🍂Fall into ML на максималках ⠀ Во второй день конференции взяла от нее максимум. Открыла его своим докладом на AI-спринте от Сапфира, про то, как писать статьи уровня A/A*. Под это дело мне выдали отдельный бейдж «Эксперт», видимо решили, что одного с лого конференции недостаточно. ⠀ Выступала сразу после Евгения Бурнаева - одного из лучших ученых в области AI сегодня. Это была большая ответственность, но, кажется, доклад удался: на кофе-брейке я едва успела выпить кофе, столько набралось желающих задать вопрос, сказать спасибо и предложить сделать совместный рисерч. Хотела годик отдохнуть от научного руководства, но когда к тебе рвутся такие шикарные люди, как тут устоять. ⠀ Дальше весь день подходили подписчики, студенты с @otus.ru и коллеги. ⠀ А вечером знаменитая постер сессия - главное мероприятие конференции. Её особенность в том, что здесь презентуют не новые работы, а те, что в этом году прошли на A/A* (лучшие мировые конференции по AI). Получается галерея лучших достижений наших учёных за год, и у нас там было целых 4 постера! ⠀ Аншлаг лютый: слушателей столько, что каждому рассказываешь про наш рисерч. Спасибо соавторам, что пришли поддержать, без них я бы не выдержала этот наплыв. ⠀ К концу постерной сессии я, кажется, умерла. Зато взамен получила заряд, которого хватит надолго! Кстати, выкладывать материалы? Ставьте огонек, если они будут полезны! ⠀ #трудовыебудни #вшэ #ai #fallintoml

Рынок проверяют до разработки. Ну, обычно… На этой неделе ко мне за менторством пришла новая команда. Первый звонок был ознакомительный: ребята рассказывали про себя, свою компанию и продукты. И на одном продукте я зацепилась. Они сделали его сначала для себя, потом начали продавать клиентам. И уже после разработки стало понятно, что рынок маленький, а цикл сделки очень тяжёлый. Я спросила: а как вообще так получается? Продукт готов, а потом выясняется, что рынок маленький. Мне не хотелось устраивать разбор полётов, я правда пыталась понять логику. Ответ был прост: тогда никто не оценивал рынок. Продукт рождался внутри как инхаус-разработка. И это так знакомо. Мне кажется, это одна из самых частых историй у фаундеров. Сначала мы влюбляемся в то, что строим, а потом идём искать, кому это продать. Поэтому вот что я сама делаю, прежде чем что-то разрабатывать: 1. Сначала продаю, потом строю. Мне всегда важно проверить ценность с потенциальным покупателем. Если человек готов заплатить за описание, презентацию или пилот, тогда уже можно строить. 2. Беру готовое под капотом. Не обязательно сразу писать своё. Можно взять готовый инструмент, собрать на нём решение и научиться продавать. Своё можно сделать потом, когда понятно, что это покупают. 3. Делаю тест за ночь, а не за полгода. Недавно наши ребята собрали тестовую версию нового продукта буквально за ночь, чтобы сразу посмотреть реакцию людей. Сейчас AI позволяет проверить гипотезу очень быстро, и грех этим не пользоваться. 4. Сужаю до одной проблемы. Чем конкретнее проблема и клиент, тем быстрее понятно, есть рынок или нет. Широкое «для всех» проверить почти невозможно. И да, мы сами так делали. Недавно решили не развивать свой чат-интерфейс, потому что Claude и другие модели уже делают это лучше. Было жалко, честно) Но деньги приносит не интерфейс. Я до сих пор не уверена, где та грань, когда своя разработка правда нужна, а когда это просто приятнее, чем идти продавать. А у вас был продукт, который вы сначала построили, а потом поняли, что продавать его некому? «❤️», если было полезно

