Сообщества уже тестируются в Telegram В Beta-версии Telegram для Android под номером 12.9 появилась возможность организовывать сообщества, которые объединяют множество тематических групповых чатов. Как это работает: • Только чаты: На текущий момент можно добавлять только групповые чаты. • Как вступить: Вы считаетесь участником сообщества, если находитесь хотя бы в одном чате, привязанном к нему. • Что это даёт: Если чат привязан к сообществу, об этом будет указано в его профиле. Оттуда же можно перейти в само сообщество. Участники могут просматривать список всех «видимых» чатов в сообществе и вступать в них. • Чаты остаются независимыми: Telegram не добавляет участников одного чата сообщества в другие группы автоматически. Разные владельцы могут предлагать добавить свои чаты в одно сообщество. • Могут объединяться визуально: Чаты сообщества могут отображаться отдельно или объединяться в один элемент. Это поведение контролируется администраторами сообщества. Если объединение включено, все чаты сообщества превращаются в подобие единого форума, но каждая ветка — независимый чат, к которому можно присоединиться. • Скрытые чаты: Чат сообщества можно сделать «скрытым». Скрытый чат видят только те, кого отдельно пригласили именно в него. Это похоже на общие и скрытые каналы на серверах в Discord. Участники скрытого чата могут перейти в сообщество, а остальные участники сообщества в скрытый чат — нет. • Будут ли каналы: В коде упоминается возможность привязки каналов, но она неактивна, поэтому неизвестно, появится ли эта функция в будущем. Функция сейчас работает только на тестовом сервере. Привязать свою беседу к сообществу можно на странице настроек группы — за это отвечает опция «Add Group to a Community».

Подписывайтесь на наш второй канал @BetaInfo, чтобы одними из первых узнавать о будущих обновлениях Telegram.

#Android #Beta

Вы тоже заметили рост вакансий с AI? Например: - AI Native Marketing Head, Финансист - AI Product Manager, ВЛАДИС - РМ по внедрению AI-инструментов, МТС - Специалист по внедрению ИИ, АТЛАС - AI Product Manager, Моё дело и т.п. Ищут джунов, Моё дело спрашивает "что такое HITL" в тесте... Сбер ищет опыт с LangGraph.. Авито - опыт с RAG. Требования минимальны, экспертиза нанимающих менеджеров слабая. Т.е. меняются изнутри, локально внутри домена. Не сверху вниз. Поэтому сильные либо: а) идут работать в корпы (Гигачат / Алиса) б) работают на зарубежные компании в) тру строят Ai-native стартапы с фокусом на глобал (пример) Большинство знакомых из Яндекса, Авито и др. переориентировались на Tier-1 рынки. Что делать компаниям? Увы, нет другого способа привлечь на борт группу «ИИ сталкеров», которые могли бы инициировать ИИ-трансформацию, кроме как позволить им разбогатеть. Действуй как инвестор, оценивающий потенциал будущей капитализации, а не как менеджер, который изучает PnL. p.s. Еще один важный момент: позволь своим энтузиастам разрабатывать продукт каннибализирующий текущую прибыль. Иначе либо они уйдут и создадут аналог с Claude Code, либо конкурент.

Я часто менял домены в своей практике, но впервые разобрался как делать это правильно! Тк у нас уже были медиа упоминания и беклинки на era.shopping хотелось сохранить их на новом домене. Для этого оказывается нужно сделать пару дополнительных действий: 1. 301 redirect. Ни framer (где хостится сайт), ни squerspace (провайдер домена) не дают это сделать, поэтому самым простым вариантом, спустя несколько часов мучений с противоречащими советами клода/чатгпт, оказалось сделать бесплатный аккаунт Cloudflare, добавить там старый домен, и прописать правило для редиректа типо:

If incoming requests match: (http.host eq "era.shopping") or (http.host eq "www.era.shopping") URL redirect: Dynamic - concat("https://tryera.ai", http.request.uri.path) - 301 redirect

2. В google search console есть специальный инструмент Change of address где нужно указать гугла на новый домен. 3. В GA не нужно добавлять новую property, а можно просто обновить ссылку в data stream.

А у нас там подкаст вышел, видели? Если вдруг нет, то заходите на YouTube, в ВК или Дзен, там увидите подкаст Виктора Кантора и Татьяны Гайнцевой – AI Researcher и PhD-кандидат в Queen Mary University of London, исследовательница в области интерпретируемости и управления поведением генеративных моделей. Обладательница стипендии DeepMind, преподаватель Deep Learning School и Nebius Academy, соосновательница Deep Learning School, автор телеграм-канала DLStories и подкаста Deep Learning Stories. Ранее занималась исследованиями в Huawei и Philips, работая над задачами компьютерного зрения и медицинского AI. В выпуске разговор получился не столько про карьеру в AI, сколько про исследовательское мышление. Почему одни специалисты годами улучшают метрики моделей, а другие пытаются понять, что происходит внутри них? Зачем вообще исследовать интерпретируемость нейросетей? Можно ли управлять поведением LLM через активации отдельных слоев? И почему иногда самый интересный вопрос в машинном обучении – не «как сделать лучше», а «почему это вообще работает»? Ждём вас на удобной для вас площадке: https://youtu.be/pXMd0N6xSAQ https://vk.com/video-228219607_456239235 https://dzen.ru/video/watch/6a314bf1a6d473684e1eb721

