ИИ

Почему AI автоматически не делает бизнес или продукт лучше и прибыльнее? Инсайт после конференции AGDay от друзей из студии Alto в Екатеринбурге на прошлой неделе. Потому что ключевым фактором успеха по-прежнему остаются компетенции в бизнесе и продукте, а не технические. Когда технические задачи стали решаться в 10–100 раз быстрее, это не сделало автоматически каждого предпринимателя богаче, а каждый продукт — успешнее. Ключевые вопросы всё те же: – кому и что ты продаёшь, – зачем это людям, – как это упаковать, – как продать – и как всем этим управлять. Раньше, пока команда месяцами пилила продукт, с ответами на эти вопросы можно было тянуть. Сейчас код пишется за дни вместо месяцев — и ограничение в продажах, маркетинге, продукте или операционке обнаруживается почти сразу. AI не убрал ограничения бизнеса. Он просто очень быстро передвинул бутылочное горлышко из разработки в другие части компании. Но есть и обратная сторона: без новой скорости разработки и автоматизации до этого горлышка теперь можно вообще не добраться. Технология стала новой нормой, а не преимуществом. А выигрывает по-прежнему тот, кто лучше понимает, что именно делать, для кого и зачем.

🎙 Мини-интервью с руководителем ML-департамента рисков в Яндекс Финтехе Владимир Ершов — ex. Visa, Сбер и Alfa-Bank, выпускник МГИМО и IE Business School. Четыре интересных факта про героя интервью: 1️⃣ Пришёл в ML из экономики: после МГИМО выбрал магистрату по Big Data в испанской IE Business School. 2️⃣Успел поработать во всех ML-направлениях бизнес-группы Персональных сервисов Яндекса. 3️⃣ Сейчас его команда отвечает за порядка 50 моделей для Сплита, кредитной карты, кредита наличными и B2B-кредитования. 4️⃣ Практически не пишет код уже четыре года, но иногда сам ревьюит самые важные куски. 👉 Подробнее — на карточках. Ставьте 🔥, если хотите больше интервью с ML-руководителями. Вопросы Владимиру оставляйте в комментариях 👇 #мини_интервью