Все идет к тому что у каждого будет свой индивидуальный софт для всего Вот смотрите. Я сделал себе идеального бота для запоминания португальских слов. (Взял за основу бота по греческому Кирилла и адаптировал под португальский) Я пользуюсь им практически каждый день. У меня максимальный ретеншн. Я считаю, что это идеальный продукт. Я пробовал делиться этим ботом со своими знакомыми и друзьями — никто не прошел дальше онбординга. То же самое с другими моими вайбкод поделками, которыми я сам пользуюсь каждый день: никому они не интересны Почему так? Разным людям удобно разное. У них разные потребности, задачи, контексты и тд. Но раньше пилить софт было сложно. Поэтому приходилось пользоваться продуктами которые делают для нас другие. Сейчас пилить софт стало легко. Но пока еще не настолько легко, чтобы это реально каждый себе делал. А прикиньте что будет через несколько лет? При текущей скорости развития AI через несколько лет достаточно будет просто наговорить в чат что ты хочешь и у тебя будет готовое приложение для этого через несколько минут. Что-то не нравится — наговорил, тебе переделали. Возможно, у нас с вами даже не будет одинакового телеграма, а у каждого будет свой кастомный, такой как ему удобно. Никто не будет пользоваться никаким апстором, потому что дольше будет искать и выбирать приложение, чем сделать любое приложение для себя Ну, а с корпоративным софтом это всё еще быстрее будет происходить, по сути, там это уже происходит: проще и быстрее сделать своё, чем интегрировать чужое [Тут надо придумать концовку какую-то]

Вайбкодинг – пузырь Без малого год назад писал, что вайбкодинг переоценен и со временем сдуется. Мое мнение не поменялось. Но вынужден его уточнить, потому что мне часто припоминают тот пост. Я не про вайбкодинг как инструмент. Он очевидно останется с нами навсегда и будет становиться только мощнее. Я про потребительский вайбкодинг: идею, что миллионы людей начнут делать себе персональные приложения, а еще миллионы не имея технического, маркетингового или продуктового бэкграунда внезапно станут солопренерами. В это я по-прежнему не верю. Все желающие поиграются в билдеров. Кто-то соберет трекер тренировок, кто-то CRM для жены, кто-то в стотысячный раз запустит AI бота для поиска квартиры. А потом большинство обнаружит, что делать бизнес намного сложнее, чем в их влажных фантазиях. Потребительский вайбкодинг – переходная сущность. Промежуточный шаг между этапом, когда для создания продукта нужны были разработчики к этапу, когда персональный AI сам знает контекст, видит проблему и способен на лету создать нужный конкретному человеку инструмент. В новом мире домохозяйка не становится разработчиком. Разработка просто не существует в ее поля зрения, как и не существовала раньше. Lovable – олицетворение продукта, который идеально попал в короткое переходное окно и скоро полетит вниз с той же скорость, с которой когда-то поднимался и хайповал. Модели уже достаточно хороши, чтобы человек без технических и продуктовых навыков испытал магию от фазы «я сделялъ». Но еще недостаточно хороши, чтобы самим проактивно понять задачу, собрать решение и поддерживать его без участия пользователя. В этом зазоре, сдобренном AI-хайпом и инвесторским FOMO и нашлось место Lovable. Проблема в том, что зазор закрывается быстро. Посмотрите недавнее интервью фаундера, на котором он прямо по ходу записи помогает ведущей навайбкодить (о боже!), форму сбора фидбека на сайте с автоответчиком. И выдает это за новейшее достижение его продукта. Классно, конечно, но есть один вопрос: нахуя для этого Lovable? Это все в Клоде и Кодексе делается точно также уже сейчас. А дальше будет делаться только лучше и проще. Как я писал в прошлом посте, если