Midnight Code Cup 2026 Qualification Round. Results. Прошел квалификационный раунд, интересные ощущения от него. Вот тут можно почитать задачи: https://codeforces.com/gym/106478 Вот тут посмотреть финальные результаты: https://ranker.codeforces.com/ranklist/106471 Мы в этих контестах разрешаем пользоваться AI, и очень интересно наблюдать, насколько быстро все меняется. В финале прошлого года (который был летом) команды уже довольно часто использовали AI. Он давал возможность быстро написать хорошее решение и войти в топ, но при этом код становилось сложно поддерживать, участники не понимали, что в нем происходит, и ближе к концу контеста на топовых местах были команды, которые большинство кода писали руками. Сейчас же почти все команды в топе использовали AI, и в основном занимались тем, что говорили агентам, что нужно делать, а не решали задачи сами. При этом те команды, которые по старинке пытались решать задачи руками, потратили много времени на написание бойлерплейта, и им не хватило времени, чтобы написать какое-то хорошее решение. Чем-то напоминает обычную работу программиста, где уже сейчас можно получать результаты сильно быстрее за счет использования AI, но есть много людей, которые не пытаются или не хотят это делать, и в итоге окажутся в сложном положении. На этом контесте я был автором задачи С. Кажется, с точки зрения сложности/глубины вышло довольно хорошо. Мой личный критерий "интересности" оптимизационной задачи следующий. Если попросить агента написать хорошее решение задачи, а потом в бесконечном цикле просить его "улучшить", то он не придет к оптимальному решению, а застрянет в каком-то локальном оптимуме. А правильная стратегия — это иногда сделать несколько шагов назад и понять, можно ли как-то глобально по-другому решить задачу. Например, в лидерборде можно видеть, что большинство решений в топе получило примерно 70k баллов, но при этом есть решение от Probably worse than LLMs, которое получило 90k. И что-то мне подсказывает, что решения построены на немного разных идеях, и текущим агентам тяжело перестать микрооптимизировать код, который дает 70k, и сделать большой скачок до 90k. Если вы участвовали, как вам контест?

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.

Терраформировать Марс — то есть превратить в мир, где можно жить без защитных куполов — мечта человечества с того момента, как стало понятно, что это холодная планета с призрачной бескислородной атмосферой. Сейчас главный хедлайнер ее освоения — Илон Маск, компания SpaceX которого планирует первые полеты туда уже в 2028 году. Многие энтузиасты вспоминают слова Маска 14-летней давности: Красную планету надо лишь «подремонтировать», чтобы ходить без скафандра. Но между полетом и прогулками по городу-саду на Марсе лежит огромная пропасть. Пару лет назад Naked Science рассматривал положительный сценарий терраформирования. Пришло время подсчитать, сколько же лет и ресурсов потребуется. https://naked-science.ru/article/nakedscience/terraformirovanie-marsa

Финальный эпизод 14 сезона подкаста «запуск завтра»! Говорим с Николаем Давыдовым об инвестициях в ИИ. Николай занимался ИИ ещё до того, как его стали так называть. Достаточно ли добавить к названию проекта AI, чтобы получить инвестиции? Почему лучшая троица основателей стартапа — это индус, белорус и китаец? Какие для Николая есть красные флаги, а какой питч гарантирует интерес? Разбираемся с профессионалом. А ещё это легкий и увлекательный разговор. Смотрите и слушайте: https://youtu.be/0TQ2iuW20Ww — Так мы завершаем наш первый сезон в видео. Аудио в подкасте можно собрать из супер коротких фрагментов речи. Буквально по словам, почти как в анекдоте «ты мне гамму спой, я дальше соберу». Хороший звукорежиссер сделает так, что монтаж будет практически незаметен. В видео каждая склейка бросается в глаза, так что сложность производства в разы выше. Горжусь командой подкаста: редакторами Машей Агличевой и Ритой Берденниковой, продюсерами Даней Астаповым и Ане Коваленко, монтажером Сергеем Христолюбовым. Спасибо Селектелу, который рискнул с нами вместе и оплатил этот банкет. Спасибо вам, дорогие зрители и слушатели! Пожалуйста, пишите свои предложения в комментариях и приватно, можно через бота. Ещё мы подготовили традиционный опрос, там все структурировано и займет не больше 5 минут. Ура!

Астрономы развенчали гипотезу однородности Вселенной на сверхбольших расстояниях Вселенная на достаточно больших масштабах выглядит одинаково во всех направлениях — это один из краеугольных камней современной астрофизики. Однако новые данные, полученные с помощью спектроскопического прибора DESI, нанесли удар по этой устоявшейся парадигме. Проанализировав карту 47 миллионов галактик, охватывающую 11 миллиардов световых лет, итальянские астрономы обнаружили, что структурная неоднородность сохраняется на масштабах в тысячи раз больших, чем считалось ранее. https://hightech.plus/2026/06/28/astronomi-razvenchali-gipotezu-odnorodnosti-vselennoi-na-sverhbolshih-rasstoyaniyah