Одна из самых крутых возможностей на стажировке – поиграть на полную мощь с агентами для кодинга. У нас на них довольно большой (фактически чувствующийся неограниченным) бюджет. Клод Код получает в месяц больше денег, чем стажёры 🥲 Благодаря этому получается почувствовать, насколько сильно меняется мир. Я программирую уже с десяток лет и знаю много вещей из разных областей, но каждый день узнаю от Клода что-то новое. Он просто знает сильно больше алгоритмов и подходов, чем я или кто-либо ещё. Мышление переносится на уровень выше, начинаешь думать задачами и выстраивать путь к исполнению проекта, а не отвлекаешься на мелкие проблемы. То, что в начале пхд занимало у меня дни – например, установка зависимостей и организация данных – или даже месяцы – например, запуск чужих методов – теперь делается буквально за вечер. Нужно только расписать Клоду, что нужно сделать, убедиться, что он тебя правильно понял и идти спать, а утром читать отчёт Агенты всё ещё далеко не идеальны, а управление ими – навык, требующий опыта. Но на мой взгляд это теперь самый эффективный способ работы, и ближайшее будущее – несомненно за ним. Совершенно непонятно, что будет в хоть чуть-чуть отдалённом будущем: Клод Кодычу едва исполнился год А также совершенно понятно, что научная инфраструктура абсолютно не готова к грядущим изменениям. Какой смысл ревьюить статьи по году, если они могут устареть через неделю (определённо не все, но разработка новых вычислительных методов уж точно)? Как вообще проводить пир-ревью, если статей станет кратно больше (а оплата ревьюерам всё ещё стремится к нулю)? Как проводить конференции, если количество заявок на них скоро достигнет сотен тысяч? Как ориентироваться в лавине статей? Нужны ли вообще ещё статьи как основной метод обмена информацией? Одно могу рекомендовать совершенно точно: если вы не работаете с агентами для кодинга, обязательно попробуйте. Если вы заведующий лабораторией, достаньте студентам доступ к лучшим инструментам и выстраивайте культуру работы с ними. Задач пока ещё хватает и все их агенты не решат. Но без них люди будут двигаться в разы медленнее

Чат GPT за 20 баксов хватает на один вечер. Всем привет, буквально позавчера я писал, что заготовил себе агентство выходного дня. И что, думаете, Chat GPT на SOL у меня опять кончился за один вечер — недельный лимит, и я опять ничего не успел сделать. А сделать я придумал интересное: я решил попробовать сделать ритм-игру. Я люблю музыку, люблю вайбить, и почему бы не объединить две эти идеи и сделать интерактивную игру, в которую можно играть с вашей музыкой? Идея показалась мне интересной, но вот лимит подписки за 20 баксов кончился, даже не дойдя до рабочего демо. Тут я вспомнил про Kimi K3, которые выпустили недавно свой собственный харнес, и я решил его протестировать. Скачал фирменный харнес, залогинился, запустил — не работает, много говорит про очередь. Пришлось оплатить подписку за 20 баксов, дело пошло, разобрался достаточно быстро в задаче и подхватил доделку за Chat GPT SOL. По расходу токенов пока непонятно. Но вот что понятно — харнес у них ну прям ооочень базовый. В нём нет буквально ничего: в нём есть агентность, есть чат, и на этом, собственно, всё. Ни сплит-вью всяких, ни красивых логов, ни аудиоввода или прослушивания сообщений — это всё ещё не завезли. Так что юзать фирменный харнес с ясовременно точно не советую. Но для чистоты эксперимента решил попробовать. Хотя если вы не притязательны и не знаете, что харнесы бывают разные, может, вам и подойдёт для базовых задач. Но я пробовал уже почти все харнесы, и пока всё ещё считаю самым прикольным Claude Desktop. Что ещё из забавного: Kimi K3 спавнит агентов с человеческими именами — это странно. А вы уже пробовали Kimi K3? Как вам? И какой ваш любимый харнес — пишите в комментариях.

