Apple подняла цены на iPhone, Apple Music, а также подписки iCloud+, Apple One и AppleCare+ Сегодня компания повысила цены на iPhone в японском регионе. Не исключено, что стоимость смартфонов в других странах может измениться в ближайшее время. Новые стартовые цены в Японии: • iPhone 17 Pro Max — ¥214 800 (+10%) • iPhone 17 Pro — ¥194 800 (+8%) • iPhone Air — ¥177 800 (+11%) • iPhone 17 — ¥142 800 (+10%) • iPhone 17e — ¥107 800 (+8%) • iPhone 16 — ¥124 800 (+9%) Вместе с этим изменились цены и на подписку Apple Music. Кризис памяти вряд ли повлиял на стоимость музыки, поэтому компания связала это с подорожанием лицензионных сборов. В США индивидуальная подписка теперь стоит $11,99 вместо $10,99, а семейная — $19,99 вместо $ 16,99. В Европе теперь аналогичные цены, только в евро. Apple также подняла цену на подписки AppleCare+ и Apple One: месяц Apple One Family теперь стоит $27,95 вместо $25,95, месяц AppleCare+ подорожал на $0,50, а годовое обслуживание — на $5. В нескольких регионах изменилась цена и на облачное хранилище iCloud+. Например, новые цены для Турции: • iCloud+ 50ГБ — TL49,99 (+25%) • iCloud+ 200ГБ — TL169 (+31%) • iCloud+ 2ТБ — TL549 (+38%) • iCloud+ 6ТБ — TL1699 (+31%) • iCloud+ 12ТБ — TL3399 (+36%)

Лазерные спеклы — что это такое и как их применить с пользой? Посвети лазерной указкой на стену, и она покроется мерцающими блёстками. А теперь попробуй сфокусировать на них взгляд. Ничего не выйдет. Точки начнут гаснуть и загораться, но фокус так и не наведётся, хотя поверхность выглядит абсолютно реальной. В обычной жизни такое не встречается нигде, и это здорово озадачивает всех, кто замечает. Всё потому, что блёстки не лежат на стене. Это интерференция когерентного света на микрошероховатости, картина, сложившаяся на микрорасстояниях, и для каждой поверхности она абсолютно уникальна, как отпечаток. Из этого случайного узора инженеры научились вытаскивать неожиданно серьёзные вещи. Например, следить за деформацией бетонной плиты или резервуара под давлением с точностью в сотни нанометров, снимая, не начала ли где-то выпучиваться стенка. Разберём, как из блёсток дешёвой указки получают почти мгновенное 3D-сканирование объектов.

RTX 50 SUPER есть, но вам мы их не продадим VideoCardz сообщает, что RTX 50 SUPER уже физически поступили как минимум к одному из партнёров Nvidia, но продажи начинать никто не планирует. И все из-за цены 3-гигабайтных чипов GDDR7: один такой модуль стоит $60–70, тогда как 2-гигабайтный — около $20. А без этих чипов SUPER-серия теряет смысл — основной апгрейд как раз в увеличении объёма памяти без изменения шины. В разработке четыре модели: RTX 5070 Super, RTX 5070 Ti Super, RTX 5080 Super и RTX 5050 9 ГБ. Все, кроме последней, получат на 50% больше VRAM. Под вопросом и бюджетная RTX 5050 9 ГБ — похоже, Nvidia будет ждать, пока цены на память не придут в норму. В самом деле, не повод же такая ситуация на рынке для того, чтобы немного редизайннуть чипы, расширив шину и распаяв на платах больше более дешевых модулей памяти, не повод же? 🙃

MSI тихо заменила чипы в RTX 5060 на GB205 MSI добавила на сайт четыре новые RTX 5060 с пометкой «V1» — VENTUS и GAMING, обычные и OC. Внешне всё то же самое, что и в старых платах, но внутри вместо штатного GB206 используется более крутой GB205 — тот самый, что лежит в основе RTX 5070 — но, понятно, в урезанном виде. Nvidia просто отключила часть блоков, так что финальные спецификации остались прежними: 3840 ядер CUDA, 8 ГБ GDDR7, 128-битная шина и PCIe 5.0 x8. Забавно, что у версии GAMING OC V1 тактовая частота даже чуть упала — с 2625 до 2587 МГц, а TDP — со 155 до 150 Вт. Однако GB205 физически крупнее, а значит, тепловая плотность ниже. Да и гнаться он должен лучше чисто теоретически. Отличить V1 от обычной версии можно по прямоугольному расположению отверстий на обратной стороне платы — у GB206 они квадратные. Цен и сроков MSI пока не раскрывает.

