Новые атаки на склады Wildberries и попытка компании получить поддержку, «Магнит» передумал делать маркетплейс, новые обвинения основателю BitRiver, из стартапа Миры Мурати ушел еще один сооснователей, запрет на китайские роботы-пылесосы в США 🦄 Доброе утро, наши маленькие любители единорогов! 🚒 Дроны атаковали еще два склада Wildberries — в Пензе и в Сарапуле (Удмуртия), сообщила компания. На обоих складах начались пожары. Правда, их масштабы непонятны. Как пишет «Коммерсант», сейчас Wildberries ищет склады в Казахстане на 100 000 кв. м, чтобы обезопасить товары от ударов дронов. А еще источники Reuters говорят, что Wildberries обсуждает с властями варианты помощи — налоговые льготы, субсидии и льготные кредиты для себя и продавцов. И вроде как ключевую роль в поддержке может сыграть ВТБ, который уже и так партнер Wildberries. 🤷‍♂️ «Магнит» передумал делать универсальный маркетплейс на базе «Магнит Маркет» и конкурировать с крупнейшими сервисами, пишет VC. Их маркетплейс возник на базе KazanExpress, который они купили в 2023-м. «Магнит» объявил, что приостанавливает «основную витрину» на сайте и в приложении, а еще отгрузки через партнерские ПВЗ. Теперь из «Магнит Маркета» будут делать «расширенную полку», которая дополнит основной ассортимент ритейлера в сегментах бытовой химии, косметики и прочих. 🧑‍⚖️ Основателю майнинговой компании BitRiver Игорю Рунцу предъявили новое обвинение. Как пишет РБК со ссылкой на источники, теперь его обвиняют в мошенничестве на 1 млрд рублей при поставках оборудования для майнинга структурам холдинга En+ Олега Дерипаски. Вроде как взяли предоплату, но ни оборудование не поставили, ни деньги не вернули. В феврале Рунца обвинили в сокрытии средств от налогов и отправили под домашний арест. Сейчас Рунца отправили в СИЗО. 😮‍💨 Оказывается, из стартапа Thinking Machines Миры Мурати (бывшая CTO OpenAI) ушли не все сооснователи. Оставалась еще Лилиан Вэн. Но сейчас она объявила, что тоже уходит и возвращается в OpenAI. Вэн пишет, что не в состоянии продолжать работать в темпе, требуемом стартапом — постоянный стресс и рабочая нагрузка довели ее до предела возможностей ее физического здоровья. ❌ А еще оказывается, что запрет властей США на импорт роботов из Китая касается не только человекоподобных и четвероногих роботов. The Verge выяснил, что под запрет попадают даже роботы-пылесосы. А если точнее, то любой робот с программным управлением, который может передвигаться, весит более 2 кг (включая док-станцию), может воспринимать окружающую среду и имеет беспроводную связь. От производителей таких устройств требуют локализовать производство в США. @TheEdinorogBlog — тот самый канал про стартапы🦄

Thinking Machines Миры Мурати превратила закрытую экспертную оценку Bridgewater в обучаемый навык и обошла frontier-модели, снизив число ошибок на 29.8%. В ии подавали финансовые статьи, отчёты, документы центробанков, письма. ИИ должен был определить что аналитик должен прочитать первым. Для LLM это оказалось тяжёлой задачей. При обычных промптах модели держались на уровне 46–50% accuracy, почти как угадывание. Экспертные промпты поднимали качество до 74–78%, но лучший результат дала разметка от опытных инвесторов Bridgewater. Неэкспертные метки провалились: здесь важны рыночный контекст, приоритеты и профессиональное чутьё. Один заголовок про тарифы может быть сильным сигналом, другой громкий геополитический инфоповод останется шумом. Bridgewater чистила датасет через спорные рейсы. Если модель расходилась с разметкой, пример возвращали экспертам на повторную проверку. Так в обучение попали паттерны принятия решений, которые эксперты видят интуитивно, но редко могут описать полноценной инструкцией. В обучении использовали три приёма. Во-первых, смешивали разные типы задач, чтобы модель училась применять экспертную оценку в похожих сценариях, а не запоминала один узкий шаблон. Во-вторых, аккуратно ограничивали обновления при обучении. Это снижало риск, что модель зацепится за случайные признаки в данных и начнёт уверенно ошибаться. В-третьих, модель дообучали на ответах более сильных версий. Так лучшие checkpoints постепенно становились учителями для следующих итераций. Результат: на 29.8% меньше ошибок, чем у лучшей frontier-модели, и в 13.8 раза ниже inference cost. Заметное преимущество, благодаря качеству экспертных решений. Такой датасет конкурент не скачает с Hugging Face. https://thinkingmachines.ai/news/learning-to-replicate-expert-judgment-in-financial-tasks/