ИИ-психоз Про галлюцинации моделей все давно в курсе. Меня больше беспокоит то, что я вижу у знакомых. Человек много общается с чат-ботом, тот его во всём поддерживает, и через какое-то время у человека начинает плыть картина мира. В Калифорнии уже есть группы поддержки для родственников тех, кто так подсел на чат-ботов, что потерял связь с реальностью. Обычно всё начинается с какой-нибудь необычной идеи. Человек несёт её в ChatGPT, модель не спорит и подхватывает. Через пару недель он уже уверен, что открыл законы Вселенной или решил задачу, над которой бились математики. Хватает историй, как люди сидели с ботом по 16 часов в день, тратили сбережения и ломали отношения с близкими. Несколько случаев из прессы за последнее время. Бухгалтер из Нью-Йорка начинал с рабочих задач, потом разговорился с ботом про теорию симуляции и в итоге поверил, что живёт в ложной реальности и вот-вот «проснётся». The New York Times пишет, что бот ещё и советовал ему отгородиться от людей. 47-летний канадец решил, что придумал революционную математическую теорию. Окружающие его критиковали, а бот каждый раз поддерживал. 26-летняя женщина, у которой раньше не было проблем с психикой, поверила, что через чат-бота разговаривает с умершим братом. В Дании подняли психиатрические карты и нашли 38 пациентов, которым после общения с чат-ботами, похоже, стало хуже. Чаще всего у них усиливался бред. OpenAI сама оценивает, что признаки психоза или мании за неделю видны примерно у 0,07% активных пользователей. При сотнях миллионов пользователей это сотни тысяч человек. Отдельного диагноза «ИИ-психоз» пока нет. Похоже, модель своим вечным одобрением разгоняет кризис, который у человека уже начинался, особенно если ему и так плохо. Исправить это сложно, потому что дело в самом обучении. Модели учатся на оценках людей, людям нравятся приятные ответы, вот модель и привыкает соглашаться. Нас с вами в основном бесит, когда она хвалит слабый текст или поддакивает плохой идее, а для человека в начале кризиса это собеседник, который никогда не устаёт хвалить его бред. Немного критики можно вернуть, если просить модель сразу искать в идее слабые места, а оценку не спрашивать вовсе. Важные выводы лучше перепроверять в другой модели, и если согласие пришло слишком быстро, это повод насторожиться. Но это работает, когда у тебя есть скепсис и опыт. Мне страшнее за тех, кто уязвим и кому в нужный момент не с кем поговорить. Друзья и родные могут достучаться до такого человека живым разговором, если они рядом, но так бывает не у всех. @maxvotek | linkedin | substack

Fern Первая модель Mirendil обученная с нуля. Контекст до 10 миллионов токенов, это примерно 23 МБ кода или полмиллиона строк • Работа по большим репозиториям целиком • Кодинг-агент: запускает команды, читает вывод, гоняет до зеленых тестов • Разбор длинных логов и стектрейсов, поиск места, где сломалось обучение • Чтение трасс агента от начала до конца с объяснением, что произошло • Проверка претрейн-данных на дубликаты и загрязнение бенчмарками • Заточка под исследовательский код: циклы обучения, пайплайны данных, замеры • 0,1-0,5 трлн параметров • На RULER поиск одиночного фрагмента 100% даже на 10 млн токенов • Многошаговые вопросы на такой длине проседают до 45% • Доступа пока нет, в разработке две модели крупнее Цена длинного контекста - качество ответа Спасибо @Endorpheen #longcontext #coding MAX

