У вас есть ощущение, что сейчас у большинства научных статей происходит кризис осмысленности? Приведу несколько примеров. Наверное, вы помните, что пару месяцев назад я делал интервью с Глебом на тему World Models. Глеб проводил целую серию семинаров о том, а вообще имеют ли смысл World Models, где в них искать преимущества и в чём их профит. И это была очень ценная, на мой взгляд, и важная серия семинаров. Есть масса работ, поддержанных NVIDIA и другими компаниями, в которых проделана огромная и сложнейшая работа по тому, как обучить World Model, как получить дополнительные проценты на каком-то бенчмарке при таком подходе и прочее, и прочее. Но при этом нет ни одной внятной демонстрации и чёткого ответа на вопрос, как именно это помогает. И чтобы разобраться с этим, нужно привлекать достаточно умных людей, которые глубоко в теме, причём не один раз. И мне кажется, что это огромная проблема современной науки и современных статей. Я вот полчаса назад сходил на небольшой семинар одного из авторов модели D-Robotics Uranus, который проводила сама D-Robotics. Я абсолютно случайно оказался в их Discord-канале, когда они прислали мне плату на тестирование. Наверное, вы помните видео про RDK S100. Они параллельно занимаются тем, что обучают World Models. Автор рассказал доклад. Явно написанный чатом гпт. Здоровый человек не говорит в таких формулировках. Я спросил автора, смогли ли они сделать какой-нибудь простой тест на новом роботе в новом environment и сравнить результат с каким-нибудь ACT. Или сделать любой ablation study. Мой вопрос был единственным. Автор решил что лучший ответ - отключить камеру и перестал отвечать на что либо. 🤣🤣🤣 Мне кажется, это очень показательно. Когда я смотрю на реальные стартапы, которые что-то делают, они очень часто не используют вообще никакие технологии, появившиеся за последние три-четыре года. Потому что ещё не произошло осмысления того, что было сделано за это время, и того, как это применять в реальности. И абсолютно не факт, что значительная часть этих технологий вообще дойдёт до реального применения. Мне это кажется катастрофическим разрывом с тем, как всё было 20 лет назад. Когда практически по любой статье, которая появлялась, с автором можно было очень долго разговаривать о том, где это можно использовать, какие проблемы это в реальности может решать. И авторы были супер открыты к тому, чтобы обсуждать, что да, им кажется, что это, конечно, не общий метод, но вот тут, тут и тут он может значительно усилить существующие алгоритмы. Сейчас же авторы живут в каком-то своём воображаемом замке, который очень плохо маппится на реальность.

ByteDance готовится бахнуть world models.  И пара утечек. Перед тем как выйдет Cиданский 3.0, скорее всего будет промежуточная модель 2.х. И она будет в этом году. Может даже в ноябре. А вчера Байтденский показал свою новую модель мира.  Система получает текстовое описание и создаёт окружение, по которому можно перемещаться, управляя камерой и персонажем. В демо было: Из текстового промпта создаётся комната глазами человека. Персонаж летает по комнате на бумажном самолётике. Можно свободно менять ракурс и взаимодействовать с окружением. Команда "Добавь ложку рядом с чашкой" создаёт новый объект, по которому затем можно карабкаться. Порталы соединяют совершенно разные пространства. Показана предварительная постановка кинокадров, в том числе на примере "Короля комедии" Стивена Чоу. Я покопалсо за пределами презентации. В сентябре ByteDance уже засветила исследовательскую модель ENUMA в бенчмарке WBench. Она заняла третье место по навигационным задачам с результатом 81.7 балла.  Ускоренная авторегрессионная версия там использует всего четыре шага генерации. В описании ENUMA байтдэнские прямо говорят об объединении управления камерой, текстовых команд и визуальных референсов в одной world model.  Есть и другая разработка ByteDance - ActWorld, модель с памятью о действиях и объектах, ориентированная не только на перемещение по миру, но и на манипуляции с предметами. Ещё в сентябре Bloomberg сообщало, что основатель ByteDance Чжан Имин лично курирует разработку интерактивной world model на базе технологий Seedance. Среди предполагаемых применений - игры, интерактивное видео и VR-гарнитуры Pico(!). Ну и конечно VR-порно. Куда без него и Сиданского. Официальное выступление Beijing TV 7 минут: https://weibo.com/2/detail/5352937104609511 ENU​MA - страница исследователя ByteDance: https://song630.github.io/yizhisong.github.io/ ActWorld - исследовательский проект: https://interactwm.github.io/ActWorld/ Bloomberg: https://www.bloomberg.com/news/articles/2026-09-07/bytedance-founder-joins-ai-elite-in-race-to-perfect-world-models @cgevent

