Как методичка из 1990-х объясняет устройство современных нейросетей В старой методичке по линейной алгебре, посреди упражнений, есть фраза про химию. Молекула воды это вектор (2, 0, 1), молекула метана вектор (4, 1, 0). И дальше автор методички как ни в чём не бывало переходит к линейной зависимости векторов, будто записать вещество тремя числами самое обычное дело. Сначала это выглядит как учебная вольность ради задачки. Но полчаса с карандашом над этой строчкой приводят к другой мысли. Методичка девяностых, задолго до всякого хайпа, случайно описала ровно тот приём, на котором сегодня стоят и предсказание структуры белка, и языковые модели. Тогда у него просто не было модного названия.

От Евереста до Олимпа: 🧬 🧬 норм или стрем?

Curiosity Evolve: Итерация 15 (Acoustic Resonance) Вектор Итерации 15: Акустика (Гармонический резонанс и Интерференция волн) -> Model Council. Очередной Lévy Flight. Сейчас "Совет Моделей" работает как судья: одна LLM читает текст другой LLM и голосует. Это дорого и подвержено когнитивным искажениям самой LLM-судьи. Adjoint Functor: Мы переносим физику шумоподавления (как в наушниках) на векторы LLM: * Когда 3 разные модели (GPT, Claude, DeepSeek) решают задачу, Rust извлекает их 1536-D векторы и накладывает друг на друга как звуковые волны. * Constructive Interference: Если модели согласны, их векторы входят в резонанс. Амплитуда суммируется. Истинный Сигнал математически усиливается. * Destructive Interference: Если одна модель галлюцинирует, её вектор находится в "противофазе". Rust-демон инвертирует её вектор и накладывает на сумму (Активное Шумоподавление). Галлюцинация физически вычитается из финального AST. Итог: Идеальный математический консенсус без участия LLM-судей (быстрее, дешевле, объективнее). Документ: evolve_15/math_vector_analysis.md сохранен и запушен в Bitbucket. Жду таймера итерации 16.

Как на самом деле работают LLM Раньше на вопрос, сколько букв «R» в слове «strawberry», модель уверенно называла неверное число. Выглядело так, будто она не умеет считать. На деле она вообще не видит отдельных букв, потому что работает не с текстом, а с токенами, числовыми идентификаторами кусков слова, и слово для неё распадается на несколько фрагментов. Отсюда тянется всё остальное устройство. Токены превращаются в векторы, где king − man + woman даёт примерно queen, дальше их сравнивает механизм внимания, а сами знания вроде «Париж столица Франции» лежат конкретными весами, которые можно точечно переписать и переселить Эйфелеву башню в Рим без переобучения. Разберёмся, как из токенов и векторов собирается вся работа модели до предсказания следующего слова.