Прошу любить и жалоловать Yozh Scraper v 0.1.0. Внутри durable-очередь, движок Camoufox и CyberYozh proxy v2. Все бесплатно и open source.

Cкрапер из однопроцессного превратился в горизонтально масштабируемый сервис, обзавёлся анти-бот движком на базе Firefox и переписанной интеграцией с прокси.

✔️ Масштабируемая очередь на Redis (taskiq) Браузеры теперь живут в отдельных scraper-worker-контейнерах. Масштабируешь одной командой: --scale scraper-worker=N. Задачи переживают рестарт API — состояние, результаты и сессии хранятся в Redis, а не в памяти процесса. Мёртвый воркер? Reaper подхватит и переставит задачу в очередь. ✔️ Новый движок Camoufox ("закалённый" Firefox) Выбирается на каждый запрос через browser_engine, со своими опциями фингерпринта. Yandex SERP теперь ходит через Camoufox и проходит SmartCaptcha. Бонус — read-back applied_*: видно, какой фингерпринт реально применился. ✔️ Защита от WebRTC-утечек Новый webrtc_stealth.js не удаляет WebRTC (это само по себе палит), а оставляет его нативным на вид — реальный IP не течёт мимо прокси. ✔️ CyberYozh proxy v2 + премиум-пулы Клиент прокси переписан с нуля. Появились премиальные ротационные резидентские/мобильные прокси (prem_res_rotating) с warm-up — сессия прогревается перед реальным скрапом, чтобы пройти cold-session гейты. Ротация теперь и на бан/транзиентные ошибки, не только на капчу. SOCKS5 с авторизацией работает и на логине. ✔️ Сессии на Redis storage_state бэкается в Redis — залогиненные сессии переживают рестарт контейнера и шарятся между воркерами. ✔️ Наблюдаемость Новый эндпоинт GET /api/v1/queue/stats — глубина стрима, in-flight и активные консьюмеры в реальном времени. ✔️ Пресеты и SERP Yandex локализуется по lr; отключён stealth на google_shopping (убивал капчу); починены walmart_product и youtube_video; добавлен детект /showcaptcha. Star, Fork, Like. 👉 https://github.com/CyberYozh-data/yozh-scraper

Про декорации Момент из Vampire: The Masquerade — Bloodlines 2, который очень сильно выбил из погружения. Помимо странного утопания одной из стопок бумаг в столе, разумеется. Это очевидно, но сразу не так заметно. Скорее я про то, что здесь используется одна и та же стопка бумаги, причём очень неумело, и это прямо бросается в глаза. Помимо очевидных вещей, вроде того, что тут можно было как-то покрутить масштаб этих стопок (по крайней мере, в толщину), поворот, навалить их под углом одна на другую, чуть утопить в стол так, чтобы этого не было видно, и так далее — здесь очень бросается в глаза вот эта правильная раскладка полукругом. Теоретически это всё можно объяснить, но просто, если вы используете один и тот же пропс для визуала, зачем вы таким расположением ещё и делаете на этом акцент?) Так вот, про декорации. Понятно, что разработка игр это декорации, виртуальная сцена. Обман, своего рода. Но хорошие декорации помогают создать атмосферу и подсвечивают то, что в них происходит. А плохие оттягивают на себя внимание и порождают вопросы. Чтобы этого не случилось, очень важно задавать свои вопросы, когда мы эти самые декорации расставляем. Это и выбор нужного пропса, и то, как их использовать, и какую функцию они должны выполнять в данной локации. И сравнение с реальной жизнью, но только если это требуется данной игре (может ли такое быть в жизни?). Или какой нарратив мы получаем от этого места и конкретно этих предметов, лежащих таким образом. Самое забавное, что если на столе этой композиции из стопок бы не было, и было бы 2-3 стопки, сцена бы всё ещё работала, и игрок скорее всего вряд ли обратил на это внимание. И может быть даже не увидел вот этой впечатанной в стол стопки на переднем плане. Штош) #Bloodlines2 #gamedesign #leveldesign #мнение

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