ИИ

🛠️ Метод Сначала определяют, какие слои лучше всего отображаются из одной модели в другую. Для этого обучают гребневую регрессию (Ridge Regression) между всеми парами слоёв source- и target-модели и находят те, где R² самый большой. При этом важно фитировать pre-RoPE-ключи. Так и ошибка выходит меньше, и на другие контексты экстраполируется лучше. Замечают, что ключи предсказываются лучше, чем значения. Впрочем, это было известно и из прошлой литературы. После определения самых важных source-слоёв для данного target-слоя признаки из них конкатенируют в один тензор и снова обучают на этом гребневую регрессию. Показывают, что важно брать не один, а несколько — 4–8 — слоёв из source-модели для приемлемого R². ⏱️ Занимает это час-полтора на ноде из 8×H100. 🧪 Эксперименты Валидируют подход на моделях семейств Qwen3, Llama-3.1, Ministral и на задачах с коротким ответом: ARC-C, HellaSwag, Winogrande, MMLU. На паре Qwen3 14B → 32B работает неплохо, на Qwen3 8B → 32B — уже хуже, а на Llama 3.1 и Ministral 3. В ablation показывают для Qwen, что pre-RoPE важен и что k = 1 — брать один самый важный слой — недостаточно. Для Ministral 3 можно вытянуть качество, если заменить линейную модель на MLP. Для Qwen3 это не помогает. Утверждается, что оверхед от маппера из source в target небольшой — в 3–25 раз меньше, чем prefill. 💡 Выводы Интересное исследование и идея, но будто бы до практического использования ещё далеко. Тесты — на простых бенчах, и будто бы подход не универсален. Для качественного отображения между разными моделями, скорее всего, потребуется более выразительная модель, и здесь возникает сложный trade-off между потенциальным выигрышем, стоимостью работы и обучения этой прокладки.

Хороший Патель у Пателя вышел на днях: - Антропик сделал свой первый прибыльный квартал, Q3 скорее всего будет прибыльным для OpenAI - в 2024 инвестиции в ДЦ от лаб были порядка $10 миллиардов, в следующем году это будет больше триллиона (от себя добавлю, что венчур сменился на debt) - кроме SpaceX и Meta, которые строят свои собственный гигаватты, и продают антропику по $40В+, что конечно сильно выгоднее чем строить на кредитные деньги - маржа у лаб выросла в разы на последний год: в среднем они зарабатывают $50 млн выручки на каждый мегаватт мощностей. Они тратят $10м на мощности, генерируют огромную маржу и реинвестируют в тренировку новых моделей - к концу следующего года 50% всех новых вводимых мощностей будут принадлежать 2-3 топ лабам (~25 гигаватт ИИ вычислений) - НО, в среднем каждые 2 года эффективность для ИИ новых вводимых вычислений удваивается - спрос растет все еще быстрее: каждая новая модель открывает больше возможностей для извлечения ценности, НО есть тренд к замедлению: OAI затормозили тренинг моделей на 2 недели, Антропик не показывает «модель 2» (Mythos 2) даже внутри, лучшая модель доступная на рынке сегодня была создана в феврале, но в лаб внутри есть куда более сильные версии - даже если лабы могут генерировать $100М на мегаватт, они все равно будут тратить большую часть ресурсов на тренировку, а не инференс, потому что в AGI+RSI куда больше денег, чем просто продажу токенов условного Мифос 2 - Дилан говорит, что за последние 3 месяца лабы последовательно снижали процент мощностей для клиентов и повышали процент для R&D - текущие планы новых мощностей доходят до 100 гигаватт в 2029 году (чтобы это случилось, это должно привести к 10%+ роста ВВП в США, что является кардинально другой макроэкономической ситуацией по сравнению со всем что было в этом веке) - Китай в этом же году будет иметь ~50 гв, но эффективность каждого ватта будет ниже из-за все еще существующего отставания в чипах - для 100 гигаватт в 29-30 годах (в каждом!) потребуется ~$5 триллионов кеша инвестиций в чипы, дц, энергию. Но ни у одной ИИ компании нет столько денег. Это вопрос уже политики, кредитных рынков, гос инвестиций. Эти ~$10 трлн инвестиций за следующие 3 года придут в первую очередь из FCF и кредитов, все остальное скорее приятный бонус. - это реально, но это значит что эти триллионы НЕ пойдут в потребительские кредиты, приватный кредит, ипотеки, другие инфраструктурные проекты, обслуживание гос долга - всем, кроме США, кажется, в этом мире тотальная п*зда, потому что у них нет таких развитых кредитных и финансовых рынков, большой долг, отсутствие проприетарных моделей и лаб - важно понимать, что акселерация это не закон: регуляторы, политики и прочие зумеры в достаточном количестве могут создать социальную атмосферу в сторону меньшей экономической эффективности, но более плавного роста - НО ни одна социальная идея не выживает после столкновения с фин рынками. Любой, самый оголетлый, политик и популист публично откажется от своих слов за бонды под 8% или кредит под 20% (который с радостью привлекает Антропик уже сегодня, ибо уверен, что заработает х3 в год на каждый вложенный доллар) - в конце интересная спекуляция на тему: экономика США удваивается каждый год, ставка десятки процентов, S&P должен торговаться по 2-3х выручки всех компаний, потому что AGI оптимизирует и делает легче повторение, НО даже в таком сценарии и при наличии сверхспособных моделей экономика будет требовать больше времени для адаптации именно из-за социальных процессов и из-за того что весь мир, грубо говоря, будет пытаться остановить ИИ Очень рекомендую послушать целиком эпизод (и три предыдущих с ним же), чтобы понять почему лабы уверены, что они смогу зарабатывать триллионы долларов выручки в год и до какой степени они готовы пойти на экстремальные

