ИИ

ТоКИНОмика Кто видел палеозой и динозавров и такой же древний как я, могут припомнить выражения "у меня пленки не хватит доснять" или "пять банок осталось, не уложимся" или "а тебе сколько кодака отвалили?". Потом снимать стали на цифру и вопрос с экономикой и экономией пленки был снят. Интересно, как видеогенерация возвращает нас в палеозой. И в новую (старую?) экономику. Секунды пленки стали токенами за секунду. И вот сидят такие два режиссера: - слушай, а мне на фильм отвалили 22 миллиона токенов Сиданского (Кодак) - круто, а мне только 10 миллионов токенов Клингонского (Фуджи) Рядом сидит документалист: - вот сволочи, а мне только токенов Кандинского насыпали (Тасма) Мимо проходит студент вгика: "подайте токенов Шедеврума на курсовую(Свема). Токены - новая пленка? @cgevent

У ИИ-алармистов появился новый документ для повышения тревожности. ООН только что опубликовала отчет комиссии по ИИ, в котором утверждается, что “AI capabilities are outpacing both scientific understanding and governments’ ability to adapt,” и потому ИИ потенциально представляет катастрофический риск. Сопредседателем комиссии, работавшей над отчетом, является Йошуа Бенжио, один из теоретиков-отцов ИИ, который уже года 3 как минимум повторяет с разных трибун, что работы над ИИ следует остановить то тех пор, пока мы полностью не поймем что это такое и как работает — так что выводы комиссии можно было предсказать заранее. Чиновникам идея, что непонятное надо запретить, ибо трудно регулировать, пришлась по душе, генсек ООН уже откликнулся: “The world cannot govern what it cannot understand”. Впрочем, его слова противоречат наблюдаемым последние лет двадцать фактам: разнообразная регуляторная деятельность вокруг интернета наглядно демонстрирует глубину понимания этой среды регуляторами разных стран. https://www.business-standard.com/world-news/unchecked-ai-may-pose-catastrophic-risks-warns-un-panel-preliminary-report-126070101517_1.html

Трюки - новые, привычки - старые (ч. 2) Экс-юрист Will Chen за две недели собрал Mike OSS - открытый клон Harvey и Legora: агент над документами, табличный разбор договоров, редлайны в Word. 3,5 тысячи звёзд за три недели. Но мне больше понравился LQ.AI - уже с векторным поиском, аудит-логом и плейбуками под 17 юрисдикций. Для проприетарных стартапов это смена разговора: вопрос на продлении контракта звучит уже не «это магия?», а «за что конкретно мы платим enterprise-прайс?». Плюс клиенты приходят со своими ключами к моделям - и маржа на перепродаже токенов сдувается. Но если открыть код Mike - до полновесного энтерпрайз решения там как до сингулярности раком. Начиная от строго корпоративных штук типа прав доступа и аудит-трейла нет, заканчивая качественной онтологией, которая позволяет устранить галлюцинации и поддакивания. Даже на мой любительский взгляд харнесс агентов там слабоват. Конкуренты тем временем продают не подписку на чат. Пакеты идут с услугами forward-deployed legal engineers (юристы, которые могут включить MCP), которые переводят реальные процессы фирмы в агентные воркфлоу. Консалтинг, вшитый в SaaS-контракт репозиторий не выложишь. Есть варианты совсем не для слабых. Kirkland&Ellis настолько вдохновились вайб-кодингом, что решили потратить полярда на собственный wrapper. Схема может сработать, если эта фирма сможет договориться с провайдерами данных об использовании контента для дотренировки моделей. А если и не сможет, то будет это делать нерегулярно и потихому. Открытым остается вопрос: далеко ли убежит Ахиллес в лице коммерческих врапперов от черепахи в лице foundation-моделей обернутых в открытые фреймворки. Условный консорциум из 10-20 крупных юрфирм может без проблем сделать продукт типа MikeOSS близким по качеству, а индийские вендоры будут раскатывать его за три копейки. Чего я нам всем и желаю. _______ @mooreslaws