10 технологий, которые меняют будущее. 1/10 - ИИ. Мы привыкли к ИИ, который отвечает на вопросы, пишет тексты и создаёт картинки. Но следующий шаг это ИИ, который понимает, что может произойти в реальном мире. Такие системы называют World Models (моделями мира). Они учатся на видео и других данных и пытаются предсказывать: что произойдёт, если человек пойдёт вперёд, робот возьмёт предмет или машина изменит направление. Для роботов это особенно важно. Вместо того чтобы учиться только методом проб и ошибок, робот сможет сначала «проиграть» действие в виртуальном мире, а уже потом выполнить его в реальности. Проще говоря: ИИ начинает не просто видеть мир, а представлять его будущее. А следующая технология поможет этому будущему буквально получить больше энергии. Как вы думаете, когда роботы начнут действительно понимать окружающий мир так же хорошо, как человек? ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

Для обучения роботов недостаточно просто увеличивать объем данных Чем больше данных из физического мира нужно роботам, тем дороже их собирать и сложнее хранить и передавать. В эти ограничения упирается привычная ставка на увеличение обучающих выборок — об этом говорили на образовательной конференции Яндекса. Один из подходов — world models, или модели мира. Они предсказывают, как меняется среда под действием робота, и позволяют генерировать новые примеры для обучения. Так можно отрабатывать разные ситуации без необходимости каждый раз воспроизводить их на настоящем оборудовании. Но одной генерации тоже недостаточно. На конференции обсуждали и другие задачи: разработку новых методов обучения и архитектур, хранение информации, сбор редких сложных случаев и проверку данных. От этого зависит, насколько полезным окажется собранный и сгенерированный опыт — и сможет ли робот применять его в реальных условиях.

Все переобуваюццо в робатов. Black Forest Labs выпускает FLUX Action, теперь Runway представляет Praxis-1. Обе идеи примерно об одном: модель смотрит на мир, предсказывает, что произойдёт дальше, и на основании этого управляет физическим робатом. И логика этого массового помешательства вполне понятна. Если видеомодель научилась хорошо предсказывать следующий кадр, значит, внутри неё уже есть какое-то представление о том, как устроен физический мир. Video Model -> World Model -> Action Model -> Robat. Ну и самое главное - у робатов все бабки. Об этом в след посте. Praxis-1 обещают сделать open-weight, но сами веса пока придержали - обещают “в ближайшие месяцы”. Но нам-то что с этого?! Флюкс, где веса? Рунвей, перестань делать биржы слоперов и обучалки для робатов, давай новую видео-модель! В Метаверсе тоже по ходу одни робаты будут, что там людям делать... https://runway.com/research/introducing-praxis-1 @cgevent