Метод отжига от зацикливания вашего агент 😗 Сижу я тут в одном чатике. И вижу сабж от @asboltenko:

К слову хотел поделиться лайфхак, на случай если пропустили, если и когда агенты начинают тупить и топтаться на месте в решении какой-то задачи, им нужно сказать "проведи исследование", "поищи информацию", тогда у них включается режим исследования и они выходят за рамки своих знаний и начинают искать и изучать информацию и результат резко улучшается.

И тут я думаю, так это же похоже на метод отжига в мат.оптимизации. Если только немножко его доделать под LLM и агентов. 🧠 Ну действительно, представьте, вы уже знакомы с self refining и OPRO/GEPA методами самоулучшения рассуждений и промптов. В них мысль проста, ваша среда - политика это и есть модель, она порождает на контекст генерации, значит её можно bbox оптимизировать направленно при помощи управления промптами и/ или параметрами генерации. Таким образом, мы живём в пространстве возможных генераций от входа. Теперь идём дальше, вот цитата выше - агент застрял в решении,те сошёлся в локальном минимуме возможных исходов генераций. Как его оттуда сдвинуть? 1. Смена температуры. Когда вы говорите "проведи исследование", вы переключаете агента из режима greedy decoding в режим исследования - аналог поиска в глубину против поиска в ширину. Чтобы усилить эффект, можно явно попросить: "Сгенерируй 3 самых диких/неочевидных гипотезы, даже если они ошибочные" - это тот самый "шаг назад в менее выгодное решение", который выбивает из локальной колеи рассуждений. Кстати, мы люди, также делаем порой. Говорим себе стоп, давай начнём сначала или сделаем шаг назад. 2. Декомпозиция шага назад. Метод отжига требует времени на "остывание". Поэтому после команды" "исследовать" обязательно нужно дать лимит:" ..выдели на это 5 итераций размышлений, а затем вернись к исходной задаче и предложи финальный план". Иначе агент может улететь в бесконечный поиск и перерасход токенов. 3. Критическая разница с мат. оптимизацией. В математике отжиг принимает плохое решение на основе функции вероятности. В LLM мы не можем доверить случайность - вместо этого просим сменить перспективу. Это и дает тот же эффект перепрыгивания ямы, но детерминированно и осмысленно. Лайфхак вдогонку. Если агент топчется, скажите не просто исследуй, а "составь карту неопределённости" – перечисли, чего именно тебе не хватает для решения. Это принудительно расширяет границы знаний перед тем, как начать гуглить, и резко сокращает галлюцинации во время этого отжига. Однако правило, как понять, что агент застрял всеравно придётся написать. 👍 И да, что метод из цитаты. Что улучшение отжига требует больше токенов, но может спасти вас от траты того же числа токенов не тупик и зацикливания. 🧠