8 месяцев назад вышла Kimi K2 Thinking, и мы слышали то же самое: «Chinese open-source model is #1». Через 3 месяца после релиза я собрал аналитику по 16 бенчмаркам, вышедшим после релиза модели, и сравнил с GPT-5 / Sonnet 4.5. Модель была хуже на 13 (!!!) из них, причём на 7 — более чем на 10 процентных пунктов (пп). Повторится ли это с Kimi K3? Свои мысли и предсказания я напишу в конце, а пока пришла пора ретроспективно оценить DeepSeek v4 Pro (Preview) — с его релиза прошло почти 3 месяца. За это время я смог найти 32 новопоявившихся бенчмарка. В релизном блогпосте v4 Pro сравнивали с Opus 4.6 и GPT-5.4, и модель якобы «была лучше» в 4 и 3 бенчмарках из 6 соответственно. Surely результаты на новых будут сопоставимы? Нет. Opus 4.6 и DeepSeek v4 Pro обе были замерены на 10 бенчмарках — на 9 из них китайская модель проигрывает, и на 5 — более чем на 20 (!) относительных процентов. Сравнение с GPT-5.4 выглядит чуть менее жестким: DeepSeek v4 Pro оказался лучше на 3... но всё равно хуже на 13. (Количество бенчмарков разное потому, что не каждый бенчмарк замеряет цифры и для GPT, и для Claude). На 6 бенчмарках разница больше 20 относительных процентов. Но вообще-то стоит вспомнить, что и GPT-5.5, и Opus 4.7 вышли ДО DeepSeek v4 (на самом деле впритык, но всё же). И если добавить эти модели, как будто мы сравниваем со всеми моделями, доступными на момент релиза v4, то ситуация становится просто мрачной. Все 32 бенчмарка проиграны, и средняя разница в абсолютных оценках составляет -18.6 пп. Эта разница вырастает до -23 пп, если брать только те бенчмарки, которые я классифицировал как Agentic Coding (SWE-bench style), где казалось бы падение должно быть не таким существенным. Только подумайте: модель не решает четверть задач, которые решали проприетарные модели, доступные на момент релиза DeepSeek V4 Pro. Повторится ли эта ситуация с Kimi K3? Ведь ей предстоит пережить сравнение с GPT-5.6-Sol и Fable 5. Я уверен, что да — по сумме показателей на десятках бенчмарков мы точно увидим разницу, хотя, возможно, не настолько значительную. В конце концов по тем веб-сайтам, что я вижу в своей твиттер-ленте, модель действительно не хуже Fable на фронтенд-задачах, даже на очень креативных промптах. Вполне возможно, что на широком наборе других задачах на программирование модель тоже конкурентна или хотя бы отстаёт не так сильно. Может быть даже сможет потягаться в подготовке презентаций и экселек. Условно, если снова соберётся 30 бенчмарков, мы можем увидеть, скажем, 8 побед за Kimi, 5 ничьих и 17 поражений. А может быть, она покажет себя даже лучше — поживём увидим. Главное то, что Kimi K3 может быть той моделью, которая покажет, что существуют некоторые поддомены, в которых Китайские модели действительно не отстают систематически. Это не качество по всемнаправлениям, и "в среднем" проприетарные всё равно будут лучше — речь именно про поддомены (например, «вебсайты с 3D-графикой на three.js» или «веб-игры», по которым многие делают слишком далекоидущие выводы). (Не воспринимайте этот текст как «Kimi / DeepSeek говно и никто не должен их использовать». Пожалуйста, прочитайте детали моей позиции в блогпосте по ссылке). Все графики и данные тут: ссылка.

За последний год стало очевидно: главный вопрос в AI больше не звучит как «Какая модель умнее?» Главный вопрос теперь другой: «Кто сможет построить вокруг модели лучшую экономику?» Кажется, что AI - это гонка технологий. Но если посмотреть на рынок внимательнее, становится видно: технологии начинают быстро превращаться в инфраструктуру. Так уже происходило с электричеством, интернетом и облачными вычислениями. Когда технология становится инфраструктурой, побеждает уже не тот, у кого она лучше. Побеждает тот, кто лучше встроил её в экономику. Именно поэтому сегодня особенно интересно наблюдать за расстановкой сил. Anthropic делает ставку почти исключительно на корпоративных клиентов. Google встроил AI внутрь поиска, рекламы и Workspace - пользователь может даже не думать о том, какая модель работает под капотом. OpenAI пытается одновременно быть лабораторией, платформой, потребительским приложением, производителем устройств и инфраструктурной компанией. И это очень показательный момент. Кажется, что AI-индустрия проходит тот же путь, который проходили почти все технологические рынки. Сначала конкурируют технологии. Потом конкурируют продукты. А затем начинают конкурировать бизнес-модели. Именно здесь появляется самый интересный сдвиг. Если несколько моделей способны решить одну и ту же задачу почти одинаково хорошо, то сама модель перестаёт быть главным источником преимущества. Преимуществом становятся данные, каналы распределения, интеграции, пользовательские привычки, стоимость выполнения запроса, способность встроить AI в существующие процессы. Другими словами, интеллект постепенно становится дешёвым ресурсом. А вот понимание бизнеса становится дорогим. Поэтому мне кажется ошибочным популярный тезис, что AI уничтожит экспертов. Скорее наоборот. AI уничтожает ценность универсальных знаний, но резко увеличивает ценность доменной экспертизы.

