Wan-Dancer Генератор танца по музыкеи фото Работает с минутными фрагментами что редкость для танцевальных генераторов. Упор на плавную эволюцию поз, а не на отдельные кадры. • Разрешение 720p при 30 кадрах в секунду • Поддержка пяти стилей танца: классический китайский, K-pop, уличный, степ, латинский • иерархическая структура, держит ритм и стиль по всему треку • когерентные движения на длинных отрезках, без рывков и сбоев • мультимодальная обработка. музыка плюс кинематика тела Wan-Dancer Отбой, для работы требует 8 x NVIDIA A800 80GB Гитхаб HF Демо Спасибо @m_franz #humananimation #image2video #portraitanimation #image2dance

Время измен — Мы верны Claude, — сказал стартапер — А если завтра Gemini станет лучше? — Не станет Ребята из одного нашего стартапа пол-весны вылизывали промпты под Claude, обвязали их костылями и гордились «глубокой интеграцией». Вышел ChatGPT 5.6 — половина нагороженного стала мешать. Пока отдирали — конкурент обогнал их на голом апи. Сейчас время королевской гонки и корона держится у модели в среднем 41 день. С точки зрения венчурного инвестора, это — катастрофа. А вот создателя продукта — чудо. Каждые полтора месяца ты получаешь либо более умный мозг либо тот же, но дешевле. Ни-фи-га не делая, просто меняя одну строчку в конфиге. Это как если бы ключевой сотрудник каждые 40 дней становился вдвое умнее или соглашался на вдвое меньшую зарплату. А ты бы еще выбирал между тремя такими. Поэтому «жениться» на модели — ошибка. Верность в этом браке наказывается. Лучшая стратегия — чемодан у двери. Вывод прост: не влюбляйся в модель — влюбляйся в возможность её бросить. Архитектура, где мозг меняется одной строчкой, сегодня стоит дороже самого мозга.

Спроектировали для одной AI компании (между прочим торгуется на NASDAQ) умный слой поверх Паблоры. Цель - обязательное применения гардрейлов (корпоративных ограничений) при постинге сотрудников в LinkedIn. Входящим окном публикации является корпоративный клод, к которому подключается кастомный скилл. Так же каждому члену команды выдается персональный аккаунт Паблоры из корпоративного воркспейса. Сотрудник создаёт пост с помощью клода, но как только он говорит - публикуем, запускается наш скилл. Он отправляет текст поста в систему гардрейлов (которую мы тоже реализуем) где в несколько итераций проходят проверки поста на предмет разглашения информации и нарушения договоренностей с заказчиками. В случае сомнений система отправляет пост на ручную модерацию в ПиаР отдел. Каждая ручная модерация дообучает систему гардрейлов. Если же сомнений нет - происходит либо публикация либро прямой отказ с обьяснением и предложением доработок. Из приятных бонусов при подключении Паблоры так же можно создавать различные дашборды по прогрессу коллег в LinkedIn. Сергей Булаев AI 🤖 - об AI и не только