#Сеня_и_Даня_Здесь_Были Кому-то всё это кажется крайне идиотским? Да, вы не ошиблись. Это из фильма Три идиота. А по контексту вот такая новость. Даня пугает всех Дипсиком. Чисто из патриотизьма. Еще в феврале Anthropic обвинила DeepSeek, Moonshot AI (Kimi) и MiniMax в масштабной дистилляции Claude. По данным компании, китайские разработчики организовали более 16 миллионов обращений через примерно 24 000 поддельных аккаунтов. Задаем Клоду огромное количество специально подобранных вопросов, собираем ответы и обучаем на них собственную модель.  Осенью аллергия на Дипсик обострилась. В сентябре Anthropic сообщила, что только за 14 дней июля обнаружила ещё более 12.1 млн обращений к Claude, которые компания связывает непосредственно с DeepSeek. Самое интересное - эскапады Дани. По его словам, дистилляция не представляет большой коммерческой угрозы для Anthropic. Проблема в национальной безопасности: китайские модели типа могут перенять мощные возможности Claude, но не его ограничения на опасные действия, включая кибератаки и помощь в разработке биологического оружия. В октябре Даня даже объявил, что новые защитные механизмы сократили объём извлекаемых данных на 90-99%. Помните волну банов аккаунтов Anthropic? Вы просто попали под раздачу.  Заявление Дани от 21 октября: https://x.com/DarioAmodei/status/2112732230124818891 Расследование Anthropic от 23 февраля: https://www.anthropic.com/news/detecting-and-preventing-distillation-attacks Отчёт Anthropic от 10 сентября: https://www.anthropic.com/threat-intelligence-report-september-2026 Новые защитные механизмы, 12 октября: https://www.anthropic.com/news/distillation-defenses Всем недоброго утра понедельника.  @cgevent

LEV Модели думают дольше без единого лишнего токена. Вместо длинных рассуждений сеть прогоняет свои слои по кругу: сделала проход, оценила варианты, гоняет еще Смысл в том, что качество растет от глубины, а не от длины ответа • Один чекпоинт работает на любой глубине • Глубину можно менять под задачу, не меняя веса • Оценка вариантов после каждого прохода • Три модели: 1,4B, 2,6B и 3B • Lev-1.4B на базе Ouro, глубина от 1 до 4, JevBench с 58 до 68% • Lev-2.6B на Ouro, там же с 63,2 до 76,2% • Lev-3B на Nanbeige, глубина 1-2, с 69,3 до 72,7% • Для оценки выложили свой бенчмарк LevBench на пять уровней, с отдельным закрытым тестом #reasoning MAX

#ReDigest Продолжаем субботнюю рубрику, тут я кратко рассказываю про новости из мира технологий и AI, которые привлекли мое внимание. Дайджест недели: - Неделя тяжелых уязвимостей. В PHP, на котором работает большая часть сайтов, с помощью AI нашли две дыры, через которые сервер захватывают без пароля. В GitLab дыра на 10 из 10 во всех версиях с 2014 года. А LiteLLM два часа раздавала троян, крадущий ключи; и другие сюжеты. - Anthropic запустила Claude Duet: фоновый проактивный агент, пишет сам когда нужно внимание. Позаботлись о безопасности. Waitlist. - Anthropic передаст 5% акций в фонд общественной пользы: деньги пойдут НКО и людям, чью работу забрал AI. - OpenAI продлила кэш промптов в API до 12 часов, а в Codex и Work, по словам главы Codex, кэш хранится бессрочно. - В Google Cloud появился Claude под управлением самой Anthropic, а скоро добавят модели OpenAI и Codex. - В ChatGPT любой чат теперь можно закрыть PIN-кодом или биометрией. - OpenAI рассказала, как строила рекламу в ChatGPT на LLM-оркестраторе. - Лабы берут посредников под контроль: OpenAI с 20 ноября пускает роутеры и AI-шлюзы только после одобрения, а Anthropic ввела профили конечных клиентов, чтобы наказывать одного клиента, а не весь акк. - OpenAI выложила MultiLangBench: GPT-6 Astra с нуля пишет SQLite-совместимую СУБД на 20 языках, включая COBOL. - Крупные банки США ограничивают AI-агентов в онлайн-банкинге: агенты клиентов иногда действуют без команды. - Microsoft предлагает считать AI-агентов инсайдерской угрозой. - США запретили DeepSeek в гражданских федеральных ведомствах. - Anthropic передала стандарт Agent Skills в Agentic AI Foundation, вместе с ним фонд принял Open Responses от OpenAI и OpenEnv от Hugging Face. - Anthropic вкатывается в тренд формальной верификации: Claude математически доказывает надежность кода открытых библиотек. - Рынок засомневался в стройке AI-дата-центров: крупнейший арендодатель GPU CoreWeave за неделю подешевел на четверть. - Arc - всё, перестанет работать 22 декабря (я на нем, посоветуйте альтернативу). Блок с релизами моделей (раскрывается):

