Просто дружеское напоминание что сейчас лучше всего учить своих агентов строить себе harness'ы: Подтверждение этому маленький стартап Poetiq (кстати основан бывшими исследователями Google DeepMind) Нашли новый способ который делает Opus 4.8 / GPT-5.5 умнее чем Fable / GPT 5.6 Sol во всех бенчмарках. Сразу скажу что есть такой закон Гудхарта и риск бенчмаксинга, когда модель заточена на то чтобы бить конкретный бенч, и тогда реальную пользу по нему не понять. А работает это так: их система это петля (RSI) которая автоматически конструирует целые харнессы (код, промпты, инструменты и стратегии поиска) для любого бенчмарка, с которым сталкивается. Сама пишет всю инфраструктуру решения, прогоняет, смотрит на результат, переписывает, и так по кругу, пока не выжмет максимум. А модель внутри петли это просто расходный материал, которую можно заменить на более новую, и вся накопленная обвязка автоматом конвертируется в еще лучший результат. То есть улучшения накапливаются и переносятся. Каждая задача, которую она решает, помогает ей оптимизировать саму себя, превращая её во всё более мощный оптимизатор. Причем для этого не нужен никакой файнтюн, просто обычный API-доступ. Поэтому Poetiq говорят "статичные бенчмарки мертвы", и вместо них предлагают динамически генерируемые тесты, заточенные под слабые места конкретной модели, на которые невозможно натренироваться. Технарям рекомендую это видео на ютубе, если хотите сделать харнесс дома (или просто скормить агенту) @tips_ai #news

📌 Как дотянуть компактную модель до уровня гигантов посттрейном AI-подразделение китайского производителя электромобилей Lixiang опубликовало интересную работу о том, как они оптимизацией насыщали компактную модель доменными знаниями.

Mach-Mind-4-Flash - итоговая MoE-модель на 35 млрд общих 3 млрд активных параметров на базе Qwen3.5-35B-A3B.

Проблема, от которой Li Auto отталкивались, состоит в том, что если учить одну модель с подкреплением сразу на смеси наград (математика, код, агентные задачи), то появляются качели - подтянули одно, просело другое. Решение - разделить этапы и области знаний. Сначала независимо обучили более десятка RL-экспертов, каждого в своём домене: математика, код, текст, безопасность, поиск, работа с инструментами. Каждый эксперт получил свои данные, свои проверяемые награды и свою стратегию обучения. Дальше самое интересное - как собрать экспертов обратно в одну модель. Для этого использовали методику MOPD, которую взяли у Xiaomi.

Это мультиучительская дистилляция на собственных генерациях ученика, где каждый обучающий пример по ключу маршрутизации уходит к "своему" замороженному эксперту, и тот через reverse-KL на уровне токенов подтягивает распределение ученика к своему.

Агентные навыки эксперты осваивали в исполняемых песочницах - там модель читает файлы, правит код, запускает тесты, видит ошибки и продолжает с их учётом. Масштаб сред - более 190 предметных областей с сохранением состояния, свыше 3,5 тыс. интерфейсов инструментов, траектории программных задач до 300 шагов при контексте 256 тыс. токенов. 🟡Работает ли слияние? И да и нет. Следование инструкциям сохранилось целиком, а на агентных бенчах ClawBench и ClawEval итоговая модель даже обошла отдельных экспертов. Но на SWE-bench Verified результат просел с 73,80 у эксперта до 71,10 у модели.

Предполагают, что узкоспециализированное поведение в длинных задачах кодинга при дистилляции смазывается.

Финальный штрих - HMPO, собственная механика Li Auto, которая следит, чтобы модель не увлекалась в цепочках рассуждений.

Бюджет длины CoT берётся из медианы правильных ответов в группе, награду получают только верные и при этом более короткие решения, а награда собирается умножением (короткий, но неверный ответ получает строгий 0, что закрывает лазейку для взлома награды).