💸 Я откатываю свои ИИ-рутины с Sonnet 5 обратно на Opus 4.8 Пару недель назад, как только вышел Claude Sonnet 5, я шустро перевёл на него штук пять своих рабочих рутин. Обещали красиво: лучше, быстрее и почти такой же умный, как Opus, только дешевле. Прошло две недели — и я меняю модель обратно. Сел, разобрался в цифрах, и картина оказалась ровно противоположной обещанной. 1. Скрытая наценка ~30% через токенайзер. Вместе с Opus 4.7 Anthropic сменила токенайзер — тот же текст теперь дробится на до 35% больше токенов, это признаёт даже документация самой Anthropic. Ставка за токен «не менялась» — но платишь-то за количество. С Opus 4.7 это уже проходили: у людей счёт вырос на 27%, хотя на странице цен ничего не поменялось. The Decoder зовёт это паттерном скрытого повышения цен. 2. Дороже за реальную задачу. Независимый замер Artificial Analysis: полный прогон Intelligence Index обошёлся в $2.29 за задачу на Sonnet 5 против $1.97 на Opus 4.8. «Дешёвая» модель по факту вышла дороже флагмана — потому что жрёт ~40% больше выходных токенов и делает втрое больше шагов. 3. Тупее на ровном месте. И это не за «больше ума» — наоборот. Opus 4.8 сейчас — первая модель мира на Intelligence Index (61.4), Sonnet 5 — 53. На агентном кодинге SWE-bench Pro — 69% против 63%. Для рутин это реально сорвавшиеся прогоны и лишние итерации. 4. Заставишь думать — сожрёт больше Opus. Поднимаешь effort, чтобы вытянуть качество, — и Sonnet 5 по стоимости обгоняет Opus 4.8 при сопоставимом результате. А сам Opus 4.8 при этом стал ещё и экономнее: ту же работу делает на 15% меньшим числом шагов и с 35% меньшим числом токенов, чем 4.7. Честно, где Sonnet 5 хорош: простые задачи на низком усилии (суммаризация, классификация, извлечение) и период вводной цены ($2/$10 до 31 августа) — там он реально дешевле. Но мои рутины — многошаговые агентные прогоны, где включаются и токенайзер, и мышление, и лишние итерации. Именно там математика разворачивается против него. Вывод. «Премиальный» ценник Opus 4.8 оказался дешевле в пересчёте на выполненную работу — и умнее. Мораль: считайте стоимость по задаче, а не по ставке за токен. Именно на этой подмене построена вся «экономия». 🎯 НЕЙРО-ПУШКА ● НОВОСТИ И ОБЗОРЫ НЕЙРОСЕТЕЙ

Нейродайджест за две недели (#122) LLM - LongCat 2.0 — Первая большая LLM на китайских чипах. Meituan выкатили модель на 1.6T параметров, обученную на 50 тысячах ускорителей типа Huawei Ascend. Эмбеддинги занимают 10% весов, а контекст достигает миллиона токенов. - Claude Sonnet 5 — По перформансу модель подтянулась к Opus 4.8. Доступ открыли всем, включая бесплатных пользователей, а на API до конца лета действует промо-прайс. - Снятие ограничений с Anthropic — Эпичная развязка истории с блокировкой Fable 5. В детальном разборе инцидента подтвердилось, что модель нашла уязвимость в Amazon и написала под неё эксплоит. Теперь запросы фильтрует жёсткий классификатор, а доступ к модели полностью вернули. - Muse Spark 1.1 — Meta обновила модель с сильным упором на агентный кодинг и выкатила собственный API, выдавая $20 кредитов новым аккаунтам. - Grok 4.5 — SpaceXAI , при помощи Cursor, дотренировали свою модель на полтора триллиона параметров. Вышло неплохо, модель стоит всего $2/$6 за миллион токенов при небольших контекстах, лишь немногим больше GPT 5.6 Luna. - GPT 5.6 — Sol стала доступна платным юзерам, Terra и Luna — бесплатным. Вдогонку запустили агента ChatGPT Work, публикацию мини-сайтов и объединили Codex с ChatGPT на десктопе. - Продление доступа к Fable по подписке — Anthropic почувствовали конкуренцию с OpenAI и решили оставить Fable по подписке ещё на неделю. Генеративные модели - Comfy MCP — Благодаря интеграции с MCP больше не нужно тонуть в спагетти-пайплайнах: ИИ-агент сам найдёт нужные ноды и соберёт любой воркфлоу. - Muse Image и Muse Video — гибридные модели от Meta для генерации визуала. Muse Image сама пишет код для точной вставки графики, верстает на HTML и сама исправляет косяки. Прочее - Штраф для Google — Компания окончательно проиграла апелляцию в ЕС на $4.68 млрд за принудительную предустановку Search и Chrome на Android. > Читать дайджест #121 #дайджест @ai_newz

Сделал экспресс-тест дешевых облачных моделей для переводов продуктовых отзывов с англ на ру. Очень хороша оказалась Gemma 4 26B на openrouter - по костам значительно эффективнее flash 3.1 lite; по качеству в разы лучше Google Translate (условно-бесплатного). Пример:

The carbon fiber plate in these is snappy! I shaved 15 seconds off my mile pace on the first run. But man, the upper is paper-thin and feels like plastic. I'm worried it will tear if a twig catches it. Definitely a race-day only shoe, not a daily driver. Super pricey too.

google translate:

