🚬 Длинное тире больше не выдаёт нейротекст: исследователи из Graphite обнаружили новые признаки ИИ в текстах Claude Opus 5.5 часто использует фразу «this matters» («это важно»): она встречается у модели в 116 раз чаще, чем у людей. Всего у Opus нашли 2548 таких слов и оборотов. При этом тире модель использует на 99% реже, чем Opus 5, и в целом пишет всё более по-человечески. У GPT-6 Astra всё наоборот: её стиль всё сильнее отдаляется от человеческого. Модель то и дело изображает скептика и в сотни раз чаще людей употребляет конструкцию «это не просто…». Зато у людей остаётся собственная особенность: в их текстах нередко попадаются разговорные «вроде», «кажется» и подобные слова. #интересное

Родион Скрябин, мой друг и руководитель контентного агентства Палиндром, выложил Слопотрон. Чек-лист из 80 признаков машинного русского: канцелярит, "активно использует", "это не X, а Y", безымянные эксперты, тройки вроде "быстро, просто и эффективно". Команда /slopotron, дальше текст. Главная идея у Родиона: любой маркер встречается и у живых авторов, поэтому скил правит только скопления, три и больше в одном абзаце. Иначе чистка стерилизует текст. В моих linkedin-skills одиннадцать скилов для Claude Code и Codex: пост по 20 формулам хуков, комментарии и ответы по ссылке на пост, аудит перед публикацией, план на неделю, профиль под входящие лиды и Humanizer, который считает маркеры по абзацам так же, как Слопотрон, только для английского. Кстати, вчера репозиторий перевалил за 1000 звезд, и рост сильно ускорился: за первые шесть дней сентября пришло 499 звезд, больше чем за любой полный месяца до этого. Разница в источниках: у Родиона редакторский слух и русская специфика вроде канцелярита, символизм-регистра и утечек GigaChat. У моих скиллов под правилами ссылки на исследования 2025-2026 и собственный корпус из сотен постов LinkedIn, где мы искали зависимости между маркерами и охватом. Я себе подключ, буду использовать для текстов на русском. Сергей Булаев AI 🤖 - об AI и не только

Шифт+Энтер на Айфоне Сначала историческая справка. На печатных машинках когда очередная строка подходила к концу, нужно было вручную вернуть каретку в начало строки и прокрутить лист бумаги на одну строку. Для этого была специальная ручка. Первобытные текстовые редакторы вставляли эти же два управляющих символа в текст при нажатии на кнопку Энтер. По-английски они называются carriage return и line feed. Последовательность символов CR, LF (она же \r\n) означала начало следующей строки в ДОСе и означает в его наследнице Винде. В Юниксе же решили, что глупо ставить два символа для переноса строки и ограничились одним LF (он же \n). С тех пор эти два способа закончить строку дерутся и создают кучу проблем. Так или иначе, ещё в 20 веке придумали, что вообще-то на компьютере текст сам переносится на следующую строку когда места перестаёт хватать, и никаких специальных символов для этого не надо. С тех пор Энтер в текстовых редакторах не просто переходит на следующую строку, а начинает новый абзац и отделяет его отступом. Чтобы просто перейти на следующую строку, не начиная новый абзац и не делая отступа, как на печатной машинке, нужно жать Шифт+Энтер. Аналогично Шифт+Энтер позволяет перейти на следующую строку в том же элементе списка, не переходя к следующему, ну и вообще в любом логическом блоке текста. А теперь к сути заметки.

На основе пятничного поста про промт:

Сожми документ максимально, не потеряв никакой информации.

Превратили этот подход в отдельный open-source skill — lossless-doc-compress. Скилл читает документ целиком и относит каждый фрагмент к одной из трёх категорий: KEEP — содержит информацию и остаётся без изменений; REMOVE — доказуемо избыточен и удаляется; FLAG — требует решения автора, поэтому остаётся в документе с пометкой. Он удаляет filler, пустой hedging, LLM-slop, дословные повторы и избыточные формулировки. Сохраняет факты, цифры, решения, оговорки, ограничения, названия систем, код и таблицы. Если есть сомнение — не удалять, дает отметку для автора Результат: три артефакта: Сжатый документ. Лог всех удалений и спорных мест. Scorecard: число слов до/после, процент сокращения и подтверждение сохранности содержания. npx skills add ML-SystemDesign/MLSystemDesign Код и инструкция: https://github.com/ML-SystemDesign/MLSystemDesign/tree/main/skills/lossless-doc-compress Это пост был прогнан через скилл

Anthropic запустила особую разметку текстов для новых моделей Claude, которые вышли после 2 августа. Это значит, что AI-тексты теперь легко распознать, а замена пары слов нас не спасет. Разберемся, как это работает. Во-первых, это не вотермарк и не секретный знак, который можно удалить копированием в заметки. Это скорее сумма наборов клише, которые используют GPT в своих текстах. Например, если вы спросите Claude, какой торт он любит – с наибольшей вероятностью он напишет «шоколадный», «Черный лес» или «чизкейк». В сумме набор клише дает тексту определенный вес, выдающий нейросеть, который знает пока только сам Антропик. Публичного детектора пока нет. Если в абзаце будет много таких фраз, то вы выиграете премию «вы посредственность» и текст получит значок AI slop. Можно ли с этим бороться: • Заменить отдельные слова – не выйдет, слишком мало данных для подсчета. • Но они признают, что маленькие тексты им оценить почти нереально. • Если текст состоит из фактов и дат (например про Бородино) – понятно, что варианта быть оригинальным тут нет, такие тексты не считаются • Перевод, пересказ, прогон через другую модель может сработать. Наконец-то мой рунглиш где-то пригодится... Детальный ботан-разбор можно почитать в этом substack

AI или не AI? С 2022 года кавычки-ёлочки, длинные тире и «правило трёх» — не просто хорошая редактура, а улики против ИИ-текста. Люди хотят знать, читают они какую-то ерунду, которую нейросеть нагенерила, или Качественные Человеческие Мысли. На мой вкус, это желание сродни узнать, калькулятором 37x42=1554(*) получено или в уме вычислено, но людям не прикажешь. Спрос есть. Интуитивно кажется, что спрос этот должен удовлетворяться запросом к тому же самому AI. Скажи мне, чатик, кто это написал, человек или бот? И, в принципе, в простых случаях ChatGPT справляется. Проверил кавычки, оценил драматургию, прикинул, похожи ли ошибки на намеренные или на натуральные опечатки – и вынес вердикт. Но – война щита и меча. На той стороне тоже можно повозиться: елочки зачистить, “не X, но Y” убрать, драматургию подпортить, ошибки расставить по правильному списку. Обычный чатик признает текст настоящим. Американский #стартапдня Pangram обещает поймать ИИ и в этом случае. Он обучил на поиск нейрослопа отдельную нейросеть, и ищет не несколько общеизвестных признаков, а какую-то внутреннюю суть, определяемую миллионами параметров. Причины словами объяснить невозможно, но вот эта фраза – точно ИИ, а эта – точно человек. Платят за сервис в основном университеты, им студентов как-то проверять надо. Качество продукта рекламируется как очень хорошее. Есть более-менее независимые отчеты, подтверждающие точность порядка 99%. Впрочем, мое непрофессиональное тестирование показало результат гораздо хуже. Уже на третьем тестовом примере Pangram уверенно поделил чистый AI-текст на куски, один из которых якобы человек писал. https://www.pangram.com/ (*) я посчитал в уме, а потом проверил. #seed #сша #ai #технология