На выходе HMPO получается сокращение длины генерации на 19–46% при потере точности не более 0,7%, причём обучение шло только на математике, а эффект перенёсся на код и другие задачи. Правда пока это работает только для одношаговых рассуждений, к многоходовым агентным траекториям его ещё предстоит адаптировать. 🟡Итоги 92,7 на AIME'26 - тут отстает от триллионной Kimi-K2.5 меньше чем на пункт; 82,8 на IFBench - первое место с большим отрывом, ближайший конкурент Qwen3.5-122B; 75,8 на BFCL-v4 - второе место после MiMo-V2-Flash, при этом лучше чем Qwen3.5-122B и Kimi-K2.5. Можно сказать, что результаты на уровне куда более крупных моделей. К сожалению, планы по публикации модели неизвестны, но возможно мы просто почувствуем её в следующих поколениях электромобилей Lixiang. 🟡Arxiv @ai_machinelearning_big_data #AI #ML #LLM #Optimisation #RL #LiAuto

На меня смотрел раненый ребенок. Трубка телефона басом выбрасывала ядовитые слова, но за ними я видела ребенка, которому больно и страшно. Вы наверняка слышали про концепцию, что в человеке есть взрослый, ребенок, родитель. Кто-то может слышал про концепцию, что в человеке есть раненая часть, выжившая часть, отверженная часть. А ещё у нас десятки шляп: шляпа босса, бизнес-партнера, мамы, дочери, жены, отца, мужа, защитника, добытчика, просителя и обивателя порогов в госструктурах, переговорщика с арендодателем, продавца поневоле, клиента...Уфф! Всё это приводит к тому, что мы с партнёром вроде говорим из взрослого/партнёра, а отвечает нам раненый ребенок. Или клиентка вдруг включает маленькую девочку, срывает все договоренности и запуск проекта и сливает на вас кучу эмоций по поводу ее частной жизни. Или подрядчик гасится, чтоб его внутреннего ребенка не застыдили и не отругали, как тогда в школе. Это решается на двух уровнях: 1. На, простите, психологическо-эзотерическом. 2. На вербально-взросло-осознанно-деловом. Если мы осознали, что за часть собеседника внезапно вошла в наш диалог без приглашения - бесполезно с размаху давать ей психологическую оплеуху и пытаться жёстко возвращать в нужную роль. Ну представьте, если вы с расстроенным болящим ребенком так сделаете - какая будет реакция? На энергетическом уровне мысленно говорим себе: "Окей, он говорит из ребенка, ему больно/страшно/включился какой-то его личный сценарий. Я это вижу, я это принимаю". Мысленно даём ему то, что этому ребенку или другой нежданной части нужно: безопасность, тепло, уверенность что не ударят, не бросят, не предадут. Мысленно обнимаешь/держишь за руку. На вербальном уровне НЕ скатываешься в сценарий собеседника. В родителя, второго обиженного ребенка. Ведёшь диалог в тех ролях, в которых вы должны быть по роду ваших отношений. Возвращаешь его в эти роли. Закрыв потребность его детской части на внутреннем уровне. Если клиентка вошла в маленькую девочку - на внутреннем уровне даешь ей структуру. Кто знаком с расстановками - можно это в поле делать. На вербальном - мягкий деловой этикет. Если подрядчик гасится, чтоб не стыдили как школьника - не входишь в предложенную роль осуждающего учителя, а на энергетическом уровне даёшь безопасность и понимание, на вербальном - деловой этикет, мягкое напоминание о сути и детялаях договорённостей, и вариант, как выйти из ситуации без потери лица для него и ударов об его главный страх. Ну есть ещё вариант в обход всех ролей обращаться напрямую к душе человека. Но об этом позже.

Сайты падают по расписанию рабочей недели, а в выходные почти нет В четверг сайты падают на треть чаще, чем в воскресенье. Серверам к концу недели не тяжелее, просто в выходные никто не деплоит и не трогает прод. Сайты ломают люди, а не энтропия. Та же логика в графике по часам: главный пик приходится на рабочий день, но пятый по аварийности час суток это полночь, когда стартуют кроны и ночные выкатки в духе «всё равно никто не смотрит». За год мониторинга 6 500 сайтов набежало 108 312 инцидентов, и картина выходит скучнее любых страшилок про взломы и DDoS. Половина всех падений это простой таймаут, когда сервер жив, но задумался. А самое обидное ждёт ночью. Короткие сбои чинит автоматика, которой всё равно, который час, но если она не справилась, длинные инциденты в темноте закрывают на 35% дольше, потому что дальше всё зависит от человека, а человек спит. Выясним, сколько сайтов на деле держат обещанные три девятки аптайма и что за аномалия случилась в июне.