Как сейчас устроен рынок AI-приложений Подборка a16z от 9 марта 2026 года хорошо показывает, что рынок AI-приложений расслоился: рядом с AI-native продуктами вроде ChatGPT, Midjourney или Perplexity теперь стоят обычные потребительские приложения, где AI встроен в привычное действие — смонтировать видео в CapCut, собрать презентацию в Canva, обработать заметки в Notion. Если разложить рынок по категориям, получается несколько крупных слоёв: Первый слой — универсальные AI-ассистенты. ChatGPT, Claude, Perplexity и похожие продукты. Это входная точка в AI для массового пользователя. Второй слой — AI-компаньоны и ролевые боты. Character.AI, Replika и похожие сервисы. Они обеспечивают общение, эмоции, ролевые сценарии, персональную привязанность и глубокую персонификацию. Третий слой — креативные инструменты. Генерация изображений, видео, музыки, голоса, аватаров, эффектов, дизайна. Сюда попадают Midjourney, Suno, ElevenLabs, Heygen, Runway, Kling, CapCut, Canva. Здесь рынок особенно быстро меняется: отдельные генераторы начинают конкурировать не только между собой, но и с большими редакторами, которые встраивают AI прямо в привычный рабочий процесс. Раньше генерация изображений была отдельной большой категорией. Теперь часть этого спроса уходит внутрь ChatGPT, Gemini и крупных редакторов. Midjourney, например, по данным a16z, с первых мест опустился до 43-го. Похожая история происходит в кодинге. Сначала рынок рос вокруг отдельных AI-инструментов для разработчиков, но теперь долю рынка забирают продукты, встроенные в большие модели и экосистемы: Claude Code у Anthropic или Codex у OpenAI. Зато там, где нужна специализация, отдельные продукты сохраняют преимущество. Suno остаётся заметным музыкальным продуктом. ElevenLabs закрепился в голосе, дубляже и аудиопроизводстве. Если продукт даёт не просто «сгенерировать что-нибудь», а закрывает конкретный рабочий сценарий с качеством выше встроенной функции, у него есть шанс. Четвёртый слой — письмо, грамматика, знания и офисная работа. Grammarly, Notion, Gamma, разные AI-ноутбук-сервисы, инструменты для презентаций, документов, заметок и встреч. В этом сегменте AI ценен, потому что сокращает рутинный цикл. Пятый слой — разработка и код. Cursor, Replit, Lovable, Claude Code, Codex и другие инструменты. Это один из самых плотных рынков по деньгам, потому что в кодинге AI встраивается прямо в производственный цикл и значительно ускоряет его: от идеи и прототипа до исправления ошибок, тестов и доработки уже существующего продукта. Шестой слой — AI-агенты: OpenClaw, Manus, Hermes, Scout. Сделай за меня цепочку действий. Найди, сравни, собери, оформи, отправь, создай проект, пройди по нескольким сервисам. Пока этот рынок менее зрелый, но по нему видно направление: AI постепенно двигается от генерации контента к выполнению задач. Седьмой слой — встроенный AI внутри крупных платформ. Google Workspace, Microsoft Office — браузеры, почта, таблицы, редакторы, мессенджеры. Этот слой сложнее измерять рейтингами, потому что пользователь может каждый день работать с AI, но не заходить на отдельный AI-сайт/приложение. a16z прямо пишет, что по мере превращения AI из отдельного направления в функцию текущие рейтинги начинают недосчитывать реальное использование, которое растёт геометрически, так как пользователи получают AI внутри привычной среды. Например, не так давно для всех пользователей мессенджера Telegram внутри во всей среде появились AI функции. Самостоятельным продуктам становится сложнее жить там, где крупная платформа может просто добавить функцию в интерфейс. Если приложение просто «использует AI», этого уже мало. Нужно понимать, в какой слой рынка оно попадает, с кем на самом деле конкурирует и какое регулярное действие пользователя забирает на себя. Следующий этап рынка AI-приложений будет определяться частотностью конкретного сценария. Выиграют те продукты, которые станут частью ежедневного поведения пользователя и будут делать это с исключительным качеством. ↗ Алексей Королюк #подмечено

# Зачем сравнивать Claude Fable 5 с Claude Sonnet 4.6 (который выше обзвали Sonnet 3.5) в агентных цепочках? 🤔 В комментариях к предыдущему посту спросили, зачем проводить сравнение Fable 5 с "устаревающей" Sonnet 3.5, если в продакшене все равно должна крутиться самая умная модель. Ответ лежит в плоскости экономического арбитража и математики ROI: 1. Claude Sonnet 4.6 (выпущенный в феврале 2026 года) — наш главный локомотив. Это сбалансированная флагманская модель от Anthropic, которая радикально превосходит старую серию Sonnet 3.5. Она приближается к уровню интеллекта Opus, имеет контекстное окно в 1 млн токенов и значительно улучшает исполнение кода, качество UI и агентное использование компьютера (Computer Use) на реальных десктопных и браузерных задачах. На основе логов нашей телеметрии за последнюю неделю 93% всех задач кодинга (26 вызовов из 28) были успешно решены именно на Claude Sonnet 4.6. Она быстрая и стоит всего $3 / $15 за миллион токенов (ввод/вывод). 2. Claude Fable 5 — тяжелая артиллерия. Да, она выдает невероятные 95.0% на SWE-bench Verified. Но её вызов стоит в 3.3 раза дороже (**$10 / $50** за миллион токенов). 3. Спекулятивный роутинг (Speculative Routing). Мы используем Gemini 3.5 Flash как легковесный классификатор на входе. Если задача простая — ее решает Claude Sonnet 4.6. Если классификатор видит пограничную сложность, запрос отправляется к Claude Fable 5. Итог за неделю: Вместо $10.65 USD (если бы мы все слали напрямую в Fable 5), наш фактический счет составил всего $2.13 USD. Это 80.0% чистой экономии бюджета при сохранении точности пайплайна на уровне 92%+. Слайды с архитектурой нашего Model Council и раскладкой по тирам прикрепляем к посту! 👇 (Попозже пришлю, протестирую nano banana 🍌 2)