Пластина из углеродного волокна в них отличная! На первом забеге я сбил свой темп на милю на 15 секунд. Но, черт возьми, верх тонкий, как бумага, и на ощупь напоминает пластик. Я боюсь, что он порвется, если его зацепит ветка. Определенно обувь предназначена только для гонок, а не для повседневного использования. Очень дорогой.

gemma 4 26B:

Карбоновая пластина в этих кроссовках — просто пушка, очень отзывчивая! На первой же пробежке я скинул 15 секунд со своего темпа на милю. Но блин, верх тонкий как бумага и на ощупь как пластик. Переживаю, что порвутся, если зацеплюсь за какую-нибудь ветку. Однозначно кроссовки только для соревнований, а не на каждый день. И цена, конечно, кусается.

31B тоже хорошая, но дороже. flash lite - еще дороже. qwen 3.6 - тоже дорогой. Начал разбираться, читать отзывы - выяснилось что Gemma 4 как раз отлично подходит для одношаговых задач, а ее слабое место - tool calling. Для переводов европейских языков - рекомендую.

Щас вижу что после выхода GPT-5.6 многие используют её как субагентов под управлением Fable 5 Fable планирует и назначает роли, а Codex выполняет, чтобы экономить токены Так что вот собрал самые удобные способы как юзать их в связке и в Claude Code и в Codex: 1/ Fable управляет GPT (в Claude Code) Через официальный OpenAI плагин:

/plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins, затем /codex:setup

Или через простой алиас:

alias claudex=‘CLAUDE_CODE_SUBAGENT_MODEL=gpt-5.6-sol CLAUDE_CODE_ALWAYS_ENABLE_EFFORT=1 claude –model gpt-5.6-sol’

2/ GPT управляет Fable (в Codex) Устанавливаем опенсурсный плагин:

codex plugin marketplace add Cjbuilds/Codex-Orchestration codex plugin add codex-orchestration@codex-orchestration

И дальше примерно так назначаем роли:

@ codex-orchestration advisor: GPT-5.6 Sol Extra High, Executor: Claude Fable 5 High, Designer: Opus 4.8

В обоих случаях всё будет работать чисто на подписках, никаких API. @tips_ai #tools

Когда AI становится слишком дорогим активом, чтобы играть по правилам Apple подала в суд на OpenAI, и самое интересное тут не сам иск. По версии Apple, бывший глава по железу OpenAI просил кандидатов на собеседованиях приносить физические компоненты устройств и объяснял, как обходить системы безопасности. Другой фигурант нашёл баг в облаке Apple и продолжал качать оттуда документы, уже работая у конкурента. Причём поймали его не детективы - Apple увидела это в собственных логах серверов. Но это только видимая часть. В феврале Anthropic заявила, что три китайские лаборатории - DeepSeek, Moonshot AI и MiniMax - завели 24 000 фейковых аккаунтов и отправили 16 миллионов запросов к Claude. Никакого взлома и никаких инсайдеров, просто API и грамотные промпты. Называется это distillation: ты систематически опрашиваешь чужую модель, собираешь ответы и обучаешь на них свою, получая рабочий клон без долгих лет исследований и без миллиардов на вычисления. Когда Anthropic обновила Claude, MiniMax за сутки перекинула половину своего трафика на новую версию. Получается промышленный шпионаж, где орудием служит твой же публичный API. Такой вор вообще не оставляет следов в системах безопасности - он просто платит по тарифу. Вернёмся к Apple. Она требует не денег, а чтобы OpenAI доказала происхождение каждого инженерного решения в новом устройстве с Джони Айвом. Такой запрет способен заморозить релиз, ради которого заплатили $6,5 млрд. Раньше казалось, что преимущество в AI-гонке даёт скорость найма лучших инженеров, но вместе с людьми из компании уходят её архитектура, процессы и секреты производства, а сегодня всё это можно скопировать вообще без людей. Значит, конкурировать скоро начнут за происхождение знаний и компаниям придётся доказывать уже не что они создали, а каким путём к этому пришли. Clean room development, когда разработка ведётся независимо и история каждого решения задокументирована, вполне может стать таким же обязательным стандартом, как финансовый аудит. Именно это и придётся однажды показывать в суде. @maxvotek | linkedin | substack

