ИИ

🌟 Tencent открыла набор мультимодальных эмбеддингов Команда WeChat китайского техгиганта выложила в открытый доступ семейство эмбеддинг-моделей WeMM-Embedding, предназначенных для создания универсальных векторных представлений. Набор работает с текстом, изображениями, видеороликами, сложными визуальными документами и смешанным контентом, объединяя их в единое семантическое пространство. Эмбеддинги учили с использованием Matryoshka Representation Learning, который позволяет на этапе применения обрезать размерность вектора, экономя память и вычисления. Построено семейство на Qwen3.5, на выходе младшая модель дает нормализованный вектор на 2048 измерений, а старшая - на 4096.

Tencent приводят цифру, что при сжатии до 256 измерений двухмиллиардная модель сохраняет 98,7% исходного качества на задачах с фото и видео.

Опубликованы веса трех размерностей: 2B, 4B и 9B 🟡 Тесты 9B берет новый лучший общий результат на MMEB-v2 (80,6 балла), а 2B обходит Qwen3-VL-Embedding, который вчетверо больше нее. Но есть аргумент посильнее бенчей - семейство работает в рекомендациях и поиске WeChat. Она развернута для обработки каналов, аккаунтов и электронной коммерции.

Команда мессенджера говорит, что WeMM-Embedding показали стабильные улучшения в 14 онлайновых A/B-тестах.

Модели работают с библиотекой Transformers и поддерживаются vLLM и SGLang.

Единственным ограничением текущей версии является отсутствие поддержки аудио

📌Лицензирование: Apache 2.0 License 🟡Arxiv 🟡Веса 🖥Githib @ai_machinelearning_big_data #AI #ML #Embeddings #WeChat #Tencent

Один рабочий день бок о бок с новой аудиомоделью Сбера Данила любит на досуге копаться в свежих моделях, и тут подвернулась GigaChat Audio, которая запоминает контекст, тянет длинные записи и даже слышит эмоции говорящего. Грех не устроить тест‑драйв прямо на работе. Поднял модель локально на своём RTX 4090 и весь день кидал ей настоящий рабочий звук. Свой черновик доклада, чужую встречу про дробление BFF, голосовые от коллег, код‑ревью для младшего. Где‑то модель здорово помогает и экономит нервы, где‑то на технической теме выдаёт такое, что приходится слушать запись самому. К вечеру складывается спокойный вывод, кому и на каких задачах эта штука правда пригодится.

За последние пару месяцев у меня что-то увеличился счёт за электричество почти на $50. Я чаще стал гонять свой Razer днём (у нас днём электричество на много дороже, чем вечером или ночью), особенно для локальных моделей. Других изменений в потреблении электричества я не вижу. Пошёл смотреть свой счёт, за что я так плачу. За само электричество 47 центов с каждого доллара, то есть 47% от счёта. 20% от счёта идёт NT Power, просто потому что они есть и они предоставляют энергию. 5% доставка Delivery, 12% передача энергии Transmission. В общем просто за то, что энергия течёт по проводам до моего дома с меня берут 17% от моего счёта. 5% регуляторы берут, им же тоже нужно. Ну и 13% налоги HST и GST. Более половины счёта - это какие-то поборы. Надо попробовать купить Claude, может дешевле будет его гонять, чем локально лишние $50 за электричество отдавать. Или работать как я это делал в молодости - по ночам. Я раньше любил ночами программировать в тишине.

Про диктовку голосом Потихоньку переучиваюсь наговаривать текст голосом, а не печатать на клавиатуре. Когда печатаешь, проще структурировать мысли и рассуждать. Но для мозга это сложнее и дольше. Это цена которую ты платишь за возможность получше подумать. Ну и иногда мозг ленится платить слишком много. Я заметил, что когда наговариваю нейронке голосом, я больше деталей описываю. И бонусом, это еще и в разы быстрее выходит. Поресёрчил чем лучше всего пользоваться и остановился на https://spokenly.app + gpt-4o-mini-transcribe. Большинство продуктов на рынке - это обертки над какой то из speech-to-text моделей. Обычно над чем то из этого: Deepgram Nova‑3 ElevenLabs Scribe v2 GPT‑4o‑transcribe NVIDIA Parakeet TDT Whisper large‑v3 Стоят примерно одинаково дёшево, а последние 2 можно вообще за бесплатно локально на своем железе использовать. Вот тут всякие бенчмарки на точность и скорость. Deepgram лучше всего с ру языком ладит, ElevenLabs с английским. Хотя по факту для личных задач разброс точности в 2-5% особо погоды не делает. И я пока честно не понимаю, зачем платить 12 баксов в месяц за обёртку Wispr Flow. Это сейчас самый популярный dictation апп, с оценкой компании в 2 миллиарда долларов. А Spokenly делает соло разработчик. И у меня при активном использовании через API меньше 1 доллара в месяц уходит.