На чём обучают эйай? Правильно, на потных катках Наткнулся на топовую историю на стыке эйай, роботов и игр: В конце 2024 OpenAI предложила $500 млн за Medal - сервис, где геймеры записывают короткие клипы своего геймплея и кидают их корешам. Как вы понимаете, не потому что Альтман фанатеет от летсплея (хотя от какого-то конкретного может и фанатеет 😈), а ради данных для обучения интеллекта этого нашего искусственного. Хотели цап-царапнуть сотни млн часов игр для обучения своих моделек. Фаундер Пим де Витте отказался (это по его версии, а по версии The Information сделка сорвалась), и в октябре 2025 выделил из Medal отдельную ИИ-лабораторию General Intuition. В сооснователи взял трёх исследователей world-моделей. Это модели, которые предсказывают, что произойдёт с окружением, если в нём что-то сделать. Моделирование 3D-миров и всё такое. Работает это так: 1. На Medal клип пишется вместе с контроллером. То есть, к каждому кадру приклеено, какие кнопки человек жал и когда. Получается связка "что видел + что сделал + что вышло". На Ютубе и Твиче такого нет - там видно результат, но не что человек тыкает. Плюс на Medal специально снимали моменты, где что-то происходит: перса убили, упал, атака и т.д. 2. Получаются отобранные игровые пики точёные, а не 100500 часов вялого стрима, где ничего не происходит. 3. Дальше General Intuition учит на этом две модели: - Одна предсказывает мир. Даём ей реальный кадр - она генерит следующий, но без игрового движка. - Вторая предсказывает действие. Даём кадр - она говорит, что тут сделал бы человек. Первую не продают - она скорее тренажёр, на котором гоняют вторую. А вот вторую уже продают через API. Возможно, вы скажите: "Нафига учить роботов на геймплее? Это же не реальный мир". Так вот, здесь история про оптимизацию обучения. Был кейс, где робота сначала обучили на данных от General Intuition, а потом дообучили всего на 8 минутах реальных данных из камеры робособаки, и он смог начать ходить по офису. Да, шатко-валко и задевая предметы, но смог. Обучать на реальных данных с нуля было бы в разы дороже (вешать камеры индусам на лоб - это не бесплатно). Сейчас стартап стоит около $6 млрд, недавно в него зашёл Valor Equity Partners - довольно известная инвестструктура, (вроде как) связанная с Илоном Маском. Так что, быть может, OpenAI вообще обломится. А может и нет, ведь это они в твитторах друг с другом срутся, а за его пределами спокойно всё продают и покупают. В общем, миллионы школьников, клипающих хедшоты в Фортнайте, на самом деле полтора года собирали датасеты для роботов. Какая неожиданность 😈 Дизраптор

Odyssey-3 Модели мира вырауливают в прикладную нишу где есть потенциал для монетизации - #embodied AI, то бишь роботы Odyssey-3 - фундаментальная мировая модель общего назначения. Одна обученная нейросеть управляет роботами, человекоподобными, дронами, автомобилями и видеоиграми. Претрейн дает понимание физики и причинно-следственных связей, а для новой задачи нужно всего несколько часов попутных данных - Роборуки - Человекоподобные роботы - Автономное вождение - Дроны - Видеоигры: GTA V, перенос навыков в RDR 2 и Sleeping Dogs без дополнительного обучения - Ну и собственно создавать интерактивные миры тоже умеет - Публичный релиз ждем в ближайшие недели Спасибо @Endorpheen #world #interactive #agent VK | MAX

Programmable World Model (Alaya Lab) Программируемая модель мира Состояние мира существует отдельно от картинки как код, а не как тень в истории кадров. Раньше видеомодель сама хранила все неявно: объект ушел из кадра - забыла, правила не выражались. Теперь мир - это явные данные, а видео просто их рисует. - Агент пишет правила мира кодом: где объекты, как двигаются, какие события происходят - Движок состояний следит за сущностями даже за кадром — повернул камеру, а они на месте - Детерминированный компилятор превращает состояние в управляющие сигналы для видеогенератора — модель не «вспоминает» мир, а рендерит его - Мир описывается по одному референсу и тексту — VLM-агент собирает всю спецификацию Результат: объекты не забываются, правила исполняются точно, 897 кадров без распада, разные миры на одном движке Прошли по кругу и вернулись к 3D моделированию, но с лишними шагами Гитхаб ждем #world