Несуществующие агенты для аудио В последнее время много работаю с генерацией аудио. И удивляет, что в основном аудио пайплайны собираются в условном comfy – визуальном блочном редакторе. Удивляет потому что это как писать код пайплайном в n8n вместо клода Основная проблема тут – нет полноценного агентного цикла, где модель видит, а точнее слышит, результаты предыдущих действий и может сама выбирать что с этим делать делаше Но тут есть одна техническая сложность, которая многое объясняет: у моделей пока нет нативного восприятия аудио. Например, умение "видеть" картинки уже есть. Поэтому клод код может посмотреть скриншоты лендинга, который он сделал, увидеть косяки и поправить их. Картинки – в контексте той же модели, которая пишет код А с аудио так не работает – большинство моделей не умеют в нативный аудио input Вы скажете: так есть же gemini. Это да. Но: ни одна агентная обертка не поддерживает чтение аудио файлов чисто на уровне тулов. Агентный экзоскелет просто не может просунуть аудиофайл в API запрос к "мозгу". Да, можно подключить gemini по api к основному агенту и отправлять туда аудио с промптом мол "расскажи, чего не хватает" (кстати, китайская glm-5.2 все еще с картинками работает именно так). Но это все равно что глухой композитор, который зовет своего племянника послушать музыку и сказать, что он там слышит – работает, очевидно, плохо из-за эффекта глухого телефона Вот и получается, что сейчас просто нет привычного нам агентного решения (со скиллами, запуском терминальных комманд, форками сессий, субагентами и т.д.), которое может полноценно работать с аудио (= замыкая фидбэк луп) ——— UPD: Спустя два часа после написания текста выше: 1. Собран простенький самодельный агент вокруг gemini на 300 js строк, с агентным циклом, интерактивностью, fork/edit/resume и проверен подход 2. Это все перенесено в PI в виде экстеншна, который патчит тул чтения файлов (он там by design умеет и текст читать, и бинарные данные) Короче, теперь добавить своему агенту "уши" можно в 1-2 строки:

npm install -g pi-agent

pi install git:github.com/toolittlecakes/pi-gemini-audio-read

(не забываем потом /login → google → api key и выбрать модель gemini-3.5-flash) Где нужно: генерация музыки, качественные аудио переводы, работа с voice cloning, монтаж аудио (и видео, если это подкаст) Ограничения: 20мб на файл – не добавлял загрузку файлов через file api. И нет видео инпута

Вообще, забавно, как вдохновляют задачки, у которых в целом нет существующего решения (по крайней мере публичного). Ощущение, что оказываешься на землях, где "ни ступала нога человека"

Новый эксперимент 🔬 Помимо A2A знакомства через git, пошел знакомиться через отдельный VPS, обменявшись публичными ключами, чтобы через GitHub actions / workflows или как там их -> деплоить/катить и эксперименты делать совместно. Наблюдая за происходящим без сломанного телефона. - для этого конечно нужен уровень доверия запредельный, но для RnD самое то. Если кто хочет поиграть - пишите в лс или тут комменты оставьте, будем пробовать общаться еще через 1 новый формат и гипотезы тестить быстрее. За прошлые дни/недели провел еще несколько RnD циклов, чтобы начать новые навороты с плагинами / расширениями для всех AI ide популярных и свой форк от vscode и пары новых более крутых. Если интересно - пишите. Основная идея реализовать эту херобору https://t.me/kryak_startup/1570 + концепты из sakana fugu + open router и Hermes