Loop the Loopies! Сегодня обсудим статью, которая посвящена моделям Loopies, построенным на шеринге параметров между разными слоями.  Обычно у трансформерных моделей и свёрточных нейросетей отдельные параметры на каждом блоке, благодаря чему объём вычислений и число параметров масштабируются с глубиной. Это даёт гибкость — каждый блок может выполнять специфические задачи. Но при этом с ростом числа слоёв растёт и количество параметров, а значит, модель становится дороже хранить.  Выходом из этой ситуации может стать переиспользование весов по несколько раз за форвард — шеринг параметров. Так не нужно хранить много параметров, однако блок может принимать распределение данных с разной глубины, что усложняет задачу оптимизации.  Перспективность шеринга первым доказал метод ALBERT. В нём было два механизма: факторизация матрицы эмбеддингов и переиспользование одного трансформенного блока несколько раз. На этом принципе работают looped-модели — hidden state в них прогоняется R раз через один и тот же блок. Число параметров становится меньше, а количество вычислений не меняется.  Рекуррентность имеет и другие преимущества: hidden state проходит несколько шагов улучшения, эффективная глубина растёт без увеличения размера модели. В перспективе число шагов можно адаптировать под сложность запроса — если он простой, то прогонять один раз, а если сложный, то больше. Рекуррентность хорошо показывает себя на алгебраических задачах и задачах, связанных с пазлами. Однако сравнения looped-моделей с не-looped-аналогами были не совсем честными. При том же размере модели делаются R прогонов, а, следовательно, в R раза больше вычислений. Соответственно, и обучать такую модель дольше. В плане оптимальности компьюта looped-модели уступали обычным трансформерам.  Авторы серии Loopie предлагают две модели: Loopie-20B-A2B и Loopie-6B-A0.6B. Архитектурно это Qwen3. В отличие от решений прошлого, здесь не вся модель прогоняется несколько раз, а каждый слой (верхняя схема на изображении 1). В пределах одного блока активации меняются не так сильно, к тому же это проще для чекпоинтинга. Также такой метод даёт потенциально большую гибкость: можно делать разное количество проходов на каждом слое.  Подход layer-loop проще для распределённого обучения, потому что повторения слоя остаются в одном pipeline stage, а параметры градиента могут использоваться локально. В то же время model-loop требует, чтобы вычисления синхронизировались внутри всей модели а первый блок должен уметь обрабатывать один или несколько полных проходов через модель.  Претрейн состоял из двух стадий. Сперва используют датасет Nemotron-CC-v2-HQ, а дальше дообучают на более качественных данных, делая упор на синтетику, STEM, код, математические рассуждения и веб-данные. Так получается базовая Loopie. На неё делают Supervised Pre-Training (SPT). Это похоже на SFT, лосс считается только по target-токенам, однако масштаб — как у претрейна: 2Т токенов. Контекст увеличивают и обучают довольно большими батчами примерно по 128М токенов. SPT, как отмечают авторы, улучшает способность модели к рассуждению.  На RL сначала делают математику, а потом программирование. Используют GSPO, ассиметричный клиппинг и динамическую фильтрацию промптов. Роллаут увеличивают с 32К до 64К.  По бенчам Loopie-20B примерно сопоставима с моделями вроде Qwen3, Nemotron 3 Nano и GPT-OSS (изображение 2). Казалось бы, не слишком большое достижение для 2026 года, однако стоит помнить, что у Loopie намного меньше параметров. Loopie-6B в своей «весовой категории» также показывает себя достойно — особенно в задачах, связанных с математикой (изображение 3). Разбор подготовил ❣ Денис Кузнеделев Душный NLP

После выхода ChatGPT в ноябре 2022 люди стали писать иначе — под влиянием самого ChatGPT. Команда Pew Research проверила почти полмиллиона англоязычных страниц за пять лет и увидела, что слова вроде «delve», «testament» и «interplay» стали встречаться заметно чаще, тире — вдвое чаще, а оборот «это не X, это Y» — почти втрое. Оксфордская запятая прибавила 63%. Сейчас признаки машинного авторства есть уже у каждой десятой страницы: больше всего на .com, меньше всего на .gov и .edu, а в длинных постах LinkedIn их 41%. А дальше живые авторы стали от этих примет уходить. Руководитель работы Самуэль Бестватер встречал людей, которые теперь специально не ставят тире, чтобы их текст не приняли за нейросетевой. Получается, человек меняет свой стиль, лишь бы не походить на машину, — а машину до этого учили писать похоже на человека. «Delve» разошлось из-за обучения моделей. Том Юзек из Университета штата Флорида объясняет: оценщики раз за разом одобряли это слово как признак хорошей работы модели, и та стала употреблять его чаще. Кому-то из тех, кто размечал ответы, «delve» просто нравилось.