👀 Новости перфоманс-маркетинга за прошлую неделю Что нового в рекламных кабинетах и вокруг них 🔵 Мета 1️⃣ Добавили разбивку по ассетам в перфомансе объявлений Помните, недавно нас лишили формата объявлений с 1 изображением и дали формат, где до 10 изображений/видео в одном объявлении? Прикол этого формата был в том, что там не было разбивки по перфомансу ассетов внутри объявления. То есть тупо нельзя было узнать, какая картинка или видео лучше всего перфомят. Теперь можно: Breakdown → Creative → Media 2️⃣ Скоро добавят новый генератор для изображений - Muse Image Их новая модель. Фичи обещают как у Nano Banana. Посмотрим. Недавно начал подключать сгенерированные Метой изображения в рекламу. Перформ так себе, но иногда залетают. 3️⃣ У ряда пользователей в лид-формах появился AI-агент, который болтает с пользователем Агент отвечает на базовые вопросы и сам собирает поля. Что показать, форму или чат, Мета решает сама. Основываясь на вероятности конверсии. Звучит прям круто. Жду в своих кабинетах. 4️⃣ За AI-фичи в Инстаграме скоро придётся платить Адам Моссери сказал на сессии ответов на вопросы в своём Инстаграме: введём дневной лимит на генеративные фичи, дальше они будут по подписке. Причина стандартная - AI это дорого. Бигтех годами вливал в AI миллиарды - пора начинать на этом зарабатывать. Хорошо бьётся с новостью о том, что Мета думает про то, чтобы продавать мощности своих дата-центров другим компаниям. 🟢 Гугл 5️⃣ Меняют Smart Bidding С 17 августа кампании на Target CPA/ROAS будут держаться таргета по бюджетам жёстче. То есть кампании будут стараться вытрачивать дневные бюджеты. 6️⃣ В Search Console теперь можно посмотреть попадания сайта в AI Overviews 7️⃣ Search Console теперь показывает, по каким запросам находят ваши соцсети Добавили отчёт по контенту из Instagram, TikTok, YouTube и X. Подключается через Add property. 8️⃣ Тестируют 60-секундную непропускаемую видео-рекламу Пока только для смарт-тв. Юзеры будут в восторге. Честно, перестал включать Ютуб на телике, как только в Армении появилась реклама. Ну совсем перебор с колличеством рекламных блоков. ⚪️ Вокруг 9️⃣ Еврокомиссия признала Facebook и Instagram «вызывающими зависимость» Не понравились: бесконечная лента, автоплей, пуши, слишком умные рекомендации. Могут заставить отключить автоплей и скролл по умолчанию. Мете грозит штраф до 6% мирового оборота, а это десятки миллиардов. Пока компания отбивается тем, что зависимость от соцсетей это не признанный клинический диагноз диагноз. Впрочем, суд в Калифорнии уже не согласился с ними. 🔟 Франция запрещает рекламу ископаемого топлива Декрет выйдет к концу года. Запрет прописали ещё в 2021-м, только без декрета он не работал. Инициатива Гринписа. Толку мало. Прямой рекламы бензина и газа и так почти нет, а рекламировать бренд заправок всё ещё можно. Хотели как с тобачкой или алкоголем, но не получилось.

Хз как люди пользуется OpenRouter По дурости тестили на нем систему, которая на локалках должна будет работать в контуре клиента, и это такая боль: - низкие лимиты у провайдеров - хрен пойми у кого реально есть поддержка structured output, даже если заявлено - а у кого есть, часто некорректная – натолкнулся на имплементацию с сортировкой ключей в алфавитном порядке 🥴 - нет моделей в целевом кванте - в какой-то момент провайдер просто лег на два часа (а другие не поддерживают норм SO для нужной модели, ага) Да, можно сразу тестить на целевой системе, но а) это нужно получать доступ в контур клиента и б) ждать пока одна его карточка все обработает А у нас autoresearch-like флоу, где агенты в 4 потока эксперименты крутят, нам такое не подходит Короче, надо было сразу арендовать GPU и поднимать там, а не страдать херней. Благо это делается в один промпт (если настроено управление браузером):

Codex, сходи через мой браузер на hf и подними мне vLLM на h200 с <model-name> на <context-len> токенов максимального контекста с <concurrency-num> параллельных запросов. Посмотри в документации и на реддите рекомендации по конфигам и проверь, что мои требования вообще выполнимы или предложи трейдоф