Когда ИИ знает всё, чему учиться человеку? Очень понравилось видео с министром образования Эстонии от TEDx. Несколько раз было в предложениях Youtube и вот наконец дошли руки. Всего 13 минут, так что лучше посмотреть исходное видео. Когда стала министром в апреле 2023-го, ИИ вообще не было в повестке. Советник дважды приходил со словами «надо что-то делать с ИИ – студенты уже им пользуются», но что именно делать – не знал никто. Год консультаций с нейроучёными, когнитивистами и техкомпаниями привёл к мысли, что вопрос не про технологию, а про человека. Министра образования должно волновать не «какой инструмент внедрить», а что происходит с мозгом и способностью учиться, когда машина уже умнее. Ещё в 2017 году ОЭСР выяснила: у 2/3 работников грамотность, счёт и цифровые навыки ниже возможностей тогдашних компьютеров. Отсюда вопрос: зачем вообще развивать мышление, если компьютер справляется лучше? Может, бросить учиться? Ответ такой: нет, но придется получить новые навыки. Это не первый раз, когда технология ставит человека под эволюционное давление. Печатный станок заставил всё человечество научиться читать. Сейчас – новый эволюционный скачок, только давление не физическое, а когнитивное: думать нужно быстрее, системнее и креативнее. Мозг работает в 2 режимах. Низший когнитивный: память, понимание, применение – «автопилот». Научился ездить на велосипеде – и не переучиваешься каждый раз; отсюда же стереотипы. Мозг любит этот режим, потому что он самый дешёвый по энергии – а мозг и так главный потребитель энергии в теле. Высший режим – анализ, оценка, созидание – требует постоянного переобучения и выматывает сильнее марафона: после сложного экзамена ты «мёртв» физически (см скриншот). Школа 200 лет работала по схеме «запомни – пойми – примени – сдай тест», а высшие уровни доставались только в магистратуре и выше. Но ИИ уже умеет всё нижнее и почти всё верхнее. Уникальными для человека остаются этическая оценка и настоящее созидание – ИИ «творит» лишь из вероятности, все равно нужна насмотренность, вкус, опыт. Вывод: осознанно тренировать как можно больше людей постоянно быть в потоке высших когнитивных процессов – и начинать с 7 класса, с 12–13 лет. При этом делать это нужно вместе с ИИ, потому что именно он выталкивает с автопилота. Без него система по инерции скатится в зубрёжку, а ученики – в brain rot и когнитивный аутсорсинг, когда просто домашка списывается с ИИ. Примерно то же самое происходит сейчас и со "взрослыми", которые присылают "списанные с ИИ презентации" или исследования, которые даже не просматривали глазами. Что сделала Эстония – программа AI Leap: стратегия ИИ для школ, запуск – февраль 2025-го, пилот в 10–11 классах, с сентября 2026-го – профобразование. Финансирование 50/50 – государство и частные компании; управляет фонд, а не министерство («министерство – не место для инноваций»). Инструмент – ИИ-тьютор по методу Сократа, созданный вместе с OpenAI: не общий ChatGPT, а версия, которая не отвечает, а ведёт вопросами. Абсолютный фокус – подготовка учителей: как через ИИ вытаскивать учеников в анализ, системное и критическое мышление. Эстония – первая и пока единственная страна с таким инструментом в школах; идёт научный мониторинг, готовых ответов нет – «учимся по ходу» и зовут остальных учиться вместе. Очень понравилось и объяснение эволюции и что надо делать. Согласен со всеми пунктами и кажется закрыл для себя вопрос, чему и как учить сына. Ну и конечно лишний раз подтверждает, что OpenAI/Anthropic и прочие лаборатории действительно самые продвинутые и открытые для создания полезных для образования, государственного управления, общества систем. А не консалтеры, ученые, друзья детства, дата-сайнтисты или linkedin-блогеры https://www.youtube.com/watch?v=44St9MoJU0E

DeepMind: ИИ-агенты генерируют гипотезы быстрее, чем ученые успевают их проверять ИИ-агенты превращают научные открытия в конвейер: гипотезы генерируются быстро и дёшево, а исследователи просто не успевают их проверять. Согласно докладу Google DeepMind «Conjecture Machines», разрыв между мгновенным потоком научных предположений и медленной, дорогой физической проверкой будет только увеличиваться. Это потребует радикальной реформы всей научной инфраструктуры — от лабораторий до системы рецензирования. Под основным ударом оказываются молодые ученые — они лишаются возможности развить собственное научное суждение и интуицию. https://hightech.plus/2026/07/17/deepmind-ii-agenti-generiruyut-gipotezi-bistree-chem-uchenie-uspevayut-ih-proveryat