Ну эра ии в геймдеве окончательно настала. Я сейчас пишу потому что у DeepSeek пиковые часы в которые ценник в 2 раза выше заканчиваются через 1.5 часа. Тогда и начинается мой активный рабочий день. Где то с декабря 2025 Claude вышел на уровень когда программировать с помощью ии стало действительно эффективно. Правда Claude хочет за свои технологии очень много денег. Весной вышли Kimi 2.6 и DeepSeek4, летом вышли Kimi3 и финальная верси DeepSeek4Pro и на этом собственно вся прошлая история геймдева закончилась. Даже если кто-то это еще не почувствовал. Люди которые сами пишут код останутся но это будут как фрики которые сейчас пишут книги на печатных машинках. Это то что делается для себя а не для массового пользования. Я сейчас трачу где то 100-150 юаней в день и это заменяет мне 3-4 сотрудников. Со всеми достоинствами и недостатками людей. Иногда ии делает очень круто, иногда прям хреново. Но все можно обсудить и переделать. С одной стороны я ощущаю жуткое давление. Я прям чувствую волну ии игр которая захлестнет все платформы в 2027. Кто-то думает что сейчас уже много ии игр, но это лишь первые капли настоящего будущего шторма. С другой я на огромном моральном подъеме, все на что не хватало времени и сил теперь хватает. Я за месяц закрыл технического долга года за четыре. Работаю с 3 дня до 3 ночи. Ощущение всемогущества прям когда только пришел в геймдев. Сейчас и наверно еще месяц трачу все силы чтобы не растерять ту аудиторию которая у нас есть. Кажется это сейчас главная ценность. Лояльная аудитория которая уже есть и никуда не уйдет. Ее нельзя потерять ни в коем случае. ОК-ВК-ММ сдыхают и делают все что сдохнуть быстрее. Точнее так. ОК закрыли свое подразделение игр, теперь все делается через ВК. Через ВК все делается пока криво косо и с багами. Что делает выход новых игр на ОК еще менее целесообразным чем раньше. В ММ тоже старых людей уволили новых не наняли. Мы там не можем игру заапрувить 2 месяца. Потому что некому это делать. Более менее держится ВК, но в ВК никогда матч3 не были так популярны и прибыльны как на ОК. Единственный свет в оконце это Яндекс. Там и люди и деньги. Но яндекс поэтому же и затапливает нейрослопом в первую очередь. И будет только хуже. На мобильном андройде мы никому с матч3 не нужны. Как только люди узнают что у нас матч3 сразу прощаются. С любым другим жанром - пожалуйста. С матч3 лезьте сами. Поэтому мы пока бросили эти попытки. Прошлая Сказка не окупилась, Елочка вообще не стали выпускать новую игру, просто у старой поменяли номер. Эпоха выхода новых больших игр на ОК и ВК кажется закончилась окончательно. Мы в этом году что-то выпустип. Наверно просто перевыпустим одну из старых. Но с новыми играми все плохо, соцсети растеряли способы налить аудитории в новые игры. Опять же ии вдохнули в меня новые силы наконец закончить собственные игры. Очень хочу до конца года выпустить 2 штуки. В общем чувствую себя погонщиком нейросетевых баранов. Настроение кидает от - "все пропало и пора искать профессию не связанную с IT потому что в IT почти всех заменят ии" до "я теперь могу написать весь функционал о котором мечал и я и буду тем кто заменяет людей на ии" )).

А Вас тоже бесят, когда говорят, что сначала продай продукт, а только потом его сделай. В рамках продажи курсов у меня нет претензий к этому тезису потому что я знаю, как это работает. То есть ты сначала собираешь людей, обещаешь им какой-то материал на будущем курсе, но самого курса пока что нет. Люди к тебе записываются, ждут с старта, а ты в это время записываешь уроки, уже поняв точно, что курс востребован, его покупают. Но когда такое говорят про какой-нибудь айтишный продукт, то у меня всегда возникала проблема. Я не понимал, как это может быть, то есть как я могу продать какой-то айти-продукт, которого еще не существует. Не понимал до сегодняшнего дня. Я уже несколько месяцев хожу и думаю, какое бы расширение или плагин для Google Chrome придумать, чтобы продавать его и монетизировать по всему миру. Когда я задавал такой вопрос, никакое решение не приходило в голову. А теперь я столкнулся с реальной задачей реального клиента, который не может по политике безопасности компании установить что-то на свой рабочий компьютер. Он может пользоваться только Google Chrome и расширениями, которые есть в этом Google Chrome. Я показал этому клиенту, что можно монтировать разговорные ролики и превращать их в интерактивные красивые видео-уроки с помощью ИИ. Сделал этот монтаж руками на своем компьютере с помощью нейронки. Но все то же самое можно завернуть в расширение для Google Chrome и видео будет собираться прямо в хроме, в отдельной вкладке, прямо на компьютере у пользователя. Получается, что я сначала показал результат работы будущего продукта, но сам продукт я еще не сделал. Мне нужно время, чтобы написать код для него, но клиент готов за него заплатить уже сейчас. То есть получается, я сначала показываю, как будет работать этот продукт, но все действия делаю, грубо говоря, руками. А когда продукт заработает, то все те же самые действия будет делать продукт. Получается, что если ты хочешь продать какое-то IT-решение, сначала сделай то, что будет делать это решение, но сделай это руками. Продай эту идею, получи оплату и только потом садись сделать этот продукт