P.s. если нужно часто, установите huggingface_hub и дайте токен админский, чтобы агент через браузер не мучался P.p.s. не забываем потом остановить ноду, а то можно без штанов остаться (если хочется автоматически, юзаем scale_to_zero_timeout=20) Альтернативы: runpod.io, modal.com, cloud.ru (не реклама, а зря) Хз, для кого-то это очевидно, но у нас это первый проект, на котором сошлись локальные модели, отсутствие доступа к железу клиента, и огромный трафик autoresearch подхода

О трех в одном Давным-давно, лет пять назад, программисты были дорогими, и это формировало венчурную логику. Стартапер знал, что не может запрограммировать такой же красивый рассыльщик, как Mailchimp, такую же систему управления отзывами как Podium и такую же CRM как Pipedrive. Потом, когда-нибудь, после IPO – да. Но на старте фокус вынужденно был узким, первый релиз – это монопродукт, а не комбайн. Вайбкодинг поменял правила игры. “Напиши мне поиск и социальную сеть” в один промпт пока не работает, но соединить в одном проекте несколько нишевых решений теперь реалистично. И при относительно разумных усилиях это будут не поделки, а вполне качественные продукты, ничем не хуже традиционных аналогов. Американский #стартапдня Pie – пример нового подхода. Он взял три совершенно разные беды малого офлайн-бизнеса и беззастенчиво соединил решения в одной подписке. Стартап продает одновременно попадание в первую строчку выдачи ChatGPT и аналогов, управление рекламными кампаниями и AI-коллцентр. Что между ними общего – даже сам Pie не придумал, на лендинге никакого объединяющего принципа я не вижу. Наверное, где-то была Excel, за что люди платят и что реалистично за месяц выкатить. Или просто “потому что можем”. Потратил стартап на всё про всё 4 миллиона долларов инвестиций, копейки по американским меркам. Причем я уверен, что разработка – ещё и не самая большая статья затрат была. И вот всё работает, клиенты довольны, бизнес растет, инвесторы недавно новый чек выписали – уже 20 миллионов, уже по любым меркам серьезные деньги. https://getpie.com/ #сша #rounda #ai

Ещё больше классных постеров из Сеула — с ICML 2026 RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents Сейчас очень много агентов работает в ReAct парадигме (последовательные reasoning + acting). Авторы считают, что такой подход с длинными линейными цепочками плохо подходит для сложных задач, потому что deep search больше похож на дерево гипотез: модель может наметить несколько веток, но потом забыть часть из них, застрять в локальном направлении или зациклиться. Re-Trac отличается от ReAct: после каждой траектории собирают compressed_state, в котором хранят лучший ответ на текущий момент, список проверенных фактов, логические выводы и список того, что осталось неизвестным. На следующих траекториях авторы стартуют с этого состояния. Благодаря этому авторы получили 53 пункта на BrowseComp с 8 rollout’ами. Прочитав статью, я нашёл подвох: init для sft — это Tongyi-DeepResearch 3A30B, у которого и так 43 пункта на BrowseComp, а замера pass@8 — бейзлайна за схожий compute — для него нет. То есть идея интересная, но реальный эффект Re-Trac для лучшей модели из статьи не указан. Training-Trajectory-Aware Token Selection Исследователи изучают дистилляцию ризонящих моделей. Обычно SFT или дистилляция на reasoning-траекториях не улучшает модель, а иногда даже ухудшает её. Во время обучения loss монотонно падает, а реальные метрики сначала резко проседают (Imitation Shock), но затем постепенно восстанавливаются, при этом не всегда до конца. Авторы заметили расслоение токенов во время обучения на две группы, «полезные» и «вредные», причем одни подавляются другими. Поэтому стандартная дистилляция тратит ранние градиенты на токены, которые мешают обучению более полезных токенов. Как решили проблему: замаскировали «вредные» токены и не добавляют их в loss. Чтобы понять, какие токены маскировать, придумали алгоритм T3S — Training-Trajectory-Aware Token Selection. Сначала модель проходит короткую фазу дистилляции, по ней находят Imitation Shock и затем сравнивают влияние токенов между началом и на чекпоинте, где всё взорвалось. Least-Loaded Expert Parallelism: Load Balancing An Imbalanced Mixture-of-Experts В MoE-модели каждый токен не проходит через весь FFN-блок, вместо этого роутер выбирает для него несколько экспертов. В Expert Parallelism эксперты распределены по GPU: условно, GPU-0 хранит экспертов 0–3, GPU-1 хранит 4–7 и так далее. Проблема возникает, когда роутер выбирает экспертов неравномерно. Например, на math/code данных один эксперт может стать очень популярным, потому что он специализировался на таких токенах. Тогда GPU, на которой лежит этот эксперт, получает слишком много токенов, считает дольше всех и определяет latency всего MoE-слоя. LLEP решает это не изменением роутера, а изменением исполнения. Перед MoE-слоем система смотрит, сколько токенов попало в каждого эксперта и насколько загружена каждая GPU. Если дисбаланс маленький, используется обычный Expert Parallelism. Если дисбаланс большой, LLEP выбирает наименее загруженные GPU и отправляет туда не только токены, как в EP, но и веса перегруженного эксперта. Smaller Models are Natural Explorers for Policy-Level Diversity in GRPO Авторы говорят, что GRPO живёт за счёт разнообразных rollout’ов, но по ходу обучения они становятся однородными, advantage-сигнал слабеет, а прогресс встаёт. Вывели инсайт: GRPO нужно policy-level diversity — когда целые траектории структурно разные, но при этом логически связаны. Обнаружили, что меньшие модели из этого же семейства дают гораздо больше policy-level разнообразия и предложили на ранней стадии обучения часть rollout’ов для большой модели генерировать маленькой замороженной моделью — так можно получить структурно разнообразные траектории на старте. Затем долю маленькой модели постепенно снижали, плавно возвращаясь к стабильному on-policy режиму большой модели. Результаты: на AIME24/25 получили выигрыш 23.8/22.5 против GRPO-базы 15.0/12.1. Увидели и записали полезное для вас ❣ Даниил Кириллов, Иван Сапожков, Аркадий Альшан и Кристина Гуртова #YaICML2026 Душный NLP

