сразу прилетел Fable Решил написать небольшой обзор планов на ближайшие релизы лидерборда: – Поэвалили Opus 4.8 в разных reasoning efforts: от low до ultracode с dynamic workflows. Скоро расскажем про трейдоффы качество/цена + какие-то интересные наблюдения из траекторий – Точно будет релиз для любителей локальных моделей: квены, геммы, gpt-oss разных размеров. Если есть популярные модели, которые гоняются на мелком железе и которые было бы интересно посравнивать, пишите, подумаем над тем, чтобы поэвалить тоже – Ну и Fable, разумеется 💀 P.S. Если вдруг знаете кого-нибудь из антропик, кто мог бы помочь с кредитами, напишите плиз в DM @alex_golubev13 😳

🔬 Метод Авторы замечают, что обновления весов в радиальном и угловом направлениях не являются независимыми. Для оптимизаторов типа Адама/Мюона величина шага не зависит от нормы весов, поэтому изменение угла обратно пропорционально норме весов. Аналогично, при движении вдоль касательной (по радиальному градиенту) растет норма весов. И чтобы она не улетела в космос, приходится накладывать weight decay. 🧮 Дабы обеспечить контроль над величиной веса, его можно представить в следующем виде: W = diag(γ_row) W_hat diag(γ_col) Где W_hat — нормализованный вес, а γ_row и γ_col — построчные и поколоночные мультипликаторы, которые могут быть как скалярами, так и векторами. Нормализовать можно как по норме Фробениуса всей матрицы, так и по строкам или столбцам. 📊 Эксперименты 🧪 Авторы аблируют разные варианты нормализации и параметризации gains. Вариант с нормализацией всей матрицы выглядит не хуже остальных, будучи при этом самым простым, поэтому в итоге используют именно его. ✅ γ_row и γ_col полезно иметь в виде векторов, причем оба должны быть обучаемыми. Использование row и col gains более высокого ранга не помогает. Чтобы gains не обращались в ноль, их можно параметризовать через строго положительную функцию активации, но и без такой параметризации метод работает стабильно. 📈 Хорошим свойством нормализации весов является переносимость learning rate между моделями разной ширины и глубины. Оптимальная величина шага обучения оказывается почти постоянной. Кроме того, больше не нужен warmup в начале обучения, так как оптимизатор не взрывается по ходу обучения. Weight decay теперь тоже становится лишним, поскольку параметризация сама обеспечивает нахождение нормы весов в разумных пределах. 📉 Лучше всего работает линейное затухание learning rate вместо популярного нынче WSD. 🏆 В итоге лучший вариант MuonMD (Magnitude-Direction) сходится быстрее по числу итераций по сравнению с базовым Мюоном. Причем работает он хорошо как для Dense-, так и для MoE-моделей. ⚙️ На практике веса моделей хранятся так же, как и раньше: разбиение на величину и угол выполняется внутри оптимизатора. Замедление шага обучения при этом небольшое (около 5% у Адама и 1–2% у Мюона). 💡 Выводы Выглядит как многообещающий и интересный результат. Интересно, насколько скоро данная техника будет внедрена в обучение больших моделей и станет ли она такой же стандартной практикой, как Мюон.

Wikiloc добавил приложение в ChatGPT. И это второе, после GitHub, приложение, которое я добавил в свой аккаунт для себя, а не на тест. Что такое Wikiloc? Это крупнейший поставщик маршрутов для хайкинга, трейлраннинга и прочих активностей на природе. Маршруты загружаются другими пользователями. Для меня это полноценная замена Reels. Я могу сидеть весь вечер, отыскивать на карте маршруты, изучать, думать о том, как их соединить, чтобы маршрут получился интереснее. Я постоянно общаюсь с GPT Pro, когда хочу что-то изучить или провести мини-исследование. Теперь можно через голосовой ввод в ChatGPT наговорить пожелания по маршруту, не забыв после транскрибации голоса добавить доступ к приложению через @Wikiloc (а то чуда не получится). Отправить этот запрос в ChatGPT (лучше – с высоким reasoning) и получить пачку подходящих маршрутов напрямую с Wikiloc. Wikiloc App создаёт слайдер с маршрутами прямо внутри чата и отображает в нём до 8 маршрутов (см. видео в посте). Можно сразу посмотреть маршрут на карте, изучить основные характеристики и, если заинтересовал, то отправиться на Wikiloc – изучать подробнее. Особенно это удобно в новых локациях, которые ещё не исходил вдоль и поперёк. Я точно знаю, что у меня в подписчиках есть люди, которые любят горы (я видел ваши аватарки и сторис!). Wikiloc App в ChatGPT – новый способ найти себе приключений! Получается, теперь у Claude Code есть Strava , а у Codex – Wikiloc 🤔