Накопилось по #minimaxH3 - часть 14 gist.github.com/alisson-anjos/b300f2b90e65cf85846519d78b660cd3 - патч для AI Toolkit: align_video_refs делает контрольное видео V2V-гидом вместо свободного референса huggingface.co/KennethFal/vh5tape-vhs-lora-minimax-h3 - #LoRA на VHS 80-х huggingface.co/prithivMLmods/MiniMax-H3-Facial-Realism-CloseUp - LoRA на микромимику и детали лица крупным планом #realism jurn.link/dazposer/wp-content/uploads/2026/08/H3-Minimax-LongVideos-OLD_VERSIONinc-demo-workflow-for-ComfyUI.zip - воркфлоу для H3-LongVideos, старая версия ноды в комплекте github.com/blendi-remade/interdimensional-game - фильм- игра на real-time версии Max. Каждый кадр генерируется на ходу huggingface.co/OpenVDN/vdn-minimax-h3 - VDN-Minimax-H3: гибрид linear + softmax attention для скорости и качества на 8 шагах github.com/lihaoyun6/ComfyUI-H3VAE_TRT - TensorRT VAE для H3: ускорение декодирования до ×1.7, небольшое снижение качества #optimization

Исследования говорят, что после нескольких лет экспериментов и пилотов большинство компаний не могут чётко ответить, какой ROI они получают от ИИ. Опросы и бенчмарки дают противоречивую картину, а рекомендации звучат как «инвестируйте и экспериментируйте» без метрик результата.  Исследователи из LUT Business School (Финляндия) при поддержке MIT Sloan Management Review провели 30+ интервью с CEO из разных индустрий на тему ROI от ИИ. И выделили три подхода к подсчету на основе зрелости компании: 🔵Function-focused approach — внедрение ИИ в одну функцию или небольшой процесс: поддержка клиентов, HR, маркетинг, производство. Возврат измеряется через функциональные KPI: время ответа, уровень ошибок, скорость обработки и т.п.  🔵Coordinated approach — по факту то же, что и п.1, но в нескольких отделах сразу. В таком случае ответственный задает общие правила на каждую команду / функцию с понятными целями по каждой метрике + одинаковым подсчетом ресурсов: интеграции, подписки, время сотрудников  🔵Enterprise portfolio approach — управление ИИ как портфелем инвестиций на уровне компании. Используются финансовые метрики (NPV, IRR, ROI бизнес-кейсов) и стратегические критерии. Подходит зрелым организациям, где ИИ - это часть корп стратегии. Кстати, мы в Colife внедрили ИИ на первую линию продаж. Он квалифицирует, отрабатывает возражения и передаёт менеджеру. Наши метрики: снижение % ФОТ продаж в выручке, скорость ответа Честно сказать, мы довольно дохера сил и времени потратили и еще потратим. Так же честно, у нас снизился % ФОТ продаж в выручке, правда на эту метрику сильно влияет еще несколько важных факторов Вообще, хочется отметить, что для успешного внедрения ИИ при любом из подходов нужен ответственный за внедрение с KPI.  Иначе как и любой новый проект никакой ИИ никуда не полетит