- Moonshot выпустила Kimi K3.1 Pro: говорят почти догоняет Opus 5.5 в кодинге. - MiniMax выпустила M3.1 Flash и открыла веса: втрое быстрее и на 70% дешевле M3. - Recursive выложила открытую Flint для локального агентного кодинга. - Cloudflare показала Clairic: модель за один проход извлекает факты в JSON без генерации токенов, веса обещают открыть. - MemTensor выложила MemT-1.0 с памятью внутри модели: заяляют в 66 раз меньше места, чем KV-кэш. - Block показала Dessa: разговорная модель, обученная только на живой речи без текста. Слушает и говорит одновременно и работает локально. - ElevenLabs выпустила speech-to-speech Eleven Realtime на 90+ языков, а Mistral представила Voxtral 3. - Ideogram выпустила Vector 1, модель для редактируемых SVG и переводит растр в вектор.

- DeepSeek открыла DeepInfer, движок своего инференса. - Google открыла Harness2: агент сам переписывает промпт, инструменты и скиллы своей обвязки без эталонных ответов. - Anthropic советует сворачивать субагентов и сложную оркестрацию в одного агента со скиллами. - HumanLayer открыли код под Apache 2.0: среда для команды людей и флота Claude Code и Codex. - whatsapp-mcp: агент ищет и делает сводки по твоим чатам WhatsApp, только чтение, живет в твоем Cloudflare. - Vercel выложила durable-harness: Claude Code, Codex и OpenCode переживают падения и продолжают ход с того же места. - 👍 Antirion: AI-гейтвей на Rust одним бинарником, альтернатива LiteLLM с фолбэками и бюджетами на команду. - 😍 colorfigures: Claude-скилл рисует интерактивные схемы бытовых вещей и объясняет, как они устроены. - 🔥 Claude поддержал MCP Tasks и Elicitations (наконец). - 🤩 Motion2Code: скилл пересобирает моушн-видео в редактируемую анимацию на SVG и GSAP, сверяя покадрово.

PixText Небольшая модель для правки криво сгенерированного текста на готовой картинке. Отдаешь изображение, области и нужную надпись, получаешь те же пиксели с исправленным текстом • Точечная замена букв и слов без перегенерации кадра • Несколько правок за один проход • Сохраняет все, что вне зоны правки • Латиница и китайские иероглифы • Около 0,95 млрд параметров • Работает в пиксельном пространстве, без VAE и текстового энкодера • Две версии: MeanFlow за 4 шага и Teacher за 25 Пиксельный подход тут не случайно: VAE мылит мелкий текст, поэтому модель учат прямо на пикселях. Быстрая версия не требует ни энкодера, ни OCR, ни учителя huggingface.co/ATH-MaaS/PixText github.com/ATH-MaaS/PixText registry.comfy.org/publishers/yaoliliu/nodes/pixtext #i2i #imageediting MAX

Spark-X2.6-4B Небольшая модель для запуска устройстве, 4B параметров. Архитектуру оставили от версии 2.5, весь прирост дала дообучка • Три режима размышления: без рассуждений, короткий и длинный • Контекст до миллиона токенов • Кодинг, работа с инструментами и многошаговые задачи тянут лучше, чем ждешь от такого размера • По бенчмаркам местами догоняет модели на 9 млрд • Кванты под разное железо: FP8, INT8, INT4 на 2 млрд, GGUF для llama.cpp • Есть базовая версия без посттренировки • Скорость на уровне Qwen3.5-4B и Gemma-E4B • Поднимается через SGLang или vLLM, API совместим с OpenAI • Миллион токенов контекста съест память, длину можно урезать Практический смысл в том, что агентские сценарии с инструментами и длинными файлами теперь влезают в 4 гигабайта весов без облака huggingface.co/collections/XHToken/spark-x26 huggingface.co/XHToken/Spark-X2.6-4B huggingface.co/XHToken/Spark-X2.6-4B-GGUF #coding #mobile MAX