Исследователи дали coding agent задачу собрать training environment и научить vision-модель считать цветные звёзды. С ограничением по времени. Агент работал через autoresearch-пайплайн на NeMo RL, NeMo Gym и reusable skills. Он сам поднимал окружение, запускал обучение, проверял результаты и двигал эксперимент дальше, пока исследователь только направлял процесс. Результат: Qwen3-VL-2B поднялась с 25% до 96.9% accuracy на задаче подсчёта цветных объектов. Агент ведёт исследовательский цикл: * собирает среду * запускает обучение * оценивает модель * анализирует результат * предлагает следующий эксперимент И вот это уже похоже на будущее ML-разработки: человек задаёт направление и критерии, а агент берёт на себя рутину вокруг экспериментов. https://developer.nvidia.com/blog/how-to-run-an-autoresearch-workflow-with-rl-agent-skills-and-nvidia-nemo/?linkId=100000430716000

Короче, у меня снова кончился Клод. Лимит сбрасывается в понедельник, но на этот раз я был готов. Теперь у меня есть агенты выходного дня. Есть 5 баксов на DeepSeek для Гермеса — это на чёрный день. Есть подписка на ChatGPT за 20 долларов, которой хватает на выходные. Не роскошь, а боевой набор. После Гермеса я уже наловчился переносить данные из Клода. Осталось придумать, как сделать одно общее пространство для всех харнесов, но, увы, пока это не выходит: форматы у всех разные. Даже когда им что-то переносишь встроенными средствами ChatGPT, из Клода уезжает хорошо если процентов 30. Самое полезное всё равно остаётся внутри Клода, и это потом приходится вытаскивать и оверрайтить полуручным способом. Сессии на прошлой неделе как раз хватило, чтобы перенести все данные и начать делать питомца. В ChatGPT, кстати, тоже есть питомцы — я сам не знал, но пройти мимо не смог и сделал смешного Сэма Альтмана, чтобы тыкать его мышкой: timoncool/funny-sam-pet Так что если захотите себе такого же — забирайте на GitHub. А у вас в ChatGPT Desktop есть питомец? Всех обнял, увидимся на стриме всегда ваш - Nerual Dreming ❤️