основная ценность продукта – UI поверх моделей, хороший препромптинг и оркестрация, то у него очень неприятный конкурент: следующий релиз моделей. При текущей оценке Lovable в $13 млрд я вижу для них один успешный сценарий – продаться большому игроку, который отстает в AI-гонке и готов переплатить за хороший бренд и витрину, чтобы хоть что-то показать акционерам. В масштабах всего AI рынка – 13 ярдов не так много на самом деле. Даже 20 какой-нибудь Майкрософт запросто отслюнявит. Но продаться нужно до того, как рынок поймет, что смотреть надо не на ARR, который считается как умноженная на 12 выручка последнего месяца, а на реальное удержание и юнит-экономику. Поймут это когда ARR вдруг перестанет расти или вовсе пойдет вниз. Мой прогноз – уже скоро. Считаю я так, потому что с самого начала внимательно слежу за тем, как строится их дистрибуция. Даже подробно разбирал когда-то. На старте у них была гениальная виралка: founder-led growth, комьюнити билдеров, точное попадание в аудиторию. Сейчас же они густо наваливают в paid трафик, показывая в креосах, как батя навайбкодил аппку, чтобы выбрать, что с детишками покушать на ужин. Ну камон. Либо фаундеры и инвесторы Lovable успеют выскочить на хаях, либо мы скоро узнаем, какой там на самом деле ретешен, и как работает юнит-экономика перепродажи токенов. Что-то мне подсказывает, что плохо и то, и другое. Lovable построили выдающийся продукт и поймали идеальный тайминг. Фаундер просто красавчик во всех смыслах. Но моделям не нужны прослойки, потребительские задачи они интегрируют в себя и будут решать фоном. А вайбкодить аппки ≠ делать бизнес, с которого можно накормить детишек ужином. Год назад закончил словом «скриньте». Пожалуй, повторю.

Получить свои деньги Тысячи стартапов по всему миру делают разные вариации AI для продажника. Это самое выгодное место для автоматизации: результат сразу влияет на выручку. Если продажи выросли – ничего больше объяснять не надо, пилот успешен, подписка продляется. Американский #стартапдня Stuut нашел ещё одну нишу с такой же прозрачностью, но гораздо менее конкурентную, чем продажи. Стартап помогает выбивать деньги из уже подписанных клиентов, которые почему-то не платят. Вы забыли отправить счет, вы ошиблись в формулировке счета, бухгалтерия клиента завела новый портал, куда надо загружать счета, а вы об этом не знаете – все это приводит к тому, что счет не оплачен. Если речь о сумме в миллион долларов – кто-то обязательно разберется. Но если это сотня – дебиторка может пылиться годами. И, собственно, у многих пылилась, пока они не подключили агента Stuut. AI не в падлу заниматься мелочевкой, он и ради копеек почитает возражения контрагента, напишет, подпишет, приложит файлы и что ещё положено сделает. Если проблема была технической – она решится. Если более тяжелой – об этом тоже полезно знать. На бизнесах с низким регулярным чеком типа регулярного обслуживания лифтов – результаты получаются существенными, Stuut пишет о десятках процентов выручки в лучших кейсах. Сам стартап берет за свои услуги столько, чтобы каждый счет мог обрабатывать человек. Агент – это как бы сотрудник, а не сервис, и стоимость его соответствующая – тысячи долларов в месяц. Впрочем, десятки процентов выручки это все равно окупают с гигантским запасом, 150 уже действующих клиентов не дадут соврать. https://www.stuut.ai/ #crm #ai #сша #roundb