#MossImage #LoRA #optimization hf.co/axiomofmind/Moss-image-nsfw-uncensored-lora - бесцензурная LoRA #uncensored hf.co/akhaliq/MOSS-Image-SFT-4-steps#3-step-draft-tier - 3-шаговая турбо LoRA (самый быстрый чистый вариант) civitai.red/models/3010926/moss-image-base-smartphone-snapshot-photo-reality-style - стиль «смартфон-снимок» civitai.com/models/3009913/moss-edit-anime2real-anime-to-realistic - аниме→реализм #realism civitai.com/models/3011866/moss-imagefinish-tweaker - слайдер упрощения/стилизации изображения. Без триггера civitai.com/models/3012015/candid-amateur-iphone-cndamiph-or-moss-image-lora - «живой» любительский кадр вместо постановочного сточного фото civitai.com/models/3013030/direct-flash-film-point-and-shoot-flash-snapshots-or-moss - уличная съемка с прямой вспышкой civitai.com/models/3012685/male-smoke-or-moss - «курящие» — сочетается с нуар-промптом civitai.com/models/3014333/ultimate-digital-artwork - UDA: аниме и диджитал-живопись без артефактов hf.co/lodestones/MOSS-Image-Base-8-steps-dmd - 8-шаговая LoRA DMD под базовый MOSS ——— github.com/SurpassHR/ComfyUI-MOSS-Image-Ostris-Edit - запуск эдит-LoRA с MOSS (например аниме→реализм). Ноды Ostris Edit hf.co/pleiades7/MOSS-Image-CharRef-PoC - PoC: референс-изображения персонажа github.com/ThetaCursed/ComfyUI-MOSSImageTextEncoder - референс-картинки через vision-башню Qwen3.5 прямо в текстовом кондишне (не как VAE-латент). Работает с SFT-8-steps-dmd github.com/ukr8b3g-cmyk/MossImage-BBOX-Prompter - визуальный BBox-промптер, на базе Krea2 BBox, Nodes 2.0 не нужен github.com/RunningOverGlowies/MOSS-BBox-Editor - офлайн BBox-редактор на HTML-странице: фоновый слой, JSON копируется вручную ——— civitai.com/models/3010404/moss-image-workflow-image-to-image - «почти #i2i »: vision описывает картинку, MOSS генерит по описанию. Идентичность персонажа теряется hf.co/ShootTheSound/Fizgig-MOSS-Image-SFT-Look-LoRA - SFT Look: 2Gb LoRA = разница SFT и Base. На Base дает вид SFT без загрузки SFT. На 0.5 — лучшие из обоих hf.co/DiffSynth-Studio/MOSS-Image-EntroPack - предквант MOSS для DiffSynth-Studio pastebin.com/v9bcZftJ - воркфлоу: MOSS принимает картинки через мультимодальный энкодер → MOSS как эдит-модель ukr8b3g-cmyk.github.io/MOSS-Image-Character-Catalog - офлайн-каталог 33937 персонажей и 221 стиля (скачивается, 2Gb)

🌟 CLM-8B: открытая и быстрая модель для выбора действий агентов Стэнфорд в сотрудничестве с NVIDIA выложили в открытый доступ первую модель класса Contrastive Language Models.

Это открытый аналог Jev, которую 15 сентября представил стартап TypeSafe AI бывшего исследователя OpenAI. Она по входному контексту возвращает решение заданного типа с откалиброванной вероятностью и стоит 4 цента за миллион входных токенов.