Будущее лидерского авторитета Об этой подтеме в цикле о Будущем лидерства я напишу через некоторые любопытные примеры. Приглашаю вас поразмышлять вместе! У среднего менеджера сегодня 12 подчиненных по сравнению с 8ю в 2013 году. Это вызвано уменьшением числа менеджеров, считает Gallup. А медиана не растет – большинство руководит относительно небольшими командами: 37% – менее, чем пятью людьми, каждый пятый менеджер (22%) имеет от 10 до 24 прямых подчиненных, и только 13% управляют 25+ сотрудниками Gartner предполагали, что к концу 2026 года каждая пятая организация уберет больше половины менеджеров среднего звена, но уже отправившие “на кислород” людей – жалеют. Упрощенная (уплощенная!) орг структура может привести к путанице и неудовлетворенности других сотрудников, а еще не понятно, откуда потом вырастут менеджеры высшего звена?  В интро темы я писала, что управление двигается в среду "племенного" доверия или доверия "своим" – 42% сотрудников предпочли бы сменить отдел, чем подчиняться руководителю с другими взглядами Если грубо, авторитет = экспертиза, уважение и надежность. Все это никуда не денется, но вот что кажется стоящим размышлений:  Эксперименты с тем, где возникает авторитет, чем он обеспечен и у кого он в руках – (1) Режим AI основателя – единственно рабочий режим сейчас: Brian Chesky, CEO Airbnb, и его founder mode стали героями эссе Пола Грета в 2024 году, и пока ничего не изменилось Теперь Брайан в AI Founder Mode. Что говорит: вы управляете людьми через работу, вы не психотерапевт и не надо упариваться в бесконечные 1-1 (он вообще проводит только групповые встречи) AI делает информацию и инструменты доступнее, нет причин делегировать понимание бизнеса через длинную управленческую цепочку (мол, Католической церкви 2000+ лет и управляется она через 4 уровня, зачем в компаниях по 7-8?) Чески считает, что останутся только hybrid people manager или manager-IC и он их растит своими руками  (к слову, “концентрический" круг у него – 40-50 человек)  (2) Крупные руководящие роли переводят в ко-режим: то есть у компании может быть несколько ко-генеральных директоров, например, как у Spotify – с января 2026 года компанией будут руководить два co-CEO — Алекс Норстрём (Chief Business Officer) и Густав Сёдерстрём (Chief Product and Technology Officer), Comcast (телеком, медиа, стриминг – чем только не владеют они) – назначила Майка Кавана со-CEO вместе с Брайаном Робертсом, а еще – Oracle – сделал ко-CEO Clay Magouyrk and Mike Sicilia Меня, кстати, звали на работу в один крутой у нас, который пошел на международку и такой сложной структурой должен был рулить, что там было 4 ко-генеральных директора (3) Растет доля фракционных руководителей. Это “временное” руководство – не можете себе позволить дорогого сотрудника (например, CFO или HRD), он вам подтягивает команду при частичном вовлечении. При этом, это и непростая ролевая конструкция для команды (а я делают так на практике и понимаю, как это работает). Есть мнение, что CXO позиции – просто такая новая форма частичного найма  (4) Next-generation и shadow boards из молодых сотрудников – Michael Page (рекрутинг) создала десять таких советов в разных странах; Interbrand (консалтинг) рассматривала свой совет сотрудников младше 30 лет не как разовую инициативу, а как платформу минимум на десять лет. Такие структуры создаются, чтобы молодые сотрудники тоже могли влиять, а руководители – получить новый взгляд на проблемы. Классно! Идет поиск новых форм групповой работы –  (1) Dynamic Shared Ownership by Bayer (фарма). с 2024 года убрали до 6 орг уровней, сократили управленческие позиции примерно на 2/3 и передали подавляющее большинство решений исполнителям. Работают миссиями и 90-дневными циклами, а лидеры переопределяются как визионеры, архитекторы, катализаторы и коучи Глава трансформации называет себя Chief Catalyst :) В центре – клиент и customer & product команда, а technical teams, enabling teams (кстати, классное название для HR, IT, legal…) secure –"обогащают их экспертными знаниями и ресурсами". Не важно, сколько у тебя подчиненных, важно, можешь ли ты воздействовать на внешнюю среду (2) Flash teams – в 2025 году исследователи Stanford Мелисса Валентайн и Майкл Бернстайн формализовали модель Flash Teams: глобально распределённые эксперты быстро собираются под конкретную задачу, работают несколько недель или месяцев, меняют состав по мере развития проекта и затем распускаются AI и цифровые платформы помогают определить необходимые роли, найти людей, организовать онбординг и координировать последовательность работы (3) Британские mission testbeds – государственные служащие должны работать вместе с учителями, сотрудниками NHS, местными властями и сообществами, быстро проверяя решения непосредственно на территориях и генерировать новые идеи Понятно, что в компаниях будут появляться отношения нового типа и это тоже необходимо будет обрабатывать: - BNY  (старший банк Америки) в годовом отчете за 2025 год написали: у нас “134 digital employees” (автономные мультиагентные системы, встроенных в рабочие процессы), а - Microsoft сделали Entra Agent ID, чтобы включить в жизнь “виртуальных коллег”: анонс заканчивается словами “Давайте вместе обеспечим управление и защиту каждой idendity – будь то человек или агент” И завершить хочу таким примером – распределенное лидерство в космических миссиях. NASA HERA (Human Exploration Research Analog) делают исследования о взаимодействии команд, так как космические агентства по всему миру готовятся к миссии на Марс Одна из главных задач – организационная: обеспечение успешного сотрудничества внутри небольшой команды, которая будет жить и работать вместе в экстремальных условиях в течение длительного периода времени Лидерство в команде будет иметь решающее значение для успеха миссии, обеспечивая руководство, стимулируя творческое мышление, минимизируя конфликты, ведя переговоры между экспертами из разных областей и поддерживая высокий уровень мотивации на протяжении всей миссии Вместо иерархического лидерства полагают, что полезнее – совместное. “Члены команды являются одновременно источниками и получателями лидерства. Члены команды должны быть готовы не только руководить другими, но и признавать ценность опоры на нескольких членов команды в вопросах лидерства”. Так как усилия лидера могут терпеть неудачу, если отвергнуты командой, очень важны взаимоотношения  Я, кстати, размышляя как-то о мнимой бесполезности работы менеджера, получила в ответ альтернативное мнение – мол, такие, как ты, очень будут нужны на борту космических кораблей! 😁🫶🏻 Так что от нашей способности влиять, в том числе, совместно, буквально зависит будущее. Нам тут учиться и учиться :) NB: я пишу цикл о Будущем лидерства, сейчас мы в Блоке 1 – Я: внутренняя опора лидера. Вводная часть тут 📌 Подписывайтесь на Кружой кройки бытия