Зарплаты в европейской tech-индустрии Вышли свежие данные Ravio - из HRIS систем (а не опросов или парсинга вакансий). Они по шести рынкам - Британия, Германия, Нидерланды, Франция, Испания, Швеция. Как раз можно сравнить популярные места, куда разумно переезжать (пост). 1️⃣ Европейский tech переживает "великую заморозку": за три года текучка упала на 60%, а найм на 36%. Проще говоря, найти работу стало намного сложнее. Тренд плавный и устойчивый по годам, так что это не из-за высокой постковидной базы. 2️⃣ Премия за AI заметна, но неравномерна. Вот у AI engineer относительно обычного разработчика: P1 (джуниор): +16% P2: +7.6% P3: +5% P4: +10% P5: +14.2% P6: +16.2% 3️⃣ У менеджеров любого уровня премии почти нет (т.е. она дается за написание кода). А Senior AI Director вообще получает на 4,8% меньше обычного Engineering Director. Более того, работать кодером становится выгоднее, чем расти в менеджеры. Individual contributor с AI получает на 35% больше Senior Manager и даже на 11% больше Senior Director, и бывшие CTO и VP уходят обратно в IC. А если еще на нескольких удаленных работах работать манки-кодером! 🙂 Многие из вас практикуют такое (пост). Просто факт работы в AI копании дает почти 10% бонус к з/п. Причем сильнее всего там доплачивают не инженерам (+10%), а маркетологам (+11%) и эйчарам (+10%). 4️⃣ За год больше всего зарплаты разрабов выросли в 🇪🇸 Испании (+6,2%), а например в 🇸🇪 Швеции всего +0,7%. Но на общем раскладе по странам это не отразилось, вот моя калькуляция по данным Rovio для разраба-мидла (после налогов в месяц): 🇬🇧 Британия ~€4.9-5.1k 🇳🇱 Нидерланды ~€4.3k (с рулингом заметно больше) 🇸🇪 Швеция ~€4.1-4.3k 🇩🇪 Германия ~€3.9k 🇫🇷 Франция ~€3.7k 🇪🇸 Испания ~€3.5-3.6k (Барселона/Мадрид) Это примерный подсчет, много зависит от условий контракта, состава семьи и т.д. 5️⃣ Любопытно, что у айтишников по сути нет гендерной разницы в з/п: если сравнить один уровень в одной компании, то всего 1%. Хотя если взять весь массив айтишных зарплат, то мужчины зарабатывают на 20% больше. В целом с работой айтишникам в Европе становится ХУЖЕ. @kyrillic

сидим на сессии с клиентом. ему 66, несколько лет назад он прекрасно exit-нулся, продал долю партнерам, обеспечен на несколько жизней вперед. энергия прекрасная, здоровый, спорт. но после выхода что-то посыпалось внутри и он забухал. смысл, на котором он ехал всю жизнь, вот эта мечта, внезапно перестала быть актуальной. переизобретать себя он не привык. и он все время вниманием возвращается в прошлое и вспоминает, как там было прекрасно. ровно это и затаскивает его обратно в алкоголь. ну а что сейчас? а зачем я? а кто я? а с друзьями, у которых венчурный фонд в долине, недавно говорили про наше ai-будущее. я вижу, что десятки процентов людей увольняют из компаний и этот процесс будет только убыстряться — я тут неравнодушен. один из них говорит: нам надо учить людей учиться. я думал эту мысль. она хороша лишь отчасти. человек работал с девяти до шести, потерял работу, окей, найду другой скилл, научусь, устроюсь обратно. но это смена обертки, агония перед смертью. нужен фундаментально другой шифт: научить людей быть в контакте с собой, чувствовать, где их предназначение (простите за пафос), где они горят, где они живые. но если человек всю жизнь крутился в колесе, это пиздец как сложно. а как это сделать? не маржинально расширяться, а принципиально по-другому. выйти за пределы картинки своей текущей вселенной. мы разучились мечтать. в мире kpi, грейдов и карьерных треков этот навык скорее вызывал раздражение — ну как же я окажусь вот там, когда я здесь. а, кажется, скоро для многих не останется выбора. и, возможно, совершенно неожиданным образом, ai заставит нас снова осмелеть мечтать. - а клиент ушел с сессии с мечтой. сырой, без плана, пока только на уровне идеи. но глаза горели. в 66. переизобретать себя можно только так.