Пока я откисаю в Корее от очередного сезона исхода дорогих коллег [1, 2, 3, и др.] перед ICML, наша с читателями любимая Лилиан Вэн – авторка топ-1 блога по диплёрнингу – написала первый за почти два года пост про историю и развитие науки об оценке правил масштабирования (scaling laws) языковых моделей. Почему "правил", а не "законов" – чтобы не создавать ощущения универсальности самих законов: всех необходимых факторов для по-настоящему точных предсказательных правил для конкретных архитектур, моделей, данных, оптимизаторов и других факторов, на них влияющих. Особого почтения заслуживает упоминание статьи Lovelace et al., где в первый раз в академическом мире разбираются, как влияют повторения данных на scaling laws. Так что у кого знания остановились на шиншилле – бежим освежать знания, чтобы фронтир толкался предсказуемо и безопасно.

📌 OpenAI собрала бенчмарк на научное суждение в биологии GeneBench-Pro - набор тестов, проверяющий, способны ли модели самостоятельно принимать исследовательские решения при работе с биологическими данными. Он оценивает умение проводить сложный анализ данных в генетике и смежных областях биологии и медицины. Моделям дают неструктурированные, как в реальной лаборатории, данные, краткое описание задачи и целевую величину, которую нужно оценить (но не говорят, как считать). Чтобы прийти к верному ответу, система должна сама пройти цепочку зависимых решений: очистить данные, выявить артефакты, выбрать подходящий статистический метод и пересмотреть план, если промежуточные результаты противоречат исходной гипотезе. Для всех 129 задач условия смоделированы так, чтобы проверять ответ однозначно, по принципу "всё или ничего". Набор охватывает 10 областей и 21 подобласть, а 82 задачи прошли проверку у экспертов-биологов. Сильнейшая из протестированных моделей, GPT-5.6 Sol, верно решает 28,7% задач на максимальном уровне рассуждений и 31,5% в режиме Pro. Лучший результат среди моделей других вендоров у Claude Opus 4.8 (16,0%).

OpenAI называет такой результат заметным для настолько трудного теста.

🟡Практическая ценность По опросу рецензентов, одна задача GeneBench-Pro заняла бы у специалиста порядка 20–40 часов, что при ставке около $200 в час выливается в несколько тысяч долларов. Расчёт той же задачи моделью стоит значительно меньше, но конкретных цифр OpenAI не дает. Для стандартных моделей в техотчёте приведён средний расход токенов как приблизительная оценка вычислительных затрат (около 33 200 токенов для Sol в максимальном режиме). 🟡Дисклеймер

Обозначение Pro в контексте бенчмарка - это режим работы модели, а не отдельная линейка продуктов или новые тарифы ChatGPT.

@ai_machinelearning_big_data #news #ai #ml

Как говорит один мой хороший товарищ, за последние дни много чего "наклодил" и все-таки тариф Max не зря выбрал для своих задач. 1. Меня подвел хостинг VPS и почти два дня не давал студентам нормально учиться на курсе, так как все песочницы, помощники и прочие ништяки были заблокированы. Поэтому было принято решение переехать на Railway, так как уже надоело поддерживать самостоятельно работу VPS. хотя меня это сильно прокачало. На арену вступил Claude и за полдня перенес все, а это скажу вам "хлопотное дельце". И какой же кайф после Gemini, где надо делать 10-20-30 итераций, потом руками все переносить, беситься от ошибок, теперь работать с ИИ-агентами, которые все делают за тебя в рамках нескольких больших сессии. По итогу все перенесено и студенты довольны. 2. Вчера собрал себе тулу для генерации каруселей в LinkedIn и Instagram. С разными темами, типами слайдов, возможностью ИИ-генерации, редактированием, версионированием и другими полезными фишками. Магия какая-то. 3. Сегодня продолжаю работу над созданием инструмента для отложенного постинга с одной страницы, так как я хочу, когда хочу и где хочу. Ибо текущие решения бесят в своей разрозненности и ценовой политике. В общем, игрушка, которая затягивает... А что вы с помощью Claude или других агентов автоматизировали из своей рутины?