✅KEISOSUBBOTA Кейсосуббота — это рубрика, где мы делимся своими работами и взаимодействиями с ИИ. Это может быть что угодно: -картинки -анимации -текст -код -боты -песни -видео и т.д. ❤️ Не забывайте оставлять обратную связь на работы других людей. Это очень ценно Давайте попробуем меньше разводить флуд в комментариях. Для разных вопросов у нас есть чат — там такое. А здесь давайте по делу. Читайте ниже пояснение 👇А также читать пояснения и правила по ссылке ниже. ❗️ВАЖНО! Прочитайте по ссылке ниже пояснения: Ссылка на пояснение для тех, кто не участвовал ни разу в этой рубрике. Или для тех кто не помнит, какие есть правила. + ПУБЛИКАЦИИ ОТ ИМЕНИ КАНАЛОВ И ЕСЛИ У ВАС НЕТ НИКА В ТЕЛЕГРАМ— НЕ ПРОХОДЯТ СЕЙЧАС МОДЕРАЦИЮ ТАКЖЕ - ЕСЛИ НЕ ПОЛУЧАЕТСЯ ОСТАВИТЬ КОММЕНТАРИЙ (БОТ БЛОЧИТ ВАС) -- читайте здесь 〰️Пояснения нужны для того, чтобы потом не удивлялись почему удалён тот или иной материал. Ставим реакцию🔥 этому посту и далее скидываем кейс (с использованием нейронок/ИИ/AI/whatever) в комменты ниже👇 У кого есть то, чем хочется похвастаться?🥳🥳🥳 три... два... раз.. 🚀Поехали #keisosubbota@serge_ai

Почти тысяча турецких старшеклассников готовится к экзамену по математике. Одной группе дают chatgpt; при подготовке эта группа решает на 48% лучше группы "без дружбана". А потом AI отбирают — и предлагают решить экзамен. Не листайте дальше: на сколько процентов, вы считаете, школьники с дружбаном напишут лучше или хуже тех, кто готовился вообще без AI? ===== Минус 17% - хуже, чем у тех, у кого не было дружбана. Недавно я задавал этот же вопрос залу людей, принимающих решения в образовании. Мнения разделились, но большинство верно предсказало, что результаты упали. Отмечались такие пункты как: AI не учит решать разными способами, не дает возможности понять, КАК решать и тп. Но продолжаем турецкий эксперимент: второй группе дали дружбана с "ограничениями": теперь он только подсказывает шаги, но НЕ выдаёт ответ. Прямо как Сократ. На тренировке +127%. Но, несмотря на то, что на экзамене вред AI исчез, лучше задачки они решать не стали o__O Эм, есть идеи почему? Нам повезло, наверное, больше чем турецким школьникам: у нас никто дружбана не отбирает. Но, кажется, у нас могут отобрать нечто другое: усилие, внутренний дискомфорт, когда неверно ее решил. Все это помогает нам научиться потом замечать, когда AI факапит. А без этого - жди 40страничный документ, перемалывающий с пустого в порожнее, и пестрящий эпитетами. Меня во всем этом беспокоит одно: для нас старпёров опытных аксакалов дружбан реально несет пользу, мы знаем где он несет пургу, вовремя его подкручиваем и бьем по рукам. Но для джунов - AI убирает последствие. Последствие неверного решения, нескомпилированного кода, часов дебага простой ошибки по невнимательности, когда забыл запятую или преждевременно закрыл сокет. Он убирает сообщения от QA лида в духе : "Байрам, в следующий раз я эту х***ю тестировать не буду" Но именно эти последствия и есть обучение. Собственно, вопрос на миллион долларов: как молодое поколение не лишить этих "последствий" и дать возможность учиться? Я напишу свои мысли по теме в одном из будущих постов, но пока буду рад узнать ваши идеи. Сделаем эдакий брейнрайтинг :)

OpenRouter ведёт переговоры о продаже крупной технологической компании по оценке в несколько миллиардов долларов — заметно выше $1,3 млрд, зафиксированных в майском раунде. По данным The Information, годовая выручка компании достигла $50 млн в апреле, впятеро больше, чем в октябре, а объём токенов, прошедших через её API, с начала года вырос в десять раз — до 60 с лишним триллионов. Покупатели не называются, основатели на запросы не ответили. Экономика бизнеса OpenRouter сугубо комиссионная — купить инференс у провайдеров и продать через единый интерфейс. О какой более крупной компании идет речь, предположить пока трудно — гиперскейлерам не нужна унифицированная API прослойка при наличии собственного инференса. Может быть, та же Meta? https://www.theinformation.com/articles/startup-openrouter-fields-multi-billion-dollar-takeover-interest?rc=ukjmk2

📌 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