Forward Deployed PM: почему за ними охотятся AI-гиганты Не успели мы привыкнуть к новой роли Product Builder, как на горизонте замаячила новая волна интереса к роли Forward Deployed Product Manager (FDPM). Разбираю, что это такое. 1. Кто такой FDPM и чем он занимается? Обычный PM сидит в офисе своей компании и отвечает за продукт вообще. FDPM десантируется прямо на сторону клиента. Он погружается в реальный операционный хаос заказчика, сидит с его сотрудниками, разбирает их инфраструктуру и отвечает за бизнес-результат конкретного аккаунта. Посадить продуктовика с ценником FDPM внутрь клиента - дорогой шаг, поэтому FDPM отправляют только в два типа аккаунтов: 1. Tier-1 Enterprise (High-LTV): клиенты с чеком $500k – $1M+ ARR, уход которых критичен для бизнеса. 2. Бета-проходцы новых AI-продуктов: когда запускается сложная модель или интеграция, а рынок еще не понимает, как внедрять софт по стандартным инструкциям. Для малого и среднего бизнеса эта модель не применяется, там работают стандартный Self-Serve и отдел CSM. 2. Что по зарплате и вакансиям * Динамика роста: на платформе The Bench число вакансий с формулировкой Forward Deployed выросло с 1 открытой позиции в январе до 170 активных ролей в 98 компаниях к концу июля. * Кто и где нанимает: основной спрос сосредоточен в США (Bay Area, Нью-Йорк, Вашингтон), Великобритании (Лондон) и европейских хабах вроде Берлина и Амстердама. Нанимают Scale AI, Salesforce, Adobe, Accenture, Cresta и Palantir. * Зарплаты: вилка базового оклада для FDPM в США варьируется от $180,000 до $250,000+ (в Scale AI на Public Sector вилка доходит до $345,000). 3. Примеры открытых вакансий Посмотреть на требования и задачи этой роли на рынке можно на листингах: Tribe AI - Forward Deployed Product Manager : транслировать сложнейшие задачи клиентов в готовые продуктовые AI-решения и вести внедрение вместе с продуктовой командой. Sela AI - Forward Deployed Product Manager: отвечать за внедрение AI-агентов под ключ, пересобирая их под то, как реально работают банковские процессы у клиентов. CruxOCM - Forward Deployed Product Manager: работать с техническими лидами заказчика, использовать AI-инструменты для прототипирования и переводить спецификацию конкретного завода в фичи бэклога. Causal Labs - Forward Deployed Product Manager: вести ключевые запускные проекты для требовательных enterprise-клиентов и замыкать кастомные решения на ядро системы. 4. Окей, открываю позицию FDPM. Как нам не скатиться в заказную разработку? Главный риск для FDPM - уйти в бесконечное пиление кастома под одного громкого заказчика. Чтобы защитить ядро платформы, используют правило триангуляции: 1. Быстрый костыль: решаем проблему конкретного клиента локальным кодом или скриптом прямо сейчас. 2. Валидация: ищем, повторяется ли эта проблема у других 3–5 клиентов платформы. 3. Экстракция в Core: если боль системная, фича уходит в бэклог основной платформы. Если она нужна только одному заказчику, то остается локальным костылем на его стороне. Источник: https://www.mindtheproduct.com/what-is-a-forward-deployed-product-manager-anyway/ @productgames

Пилите продукт, а тут выпускают Claude X, который делает то же самое. Это приговор или ещё нет? Это главные мысли из разговора Далтона с Алексом Даниловичем (Magic Patterns, YC W23) — фаундером и CEO AI-инструмента для дизайна, который должен был быть «убит» Claude Design. Видео свежее, они до сих пор живы. • Magic Patterns были очень активными клиентами API Anthropic и не предполагали, что узнают о запуске такого продукта из новостей. Далтон в ответ на это просит не очеловечивать корпорации: они не люди с принципами и не ваши друзья. • Когда ты конкурируешь с продуктом от корпорации, ты должен понимать, что конкурируешь не с ней целиком, а с командой в 5–10 человек, которая этим занимается. И вам нужно быть лучше той команды настолько, чтобы