CLM-8B делает то же самое и нужна агентам, которым приходится быстро принимать решения. Модель получает текущее состояние и набор возможных действий и возвращает вероятность для каждого. Она умеет оценивать истинность утверждения, выбирать из нескольких вариантов и ставить оценку по упорядоченной шкале. Дообученную CLM-8B можно использовать как верификатор, который выбирает лучшее из нескольких решений кодинг-агента. Текст модель не генерирует. 🟡 Архитектура В основе - Qwen3-8B, поверх которой обучены две небольшие проекционные головы, одна для состояния, другая - для действия. Состояние и действия кодируются отдельно, модель сравнивает их векторы и переводит близость в вероятности. Векторы неизменных действий можно посчитать заранее и переиспользовать, поэтому в задачах с чередой решений модель отвечает быстрее. 🟡Тесты Без дообучения CLM-8B держится на уровне Jev в задачах управления компьютером, играх и вызове инструментов и отвечает до девяти раз быстрее. С кэшированием векторов при выборе примерно из тысячи вариантов разрыв доходит до 13 раз. В роли верификатора дообученная модель на отложенных подмножествах задач поднимает долю решённых задач на DeepSWE с 73,7% при одной попытке до 81,6%, на Terminal-Bench 2.1 с 84% до 87,6%. Jev в той же роли даёт 71,1% и 83,1%.

Для запуска нужны Linux, видеокарта NVIDIA и Qwen3-8B, развёрнутая через vLLM.

📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Набор моделей 🖥GitHub @ai_machinelearning_big_data #AI #ML #Decision #CLM #NVIDIA #Stanford

Локальный AI дорожает, а облако дешевеет С удовольствием прочитал пост Local AI is a trap for most people. Автор вложил больше $95 тысяч в железо - шесть кластеров DGX Spark и серверы и держит отдельного разработчика, который возится с этим каждый день. При этом он платит $2100 в месяц за облачные подписки и API. То есть даже автор с компанией на 100 человек и опытом в IT компаний из Fortune 100 от облака не отказался. Локальное железо у него работает в дополнение. Mac Studio на 128 ГБ за $5099 медленный, рабочий вариант - M5 Ultra за $10 799. Лучшая локальная модель для кода набирает 30,9% на Terminal-Bench 2.0, Claude Opus 4.5 - 53,9%. По сравнению с подпиской за $200 железо окупается почти три года. Плюс ты сам себе IT-отдел. В MacStories тестировали Mac Studio на 512 ГБ и получили 24 токена в секунду на модели 235B. А модель на 32B назвала фото эргономичных мышек «коллекцией ракушек», такое обычно не скриншотят. С этим я согласен. Даже приватность, с которой начинают все продавцы локального AI, бизнес в большинстве случаев решает договором: API, который не хранит данные, или модель в собственном контуре Azure. Недавно мы покупали для проекта Asus DGX Spark по $3999, сейчас на Amazon он стоит $8500–9500. AI-железо дорожает, хотя мы привыкли, что техника со временем дешевеет. Внутри 128 ГБ памяти, а память сейчас самый дефицитный ресурс во всём стеке, я писал об этом. За неё вы конкурируете с хайперскейлерами, которые забирают объёмы оптом и первыми. А цена токена в облаке пока падает каждый квартал. Получается, вы покупаете самый дефицитный ресурс по розничной цене, чтобы пользоваться им пару часов в день. У провайдера GPU круглые сутки загружены запросами тысяч людей, а ваш Mac Studio большую часть дня ждёт, пока вы допечатаете промпт. По той же причине никто не ставит электростанцию в гараже. Где локальный AI всё-таки работает: 1. постоянная большая нагрузка: кластеры автора считают задачи клиентов 2. устройства без облака: машина (FSD считает на борту), робот, промышленный дрон на заводе или большой территории, цех без связи 3. автономия: мой Emergency GPT Kit, AI, который никто не выключит и не отцензурирует Во всех трёх случаях либо железо загружено почти постоянно, либо экономия изначально не была целью. Аргументы за локальный AI остались прежними. Инструменты меньше зависят от цензуры и от взглядов, которые продвигают фронтир-модели. Модель без встроенных ограничений отвечает прямо и делает то, что попросишь, а свои промпты и идеи не приходится показывать фронтир-лабораториям. Если ограничения будут закручивать с той же скоростью, скоро Claude и Codex начнут отказываться от гораздо большего числа задач, чем сегодня. Claude уже отказывается от того, что неделю назад делал со свистом. Ссылается на внутреннюю безопасность, хотя речь всего лишь о ключах, которые ему выдали в соседней сессии. Вчера я не поверил заголовку и прочитал оригинал статьи: сенатор Берни Сандерс вместе с конгрессменом Грегом Касаром предложил законопроект Ban Artificial Superintelligence Act. За сознательное нарушение запрета на создание или развёртывание «искусственного суперинтеллекта» или за обход временной паузы на разработку продвинутых фронтир-моделей он предусматривает до 20 лет тюрьмы. Суперинтеллект (ASI) - гипотетический AI, который во всём превосходит самых умных людей. До цензуры обычных моделей пока далеко, надеюсь, так и останется, но направление мысли тревожит. Если есть возможность, запасайтесь мощными компьютерами и моделями, которые пока можно легально скачать и запускать без ограничений. Выбор между локальными и фронтир-моделями зависит не только от ваших задач и экономии. Есть ещё ближайшее будущее, в котором дата-центры могут стать недоступными и вернуться не так скоро, как хотелось бы. @maxvotek | linkedin | substack