Старые тренды: -------------------------------------------------------------------------------- | | 1 | Prompt Engineering | 2022–2024 | Идеальный одиночный запрос → один ответ | 2 | Context Engineering | 2025 | Динамически собранный контекст (RAG, history, tools) — «вложения к письму» | 3 | Harness Engineering | 2025–2026 | Архитектура среды вокруг агента: constraints, feedback loops, linters, lifecycle | 4 | Agentic Loop | 2025–2026 | Итеративный ReAct/CoT цикл с tool-use, planning, self-reflection Новые тренды: Тренд 5: Мультиагентная оркестрация (Multi-Agent Orchestration) (Аля я выше обозвал это MAS, ибо не читаю терминологию) Тренд 6: Self-Improving Agents / Метакогнитивное самоулучшение (то что делаю тоже) Тренд 7: Agentic OS и «Агентная операционная система» Agentic Operating System (AOS): стандартизированный слой оркестрации, безопасности, compliance и управления ресурсами для роёв агентов (LA5xLG7xLAS9) -> оказывается это Agentic Operating System (AOS) Тренд 8: World Models — замена LLM-ядра агентов Это главная академическая ставка на 2027–2030. ЯNN LeCun создал AMI Labs, собрал $1.03 млрд (крупнейший seed в истории Европы, March 2026, инвесторы: Bezos, NVIDIA, Samsung, Eric Schmidt, Toyota) на архитектуру JEPA (Joint Embedding Predictive Architecture). -> это прошлый пост про это, что нельзя просто так доверяться модели и того что она делает. Нужны планировщики / архитектура / потенциальные последствия и их моделирование + возможные cons/pros/улучшения/деградация -> прежде чем пытаюсь что-то внедрить, строится всегда теперь графово-векторная (+ фрактальная если нужна детализация типа оптимизация кода или отдельных процессов) архитектура/blueprint и есть "эталонный" текущий blueprint/архитектура которая уже A/B тестами математически доказывает улучшения/деградацию. Тренд 9: Embodied AI — агенты с физическим телом. 💰Дорого/богато, но есть Bambu lab принтер в доступе и ЧПУ станки с конвеером/производственной линией. Не понятно как тестить / применять и куда продавать / предзаказы делать. Тренд 10: SwarmAgentic — полностью автоматизированная генерация агентных систем. 🤔🛠 куда-то туда пробую идти/развивать

Тут еще новость про LTX LTX больше не хочет быть просто генератором видео. Компания отделяется от Lightricks и объявляет себя разработчиком открытых world models - моделей, которые должны не просто генерировать видосы, а понимать движение, пространство, свет, взаимодействие объектов и последствия действий. Вот эти вот все симуляции для роботов, беспилотников, игр и промышленности. Техническая база - семейство LTX-2. Это модель примерно на 22 млрд параметров, которая генерирует видео и синхронизированный звук внутри одной архитектуры. Внутри два связанных потока: около 14 млрд параметров для видео и 5 млрд для аудио, соединённых cross-attention. Выделение в самостоятельную компанию показывает, что Lightricks нехило так колбасит, что LTX собирается продавать не только генерацию видео. Главной аудиторией становятся студии, разработчики, робототехнические стартапы, промышленные компании и создатели систем Physical AI. В общем две новости: Lightricks сплитуется на две компании, а LTX превращается в генератор миров. https://ltx.io/blog/introducing-ltx-as-an-open-world-models-company @cgevent

Qwen-AgentWorld новая world models с 🛍 Команда Qwen выпустила не просто очередную LLM, а world models 😎 (точнее Language World Model) - по сути это модель, которая симулирует последствия действий агентов в 7 доменах: терминал, веб, Android, OS, SWE, поиск, MCP😜 Модель уже доступна с контекстом до 262K токенов. В чём суть? Обычные агенты решают, что делать в среде, в RL это зовётся политикой (policy), а Qwen-AgentWorld же предсказывает, что произойдёт после действия. Это как симулятор "реальности" в голове ИИ, позволяющий планировать без постоянных обращений к реальной среде. Крч становится доступна "осмысленная" многоходовочка. 🧠 Ключевые факты из статьи: 🤍 Архитектура: уже знакомая 35B параметров, активируется только 3B за счёт MoE - 256 экспертов, 8 активных. Гибрид из Gated DeltaNet 75% слоёв для скорости и Gated Attention 25%, для точности. 📚 Обучение: >10 млн реальных траекторий из 7 доменов + 3-этапный пайплайн: - CPT – закладка знаний о динамике сред - SFT – активация рассуждений для next-state prediction. - RL (GSPO) – оттачивание точности с гибридной наградой рубрики + правила. Помните рубрики обсуждали тут. 🏆 Бенчмаркинг AgentWorldBench: результаты на уровне GPT‑5.4 и Claude Opus 4.8, а 35B-версия превосходит более крупные модели. 🤙 Где применять? 1. Симулятор для RL – ожидаемо, можно обучать агентов в тысячах виртуальных сред без развёртывания инфраструктуры. 2. Горячий старт ака warm‑up для агентных моделей, что улучшает результаты на 7ми downstream‑задачах. Это не просто LLM – это шаг к ИИ, который понимает мир через причинно-следственные связи. Следующий шаг - это VLA с алиэкспресс 👍