топ-менеджер решил «списать» проект. И вот вы победили. И вся эта команда ещё и перейдёт к вам на работу (это шутка). • После релиза Claude Design у них начался wartime («режим военного времени») — они стали отслеживать любое упоминание Claude Design от их действующих клиентов или даже лидов. И пытались выяснить всё об их рабочих процессах: если кто-то юзал CD, фаундер MP сам выходил на созвоны с этими людьми, чтобы узнать, как улучшить свой продукт. • Чувакам помогло то, что они, по сути, прибыльны. И они даже радовались тому, что появился конкурент. Они и так хотели развиваться, но теперь стало нужно делать это ещё сильнее и лучше. Вопрос был больше в том, как зарядить себя и команду на это, а не думать о выживании. • Всё чаще клиенты переживают о привязке продукта к одной модели (или одному поставщику моделей). И это козырь, который есть у MP, но нет у Claude. Это и про сбои, и про желание попробовать другие модели, и про экономию, и про возможности. Продукт MP, например, может обрабатывать видео, а CD делает это лишь, разбирая его по кадрам. • Им помогает чёткое понимание, кто их клиент (а кто нет), и жёсткое следование правилу Пола Грэма «Найди 10 клиентов, которые тебя реально любят, нежели тысячу, которым ты просто нравишься». Они активно собирают обратную связь, работают в саппорте и так далее. • Главный совет по итогам этой ситуации: выбирай большой рынок — такой, чтобы хватило и сильным конкурентам. И пили крутой продукт — такой, чтобы ты был в нём уверен и даже сам предлагал людям потестить продукт конкурента (фаундер говорит, что они так делали, т.к. он был уверен в качестве MP). • И ещё одно отличие и преимущество стартапа от продуктовой команды типа той, что пилит Claude Design — у вас есть в команде фаундеры, а у них нет. Вы просыпаетесь заряженными и билдите этого «ребёнка», он ваш. А они просто на работу ходят. Из видео на канале Standard Capital (венчурный фонд Далтона и ещё 2 кофаундеров). @y_everyday — рефлексируем об акселератор, создавший 100+ стартапов-единорогов

На борьбе с AI-подделками растет отдельный рынок стартапов CB Insights нашел 42 стартапа, которые помогают распознавать поддельные голоса, видео, фото и личности. С начала 2025 года эти компании привлекли около 125 миллионов долларов в 26 раундах. Больше всего денег — 74 миллиона долларов — досталось решениям против мошенничества. Их покупают банки, страховые компании и сервисы проверки личности. Насчёт голосов и личностей не знаю, но со сгенерированными текстами и картинками технологии не всегда справляются. Если американские модели хотя бы отмечают свои генерации водяными знаками, то китайские этим обычно не заморачиваются, так что распознать их сложно. https://www.cbinsights.com/research/newsletter-october-15-2026/

Что просить у агента, кроме кода? На AI Natives один из участников рассказывал, как с помощью AI учился играть в одну из разновидностей покера. Получить расчёт хорошего хода было лишь частью задачи: ему самому надо научиться принимать решения за столом. Но запомнить тысячи ситуаций и вложенных «если» сложно. Поэтому он с AI выделял понятные правила: сначала определить тип раздачи (одна пара, две пары, без пары), затем пройти несколько шагов для этого типа. Где правило получалось слишком сложным, разбирали примеры. А потом сделали тренажёр: человек выбирает ход, получает объяснение ошибки и чаще встречает ситуации, в которых ошибается. Это в тему размышлений в посте про изобилие кода. В Математике 2.0 есть две схемы: в одной AI получает решения, обходя человеческое понимание; в другой - помогает это понимание развивать. В разработке похожая история: пока делаешь фичу, уточняешь требования, замечаешь исключения, узнаёшь что-то о пользователе, или о работе ранее неизвестного тебе модуля. Если эта работа уходит к агенту, понимание уже не обязательно появляется по