• OpenAI Private Safety — Защита сложных сценариев без хранения данных клиентов. • Mistral Agentic Search — Поэтапный поиск и проверка информации в документах. • Cursor Origin — Работа с репозиториями, синхронизация через GitHub. • Apple Mac mini и Mac Studio для локального ИИ — Новые чипы M6 и M5 Ultra, Mac mini от $899, Mac Studio от $2499. • OpenAI: чипы Jalapeno превосходят Nvidia — Планируют использовать их в конце года для снижения затрат. • Vercel запустил Run SDK — Инструмент для безопасного выполнения непроверенного JavaScript/TypeScript. • Figure представил Index — Приложение для сбора физических данных с помощью людей. • OpenAI запускает доступ к паролям для ChatGPT Work — ChatGPT Work может выполнять задачи через автозаполнение паролей. • Anthropic даёт Claude память между инструментами — Claude запоминает детали из чатов и использует их в Cowork. • Google запускает Gemini Enterprise для юридической отрасли — Готовые агенты и интеграции для юристов. • Google запускает Gemini Enterprise для финансовых услуг — Автоматизация рабочих процессов для финансовых специалистов. • Guru — Источник истины AI, предоставляющий проверенные ответы. • AdKit — Исследуйте конкурентов, запускайте кампании и отслеживайте результаты. • Skydive — Облачная платформа для AI-агентов, автоматизирующих бизнес-задачи. • Sparkvid — Создавайте видео, управляйте движением и редактируйте с помощью ИИ. • OpenAI представила первые результаты Jalapeño — Инференс-ускоритель для агентных нагрузок до конца года. • Perplexity и NVIDIA запускают Portable Computer — Полностью локальный ИИ-агент с нулевой стоимостью токенов. • Jalapeño оптимизирует пропускную способность и задержку токенов — Чип показал высокую производительность на киловатт и меньшую задержку. • Открытые омнимодальные мировые модели — EchoWM генерирует 720p видео, звук, музыку и речь. • Краткосрочные учетные данные для ИИ-агентов — Vercel Connect заменяет API-токены на выдаваемые во время выполнения. • Granite 4.2: как они устроены — Плотные модели-рассуждатели от IBM с размерами 3B, 8B и 30B. • Anthropic объединяет память Claude Chat и Cowork — Платформы запоминают одни и те же разговоры, включено по умолчанию.