🔬 ИИ на 27 млрд параметров предлагает научные гипотезы, которые совпадают с последующими исследованиями чаще, чем у GPT-6 и Claude Opus 5. Авторы DiscoveryRSI сравнили гипотезы моделей с работами, опубликованными после даты отсечения обучающих данных. Доля совпадений: • DiscoveryRSI-27B — 6,3% • GPT-6 — 2,5% • Claude Opus 5 — 2,3%. Система развивает гипотезы, собирает доказательства, предлагает способы проверки и использует результаты предыдущих попыток, чтобы улучшать следующие. У каждой идеи должны быть план исследования, критерии проверки и альтернативные объяснения. Совпадение с публикацией ещё не означает доказанное открытие. Но это интересная проверка того, способен ли ИИ предлагать направления, к которым позже приходят исследователи. Модель и код доступны: 📄 https://arxiv.org/abs/2610.23839 💻 https://github.com/Gen-Verse/DiscoveryRSI 🔴 https://foundry-arena.rsi-arena.workers.dev/arena

Запись стрима про FRIDA decision с таймкодами. Также доступна на YouTube. Полезный стрим для ML-специалистов, а также тех, кто работает с GenAI и хочет лучше разобраться во внутреннем устройстве моделей. Таймкоды: 0:00:00 — Настройка звука и старт эфира 0:08:51 — Знакомство со спикерами и историей команды 0:15:35 — Эволюция эмбеддеров и появление модели FRIDA 0:22:38 — Что такое Decision-модели и их преимущества 0:27:57 — Размер моделей, скорость работы и Jev 0:31:01 — Дотюнинг FRIDA-Decision под прикладные задачи 0:37:56 — Сбор датасетов и открытые данные 0:41:20 — Промптинг, контекстное окно и доменные задачи 0:47:36 — Перспективы Decision-моделей в Computer Vision 0:52:28 — Контекстное окно и история названия FRIDA 0:54:07 — Сравнение FRIDA-Decision с GigaChat и Qwen 0:57:01 — Архитектура и режимы работы FRIDA-Decision 1:02:20 — Количество классов и оценка длинных текстов 1:06:11 — Практические сценарии применения FRIDA и Jev 1:11:45 — Поддержка русского и английского языков 1:14:24 — Будущее технологии и ответы на вопросы Подписывайтесь на каналы гостей стрима: Александр Абрамов, Артём Снегирёв. @kdoronin_blog