дороге. Значит, стоит отдельно устроить процесс, в котором мы его приобретаем. В первом посте был пример одноразового софта —> глубина понимания очевидно зависит от срока жизни продукта, цены ошибки и того, насколько легко всё откатить. Для игры под один вебинар мне важно понимать правила модели и где она может ввести участников в заблуждение. А масштабирование на миллионы пользователей и архитектура на десять лет ей точно не нужны :) В CRM, от которой зависят работа команды и данные клиентов, уже важно понимать правила процессов, как обнаружить ошибку и восстановить данные. На больших задачах я стараюсь получать это понимание по ходу работы агента: 1) Сначала прошу план в виде артефакта, который можно читать и комментировать: варианты, ключевые решения, данные и допущения. Задаю вопросы и оставляю правки до реализации. 2) Проверяю важные допущения. Например, агент с помощью regex-а пытается отлавливать ответы клиента и обновлять CRM. 3) Прошу уменьшить зависимость от неизвестного. Допустим, размер компании не найден: можно оставить «неизвестно», попробовать другой источник или передать человеку. Или вместо regex-ов заюзать jev/decisions api. 4) После реализации прошу отчёт о тесте и прогоне на реальных кейсах: GIF-ки, скриншоты и описание процедуры. Так я вижу, что проверяли и какие сценарии выпали. Например, что сделал агент с лидом, размер компании которого неизвестен? Или «22-го подойдёт?» ещё не значит, что встреча согласована. Разбираем ошибку, уточняем правило, добавляем тест. Что хочу сделать системнее: часть случаев заранее оставлять за пределами настройки, а потом разбирать расхождения на них. Где ошибся агент, где не хватило данных, а где стоит пересмотреть само правило? И план, и отчёт мне удобнее оформлять в HTML и оборачивать в артефакт, со схемами и возможностью покрутить сценарии. Мне особенно удобно комментировать конкретный кусочек. Антропики публиковали по теме полезное, кстати Попробуйте на следующей большой задаче попросить два артефакта: план с ключевыми решениями и отчёт о проверках. Выберите одно важное допущение, попросите показать, что изменится, если оно неверно, и проверьте, есть ли этот случай в отчёте. А потом задайте себе вопрос: улучшилось ли ваше понимание?

Нормальные AI-транскрибаторы для созвонов 😀 Пока искала себе ноуттейке, наткнулась на свежий разбор HubSpot, утащила сюда самые интересные варианты. Отдельно проверила русский язык) ✖️Fathom — транскрибация, саммари, фоллоу-ап, CRM Цена: есть free, платные — от $16/мес Русский: есть ✖️Fellow — саммари, постановка задач, интеграции с Asana/Jira/ClickUp Цена: free, платные — от $7/мес Русский: есть ✖️Rev — AI-транскрипция + при необходимости проверка человеком. Цена: от $0.25/мин Русский: есть на платных тарифах ✖️Descript — больше для тех, кто потом еще режет созвоны в контент. Цена: free, платные — от $16/мес Русский: нет Если и есть отличия, то совсем незначительные берите то, что нравится внешне и не сильно бьет по карману)) Кстати, зацените как рекламируются их конкуренты в гугле 😅️️️️ Fireflies у меня были, но уж больно бесячие, постоянно слали сообщения на почту, отказалась от использования

GroundingPI 4B фундаментальная модель на визуальных примитивах для локализации объектов — детекция, позиция, OCR и другие. • Локализация точками и боксами как квантованные координаты в общем словаре • Несколько grounding-задач: детекция, pointing, OCR, layout, GUI • Как визуальный бэкбон улучшает робоманипуляцию и автопилот • #SOTA на 34 бенчмарках, 11 возможностей восприятия: средний 73.68% против 71.54% у GPT-6 Astra GroundAnything Быстрая локализация через параллельное декодирование на диффузии GroundAnything VLM Высокая точность локализации авторегрессивной VLM github.com/groundingpi/GroundAnything huggingface.co/GroundingPI huggingface.co/spaces/GroundingPI/groundanything-vlm #vlm #ocr #detection MAX