🛠 Инструменты • LangSmith Sandboxes — Изолированное пространство для безопасного запуска кода и итераций агентов. • Taku — Собирайте, запускайте и делитесь настраиваемыми рабочими процессами. • CastReader — Читайте вслух что угодно на 9 языках с помощью ИИ. • Maxfusion — Создавайте профессиональные видеорекламы с помощью ИИ. • Top 125 AI Tools — Лучшие ИИ-инструменты в подборке. • Fabricate — Генерирует full-stack приложение на React и TypeScript из описания. • Page Pulse — Аналитика сайта с AI-инсайтами: трафик, конверсии, тепловые карты. • FigEditor — Создание научных фигур с ИИ из текста, эскизов или референсов. • Chatzy — ИИ-платформа для автоматизации клиентского пути. • Pikes — Креативный ИИ-набор для CPG-брендов: фото, реклама, видео. • Video Transcript — Транскрибация видео и аудио с таймкодами. • Koji — ИИ-платформа для интервью с клиентами и исследований. • Скрытая модель Ox Alpha на OpenRouter — Модель с 1M контекстом, 131K выводом, 80% на DeepSWE. • Nvidia AVO набрал 100% на ARC-AGI-3 — 183 уровня без инструкций. • Google Antigravity получает Remote Control — Доступ к сессиям с браузеров и мобильных устройств. • Inherent (от DeepMind) превзошла Anthropic и OpenAI — Агент Faraday на 27B параметров превзошёл крупные модели в исследованиях. • DeepSeek выпускает экспериментальную Flash Vision модель — Почти сравнивается с Opus 4.8 на агентских задачах. • Alibaba выпускает видеомодель Wan3.0 — Генерирует до 30 сек видео, поддерживает текст, изображения, аудио. • Thomson Reuters создаёт свою ИИ-модель на базе опенсорса — Модель Thomson-1 на базе Qwen, конкурирует с топ-моделями. • Tesla подтверждает запуск Cybercab — Инвайт-событие 3 сентября, активный автопилот ~20-30 авто. • Дата-центры стимулируют новые трансформаторы — Твердотельные, компактные и модульные трансформаторы для ИИ. • Тостерообразные роботакси Amazon выходят на дороги — Электромобили Zoox без руля начали перевозить пассажиров. • Новая дорожная карта MCP — План развития протокола включает агентные примитивы и безопасность.

• Coresignal Agentic Search API — Запрашивайте 4,5+ млрд записей о компаниях на естественном языке. • PixelPanda — Превращает фото товаров в профессиональные снимки и UGC-видео. • Sim — Создание, развёртывание и мониторинг ИИ-агентов. • Bloxks — Создание и публикация мобильных приложений без кода. • NVIDIA начинает полное производство чипов Groq 3 LPX — Ускоритель для Vera Rubin обеспечивает 4-кратное ускорение ответов. • Анонимная модель Ox Alpha обработала 26 трлн токенов — 327 тыс. пользователей за 4 дня, рекорд запуска на OpenRouter. • Hot Chips 2026: CUDA нацеливается на RISC-V — Nvidia расширяет поддержку CUDA на RISC-V. • Графовая инженерия (GitHub) — Коллекция статей о динамических графах для координации агентов. • ROME (GitHub) — Среда для запуска постоянных ИИ-агентов с защитными ограничениями. • Multi — Превращает контент в YouTube-видео с voiceover и captions. • Slack Code — Встраивает ИИ-агентов в каналы Slack для совместной разработки. • MarkItDown — Конвертирует файлы в Markdown для ИИ-процессов. • T3Code — Open-source контрольная панель для кодинг-агентов. • Recraft — Text-to-image модель и дизайн-платформа. • Motiofy AI — Генерация видео из изображений. • Clipto — Единая память для знаний и материалов на компьютере. • Astute — Продвижение B2B-бренда через новый медиа-контент. • Better Claw — Создаёт и запускает ИИ-агентов по расписанию без кода. • Diagrimo — Превращает идеи в схемы, диаграммы и инфографику. • Astorie — Общий холст для сценариев, визуальных идей и медиаматериалов. • Similarweb AI Ads — Отслеживает рекламу в ответах ChatGPT и Google AI. • Meterless — Записывает шаги агента и сохраняет их как сценарий. • Sonic 3.6 — Синтез речи на 44 языках. • Spline V2 — Создаёт 3D-сцены в браузере, Agent Mode по командам. • Nylas — Подключает почту, календарь и заметки встреч. • NVIDIA AVO — Набрала 100% на ARC-AGI-3, внутри Claude Opus 5. • Anthropic Mythos 5 — Открыта для кибербезопасности, выделено $35 млн на open-source. • GEN-1.5 — Робототех-модель осваивает действия по одному примеру.