Киборги уже здесь, просто выглядят не так, как мы ждали Вроде бы очевидная ситуация. Мой бот отправляет клиентам ссылку с просьбой посмотреть документ — тишина. Отправляю ту же ссылку со своего аккаунта — читают, кликают, отвечают за минуты, иногда ещё и извиняются, что не сразу. Одинаковая информация, тот же канал. Меняется только отправитель. Посоветовался с клодом. Цифры пожёстче моих наблюдений: — 6200 реальных продажных звонков: бот, представившийся ботом, продаёт на 80% хуже. Тот же бот молча продаёт как опытный менеджер — врачи вслепую выбрали ответы ChatGPT вместо коллег в 79% случаев и в 10 раз чаще назвали их «эмпатичными» — люди требуют помечать AI-контент — и сами же доверяют помеченному меньше. Честность наказуема И особенное — «эффект репликанта»: скажи участникам, что ВСЕ блоки «о себе» в профилях AirBnB написаны AI, и доверие возвращается на человеческий уровень. Бесит не машина. Бесит незнание, с кем сейчас говоришь. Штраф за AI — свойство переходного периода: пока агенты у половины и втихую, метка вредит. Когда будут у всех и открыто — наказывать станет нечего. А вот что останется навсегда — ответственность. Случалось получать от коллеги отчёт, где половина ссылок ведёт на 404? Агент подготовил, человек не проверил и отправил под своим именем. Агент неотделим от хозяина: со стороны не видно, кто писал, значит отвечаешь за каждое слово. «Это бот галлюцинирует» больше не работает. Бота нет. Есть ты. Для себя я выбор сделал: теперь рутину за меня говорит агент (пока не всю, но уже кое-что). Он не забывает фоллоу-апы, не тянет с напоминаниями, у него нет ни настроения, ни джетлага. Заметно надёжнее меня. Но каждое его слово под моим именем — моё слово. Написал про это всё статью побольше. Мы так и не дождались киборга с железной рукой — вместо него появились мы, сросшиеся с агентами в каналах, где уже не понять, кто пишет. Внутри все материалы со ссылками и мои правила: что агент говорит от моего имени, а что никогда. Извинения — только сам. Сергей Булаев AI 🤖 - об AI и не только