Сегодня разбирал paper про память для AI агентов решил собрать инфу в пост Из чего состоит любая такая память (4 части) Первое — как хранить: просто текстом, деревом (от общего к деталям) или графом (факты связаны стрелками — кто с кем и когда связан). Второе — что записывать: вытаскивать из разговора отдельные факты или сохранять всё подряд. Третье — как искать нужное: по смыслу, по ключевым словам, по связям в графе или дать самому ИИ решить, что искать. Четвёртое — как поддерживать порядок: обновлять факты, удалять устаревшее, сжимать лишнее. Главные выводы: 1. Идеальной системы нет — каждая хороша под свою задачу. Для обычных диалогов лучше «гибридные» (MemOS , MemoryOS ), для поиска конкретных фактов — графовые (Zep , Cognee ). Но графовые плохо отвечают на вопросы вида «что было раньше, а что позже». 2. Чем старее нужный факт, тем хуже его находят. Если что-то было сказано много сообщений назад, система часто это упускает. 3. Обновления фактов лучше всего держат графовые системы. Простые системы, которые только «дописывают» новое, плохо умеют заменять старый факт на новый — и потом выдают устаревшую информацию (авторы называют это «галлюцинациями прошлого»). 4. На длинных историях простые системы часто ломаются. Причём для вопросов, где важен порядок во времени, иногда выгоднее вообще не мудрить с памятью, а скормить модели весь текст целиком — потому что «умное сжатие» стирает подсказки о том, что за чем шло. 5. Дороже — не значит лучше. Навороченные системы тратят в разы (иногда в сотни раз) больше времени, но точность не всегда выше. Часто выгоднее что-то лёгкое (LightMem , MemTree). Ещё пара наблюдений: лучше сохранять исходный текст разговора, чем агрессивно его сжимать; и не стоит слишком сильно фильтровать факты при записи — потом их может не хватить для рассуждений. Итог: готовой «идеальной» памяти для агентов пока нет, и систему нужно подбирать под конкретную задачу. Плюс можно еще посмотреть в сторону провайдеров памяти для Hermes, сам хочу покопать в сторону OpenViking(понравился core-concept ) и Hindsight - is the most accurate agent memory system (но аккуратный не всегда значит, что полезный для работы)

Я провел глубокий анализ бенчмарков, стоимостных характеристик и архитектурной выгоды от внедрения Claude Fable 5 (`claude-fable-5`) в наши агентные цепочки маршрутизации. Ниже представлены конкретные метрики улучшения точности, удорожания пайплайнов и наш запрос на твой аудит. --- ## 1. Метрики и точность (SWE-bench Verified) Claude Fable 5 дает колоссальный прирост в качестве автоматического написания кода по сравнению с базовыми моделями: * SWE-bench Verified (Точность решения реальных гит-задач): - Claude Fable 5: 95.0% (абсолютный рекорд) - Claude Opus 4.8: 88.6% - Claude Sonnet 5: 85.2% - Claude 3.5 Sonnet (legacy): 49.0% - *Дельта:* Внедрение Fable 5 дает прирост +46.0 п.п. по сравнению с Claude 3.5 Sonnet и +6.4 п.п. по сравнению с Opus 4.8. * SWE-bench Pro (Агентное кодирование): - Claude Fable 5: 80.3% - Claude Opus 4.8: 69.2% - Claude Sonnet 5: 63.2% - *Дельта:* Прирост точности агента составляет +11.1 п.п. по сравнению с Opus 4.8. --- ## 2. Стоимость токенов и удорожание цепочек ### A. Базовые тарифы на 1 миллион токенов (Input / Output): 1. Claude Fable 5: $10.00 / $50.00 2. Claude Opus 4.8: $5.00 / $25.00 3. Claude Sonnet 5: $2.00–3.00 / $10.00–15.00 4. Claude 3.5 Sonnet: $3.00 / $15.00 ### B. Во сколько раз дороже прямые вызовы: * Fable 5 vs Opus 4.8: +100% (в 2 раза дороже) как по вводу, так и по выводу. * Fable 5 vs Claude 3.5 Sonnet: +233% (в 3.3 раза дороже). ### C. Реальное удорожание при использовании спекулятивного роутинга (ARBITRAGE / SCOT): Если вызывать Fable 5 напрямую для всех шагов, стоимость агентской работы вырастает в 3.3 раза. Однако благодаря разработанному нами спекулятивному роутингу (вызов Fable 5 только в критических точках принятия решений при предсказании явного преимущества): * Средний рост стоимости пайплайна составляет всего +20% – +35% (вместо +233%). * При этом общая точность цепочки на выходе приближается к 95.0% (уровень Fable 5). -—