📈 Рост и Оптимизация • Нет причин, чтобы программное обеспечение было медленным — ИИ снижает стоимость оптимизации, превращая недели работы в тривиальный цикл. • Fable и конец бесплатного обеда — Высокая стоимость Fable заставляет оптимизировать процессы и распределять задачи. • Как я нахожу проблемы для решения как штатный инженер — Проблемы видны при длительном взаимодействии с работой людей. • Быстрый и сложный код — ИИ позволяет выбирать менее распространённые языки и сложные технологии. • Agent.md для улучшения качества кода с помощью LLM — Хороший каркас кодирования повышает качество кода. • DeepMind тренирует агентов в EVE Online — Тесты памяти, планирования и мультиагентного поведения в EVE Online. • OpenAI обгоняет Anthropic по росту бизнес-расходов — Расходы на OpenAI выросли на 82% за квартал против 76% у Anthropic. • Как Uber построил программную фабрику для агентного кодирования — 70% PR пишут агенты, код на инженера удвоился. • Банки ищут страховку от галлюцинаций ИИ — Стартап Testudo предлагает покрытие до $10 млн за убытки от генеративного ИИ. • Система действий, часть 4: аргументы за прикладной уровень — Вертикальные SaaS и AI-стартапы могут расширить TAM ПО в 10 раз. • Почему проприетарные данные — сильное преимущество в 2026 — Уникальные данные, улучшающие продукт, создают защитный ров. • Открытый исходный код отбирает долю у OpenAI и Anthropic — Доля открытого кода в токенах на Vercel выросла с 28% до 62% за два месяца. • Стартап обучает ИИ на живой ткани человеческой кожи — Outer Biosciences поддерживает живую кожу и обучает модели на биоданных. • Более дешёвый Opus 5 обгоняет Fable 5 в корпоративных расходах — Opus 5 обогнал Fable 5, предлагая вдвое низкие тарифы. • Лето открытых весов — Открытые веса становятся переломным моментом: агрессивное ценообразование. • Измерение оптимизации бенчмарков в распознавании речи — Исследование выявляет 'бенчмаксинг' в распознавании речи. • Экономика интеллектуального фронтира — Когда модели превышают интеллект, конкуренция смещается к стоимости. • Спекулятивный программный вызов инструментов — Метод предварительного запуска вызовов ускоряет выполнение на 1-1.2x.

• Когда код изобилует — LLM смещают фокус с создания кода на его проверку и доверие. • ИИ-эффект кнута — Дисбаланс спроса и предложения привел к росту цен на GPU и память. • Goodfire запускает программу грантов на $1 млн для интерпретируемости ИИ — Программа предоставит бесплатный доступ к платформе Silico. • LinkedIn: миллион нажатий на кнопку «AI slop» — 41% длинных постов помечены как ИИ, просмотры снизились на 40%. • Экономика агентных ИИ — Практическое руководство от McKinsey по экономике агентных ИИ. • Claude в науке — Разработка белков: 14 из 15 мишеней подтверждены. • Открытые модели — Состояние и обзор лицензий, мультимодальности, агентов в 2026. • Git в масштабе — Архитектура Cursor для множества репозиториев и агентов. • Paged Attention — Управление памятью в больших моделях при генерации. • Amazon планирует полностью автоматизированные станции — Проект Tetromino использует роботов для последней мили. • Knowledge Compressor сокращает документацию вдвое — Токенов в техдокументации можно урезать вдвое без потери пользы. • Новые применения ИИ — Сбор неструктурированных данных и жизненные советы. • Google снижает долю листиклов в топе — Доля листиклов в первой тройке упала с 35.9% до 32%. • Бенчмарки дисплейной и видео-рекламы 2026 — CTR дисплея 0.12-0.40%, CPC $1.65-5.58, видео-объявления 71% видимости. • Какую метрику доверять — MMM для стратегии, инкрементальность для тестов, атрибуция для оптимизации. • Перевод SEO на язык руководства — Используйте Share of Voice, ценность трафика и спрос на бренд. • OpenAI и Anthropic могут доминировать в мировых ИИ-вычислениях — Монетизация FLOPs позволит им перебивать конкурентов к 2028 году. • Рвы в эпоху потопа — Изобилие ИИ сместит ценность к компаниям с защитными барьерами. • «Мир, кажется, готов»: интервью с главой по продуктам OpenAI — Соттио рассказывает о Codex, ChatGPT Work и философии дизайна.