Кажется, мы наконец дошли до момента, когда вопрос "зачем психотерапевт, если есть ИИ?" перестал быть шуткой. Поговорил об этом с Машей Игнатьевой (директором "Ясно" по клиентской поддержке). Она и ИТ-управленец, и практикующий психотерапевт, так что разговор получился оч любопытным. Дух времени тут как тут в новом сезоне моего подкаста Соли. Говорим про самые частые запросы клиентов к их терапевтам, достигаторство и синдром отличника, тревожку, повсеместный расфокус и про то, что же скрывается за словом "выгорание", как мэчнуться со своим идеальным психотерапевтом. Ну и конечно, мы как следует прошлись по ИИ как замене психотерапии. Спойлер: ИИ может заменить терапевтов, но терапевты никуда не уйдут. Парадокс! Выпуск в ютубе → https://www.youtube.com/watch?v=2UEq1Z2tuHo И на всех подкаст-площадках: https://salt.mave.digital/ep-41

Куда двигать свой AI-стек прямо сейчас: мысли про тарифы, локалки и железо Вчера писал про браузер Comet от Perplexity, а сегодня хочу развернуть более глобальную картину того, что сейчас происходит с подписками и куда вообще катится рынок. 1. Конец эпохи подписок по $20 Perplexity - относительно небольшой стартап, особенно на фоне Google или Anthropic. Они находятся в куда более уязвимом положении, работая по API, поэтому первыми начали активно резать функционал и просить деньги за базовые вещи. Но этот тренд неизбежно дойдет и до остальных гигантов. Ограничения и рост цен продиктованы банальным дефицитом видеокарт, видеопамяти и общим кризисом на рынке полупроводников. Мы проживаем последние моменты условной халявы в стандартных тарифах. Базовым минимумом для нормальной работы становится подписка за $100-200, куда компании сейчас стараются напихать максимум возможностей. Но и эта щедрость ненадолго, думаю, что на горизонте года и их будут резать. Поэтому мой посыл - залетайте в эти тарифы нужно прямо сейчас, пока дают максимум (как тот же Google со связкой сервисов вроде NotebookLM), быстро выстраивайте рабочие процессы, пробуйте все, что там доступно, чтобы к моменту неизбежных урезаний точно понимать, за что вы готовы платить. 2. Инвестиция в локальное железо Для большинства ежедневных задач огромные облачные LLM объективно не нужны. Локальные модели развиваются бешеными темпами: если год назад для схожего качества требовалось шаманить с SGR, то сейчас условная Gemma E4B из коробки отлично закрывает базовые кейсы. Я уверен, что в течение года модели в этом размере станут еще круче. Показательный пример - недавний запуск Perplexity Local Computer в рамках их экосистемы. Ребята развивают направление AI Harness и выкатили решение, работающее либо на Qwen, либо на собственном обученном оркестраторе. Но чтобы крутить локально модели такого уровня (27B и выше), нужно железо. На фоне дорожающей памяти и урезания базовых комплектаций производителями, лучшая инвестиция в свой AI-стек прямо сейчас - это покупка мощной машины. В идеале - Mac с объединенной памятью от 64 ГБ (или хороший ПК на Windows). Это дает полную автономность от облачных лимитов и подписок, которая через год станет еще более критичной. 3. Как оптимально собрать стек под себя Формула эффективного рабочего сетапа на ближайшее время выглядит так: одна сильная подписка ($100+) + локалка на хорошем железе + 1-2 ситуативных сервиса под узкие задачи. • Выбор флагмана. Если ваш фокус - разработка и код, логичнее держаться Claude или ChatGPT. Если вы глубоко сидите в экосистеме Google и хотите максимум отдачи на каждый доллар - Google AI с тарифом уровня Ultra полностью закрывает потребности. У меня этот переход, например, снял необходимость держать пачку параллельных подписок. • Вайб-кодинг и сторонние тулзы. Сервисы вроде Lovable, Bolt или Granola - неплохая точка входа, но платить за них бесконечно нет смысла. Гораздо перспективнее сразу учиться работать с AI-кодингом через Claude Code, Codex или Antigravity. Если нужно пилить прототипы - вы вполне сможете делать это в них. Если нужен узкий тул для своих задач - вы сможете накодить его. Как только вы понимаете механику, необходимость в промежуточных сервисах отпадает сама собой. 🚀 Влад Корнышев про AI и создание AI-продуктов

Почему пилотные ИИ‑проекты умирают, а теневое использование живёт: итоги опроса Опрос Хабра и Cloud.ru собрал 173 ответа, и цифры разошлись с привычной логикой. 41% проектов не доходят даже до пилота, умирая на стадии идеи, когда технологии ещё никто не касался. Значит, дело не в качестве моделей, а в том, что компания не может пройти первый шаг и сформулировать задачу. При этом ИИ в тех же компаниях уже работает. Каждый третий сотрудник сам нашёл инструмент, сам за него платит и решает свои задачи, пока наверху ещё обсуждают, стоит ли вообще тратить ресурсы. Технология живёт снизу, а официальные проекты гибнут сверху. Разберёмся, на каком ещё этапе ломаются кейсы и почему успешный пилот почти невозможно масштабировать.