#Нейропрожарка Анимационный клип на песню Аллы Пугачевой - Кафе Танцующих Огней в стиле анимации из мультфильмов 90-х Автор: Стас Ахунов. Режиссер и креативный продюсер Ai-студии TAINA Этот клип и музыкальный кавер я делал сам, в свободное от коммерческих проектов время. Трек появился ещё зимой. Регулярно делаю каверы на любимые песни в Suno — для себя, для катания на велосипеде, для зала. Здесь кавер получился с живым вокалом и качающим ритмом, захотелось визуализировать и поделиться. Идея была простая: поместить персонажа Аллу Борисовну в анимацию в духе мультиков 90-х. Черный плащ, Бэтмен, Черепашки-ниндзя сохранив их нуарный рисованный вайб, на котором я сам вырос. Три-четыре дня ушло на тесты и поиск стилистики. Пробовал более современный 3D-стиль — картинка теряла вайбовость. Вернулся к аналоговой анимации 90-х. Большинство кадров делал в Nano Banana, она лучше улавливала нужный стилёк и делала крафтовее. Сториборды делал в GPT Image 2 - но стиль она держала хуже, и на кадрах присутствовала такая джипитишная грязь/шумы, котоыре потом переходили в видео. История не была прописана полностью заранее. Начал с одной сцены: персонаж Аллы едет на чёрном авто по альтернативной ночной Москве. Дальше придумал кафе, и загадочную историю внутри. На середине работы захотелось добавить саспенса - вспомнил про мутаген из Черепашек Ниндзя. В детстве смотрел на кассетах серию, где персонажа превращали в насекомое. Вокруг этого выстроил сюжет, добавил злодея в маске и загадочности. Для генерации видео использовал безлимитный тариф Runway. Вместе с коллегой написали скрипт в Клод Код: он проверял завершение генерации и менял новый промт/ рефы и кликал на кнопку "сгенерирвоать". Таким образом была очередь из кадров, котоыре нужно было сгенерировать. Несколько ночей загружал по 15-20 промтов, утром смотрел результат. Всего вышло более 200 генераций по 15 секунд в Сиданс 2. Из них отобрал материал на клип длиной 4 минуты 43 секунды, и отдельно смонтировал тизер на 30 секунд. Монтаж - Final Cut Pro X. Апскейл в 4k - Топазом внутри Runway. Цвет, грейн и аналоговое свечение - Dehancer. Когда основные генерации были готова, решил что выходит скучновато и не хватает отсылок. Посмотрел несколько документальных работ про Пугачёву и дополнительно сгенерировал и расставил пасхалки к другим её песням. В ролике можно найти отсылки к «Миллиону алых роз», песне «Робот» (любопытная в контесте современной нейродвижухи) и другим. Отдельно использовал факт, что в советское время женщинам-композиторам было сложно пробиться - и Алла Борисовна для части своих произведений использовала мужской псевдоним Борис Горбонос. Его плакат можно найти в клипе. По деньгам, если считать все подписки одним месяцем: Runway с безлимитным на тот момент Сиднасом и Gpt Image 2 - $100, Higgsfield около 30$ (у меня там годовой тариф), Claude и ChatGPT - по $20, Suno - около $12 (у меня годовой премьер, который брал со скидкой). Итого около $180 если бы делал в один месяц. Но на практике проект делался сессиями на протяжении нескольких месяцев, поэтому реальные затраты размазаны и выходят немного больше. Некоторые кадры вышли не идеально - нейронка где-то написала слова на зданиях с ошибками, на некоторых кадрах есть артефакты. Проект несколько месяцев лежал на монтажном столе, мне казалось что в нем по прежнему чего-то не хватает, но я решил отпустить его и выпустить как есть, без сложного клинапа каждого кадра. Главное, что понял: всегда лучше на берегу определиться с арт-дирекшеном и историей, потом уже идти генерировать. Когда не знаешь заранее, что хочешь и история рождается на ходу - это интересный процесс, но затраный по времени и ресурсам. На генерации и тесты тогда нужно в разы больше времени. @cgevent

Харнесс (Agent Harness) 🧗 #ИИНЦИКЛОПЕДИЯ Программная оболочка, внутри которой модель превращается в агента. История появления Слово пришло из альпинизма: harness — страховочная обвязка. Устоявшегося русского термина пока нет — говорят «харнесс» или «обвязка». Первым популярным харнессом стал Claude Code, и нейтральным он не был: его собирали под модели одной лаборатории. За 2026 год тема выросла в отдельную дисциплину, harness engineering: обзор насчитывает 110+ работ. Почему это важно Формула простая: агент = модель + харнесс. Разрыв уже измерили. GPT-5.5 в обвязке Cursor выдаёт 87.2% рабочего кода, та же самая модель в нативном Codex — 61.5%. Двадцать шесть пунктов, веса не тронуты. Это больше, чем разрыв между поколениями моделей. Из чего состоит: - Системный промпт — инструктаж новичка в первый день. Уходит в модель заново с каждым запросом - Инструменты — код, который модель может вызвать. Харнесс их описывает, но не решает, когда применять .. решает модель - Агентный цикл — модель смотрит на результат вызова и сама решает: искать ещё раз, посчитать, закрыть задачу - Слой трансляции — позволяет подставить в тот же цикл модель Anthropic, OpenAI или открытую Применение на практике В мае вышел Harness-Bench: 106 задач, шесть харнессов на восьми моделях, 5194 прогона. Лучшая обвязка — 76.2%, худшая — 52.4%. Победитель потратил меньше токенов, чем отставшие: длинная траектория значит, что агент не сходится. И сильные модели держат удар при плохой обвязке, а слабые проваливаются .. харнесс окупается тем сильнее, чем дешевле модель. В июне агент правил собственную обвязку по трассам своих провалов при замороженной модели: проходимость выросла с 40.5% до 61.9%. Подводные камни Харнесс чинит работоспособность, но не безопасность: в том же замере функциональность выросла на 26 пунктов, а доля безопасного кода — с 20.1% до 23.5%. Оба агента писали дырявый код в четырёх случаях из пяти. Без внешнего эталона модель сверяет ответ сама с собой. В бенчмарке JuliaHub модель тихо сократила время симуляции с 5 секунд до 3 и проверялась на укороченном отрезке. Проверки сошлись. Сравнивать модели по лидербордам без указания харнесса бессмысленно — об этом в мае вышла отдельная работа. Что почитать/посмотреть: - Harness-Bench, arXiv 2605.27922 — самый честный замер обвязок - Stop Comparing LLM Agents Without Disclosing the Harness — почему лидерборды врут - Harness engineering у Мартина Фаулера — как строить проверки, а не только читать про них - Документация хуков Claude Code — если хотите проверки, которые агент не обойдёт Сергей Булаев AI 🤖 - об AI и не только

Это пожалуй первый skill который я желаю вам никогда не устанавливать /fuck-cancer — помогает пациентам с раком разбираться в лечении, документах, следующих шагах и вопросах к врачам При первом запуске описываешь симптомы или если есть выписку/биопсию Агент анализирует все вводные и заводит один единственный файл как источник правды Который хранится либо локально в markdown, либо в облаке Google Doc Этот файл-бриф делится на 5 частей:

1/ Инфо о пациенте и лечащей команде 2/ Что делать дальше: 3 конкретных действия 3/ Разделение на известно/неизвестно 4/ Объяснение медицинских терминов 5/ Журнал последних событий, решений и изменений

Помимо инструкций, агенту еще доступен единственный тул: Clinical Trials API Для поиска наиболее подходящих клинических исследований под конкретный случай. На основе типа рака и стадии/биомаркера, страны и региона. Скилл специально запрещает основывать ответ на SEO-сайтах, соцсетях или ИИ-медицинских страницах. Если агент и выходит в интернет то только в официальных национальных источниках, регуляторах вроде FDA/EMA и по сайтам академических онкоцентров. @tips_ai