ИИ

Почему так дорого — А мне ИИ говорит, что у вас должно стоить дешевле — А я вам говорю, что у нас стоит именно столько На днях такой разговор состоялся у знакомого предпринимателя с клиентом. Начали разбираться — оказывается, страница с ценами выводится джаваскриптом: человек видит, а бот нет. И поэтому идет на форум и берет данные трехлетней давности. Сейчас это типовая ситуация. Люди спрашивают у нейросети «сколько стоит». Последняя берет их оттуда, откуда проще. Лишь в 1 из 8 случаев это официальный сайт. В остальных — реддит, агрегаторы, доски объявлений и прочий мусор. Почему? Каждую четвертую страницу с ценами бот просто не может открыть — джаваскрипты, табы, калькуляторы. Человек видит циферки, бот — пустоту. Вывод прост: если вы не рассказали ИИ о своих ценах — он выдумает их, но вам такое не понравится :)

Пятьдесят лет священной войны В начале 1940-х по коридорам одной нью-йоркской школы ходили два подростка — Марвин Минский и Фрэнк Розенблатт. Через 15 лет они возглавят два враждующих лагеря в науке о вычислениях, и каждый будет считать другого шарлатаном. В 1969-м Минский с соавтором выпускает строгий математический разбор, доказывающий, что перцептрон Розенблатта не справляется даже с простейшей логической функцией. Книгу авторы посвятили Фрэнку Розенблатту — на отдельной странице. Спрятанное среди формул осторожное сомнение двух авторитетов дочитали в DARPA, и финансирование нейросетей обнулили. Через два года Розенблатт погиб, а его подход уже официально числился научным тупиком. Узнаем, как списанный со счетов подход взял верх и почему победитель теперь говорит словами проигравшего.

🖥 NVIDIA показала TwoTower - способ заметно ускорить LLM без сильной потери качества. Обычные autoregressive-модели генерируют токены по одному - качественно, но медленно. Diffusion-подходы могут генерировать целые блоки параллельно, но обычно теряют в качестве. TwoTower разделяет эти две задачи. Первая башня - замороженная context-модель, которая читает уже существующий текст и сохраняет возможности исходной autoregressive-модели. Вторая - trainable denoiser, который параллельно восстанавливает следующий блок токенов и на каждом слое обращается к соответствующему слою context tower через cross-attention. По данным авторов: - до 2,42× выше throughput генерации - сохраняется 98,7% качества исходной модели - основа - 30B hybrid Mamba-Transformer MoE - адаптация обучалась примерно на 2,1T токенов против 25T токенов исходного pretraining При этом модель не обучали с нуля - TwoTower строится поверх уже существующей autoregressive-модели. То есть можно сохранить сильную базовую модель, но заменить медленную генерацию по одному токену на параллельную генерацию блоками. Код и веса открыты. https://arxiv.org/pdf/2606.26493

Родион Скрябин, мой друг и руководитель контентного агентства Палиндром, выложил Слопотрон. Чек-лист из 80 признаков машинного русского: канцелярит, "активно использует", "это не X, а Y", безымянные эксперты, тройки вроде "быстро, просто и эффективно". Команда /slopotron, дальше текст. Главная идея у Родиона: любой маркер встречается и у живых авторов, поэтому скил правит только скопления, три и больше в одном абзаце. Иначе чистка стерилизует текст. В моих linkedin-skills одиннадцать скилов для Claude Code и Codex: пост по 20 формулам хуков, комментарии и ответы по ссылке на пост, аудит перед публикацией, план на неделю, профиль под входящие лиды и Humanizer, который считает маркеры по абзацам так же, как Слопотрон, только для английского. Кстати, вчера репозиторий перевалил за 1000 звезд, и рост сильно ускорился: за первые шесть дней сентября пришло 499 звезд, больше чем за любой полный месяца до этого. Разница в источниках: у Родиона редакторский слух и русская специфика вроде канцелярита, символизм-регистра и утечек GigaChat. У моих скиллов под правилами ссылки на исследования 2025-2026 и собственный корпус из сотен постов LinkedIn, где мы искали зависимости между маркерами и охватом. Я себе подключ, буду использовать для текстов на русском. Сергей Булаев AI 🤖 - об AI и не только

🦅 Colibrì - движок для запуска очень больших AI-моделей на обычных ПК и рабочих станциях, даже если модель целиком не помещается в видеопамять. Как это работает: MoE-модели состоят из множества «экспертов», но для каждого токена используется только небольшая их часть. Colibrì хранит: * самые нужные веса в VRAM; * менее активные — в RAM; * редко используемые - на NVMe SSD. Когда модели нужен конкретный эксперт, движок подгружает его с диска или из RAM. То есть для запуска условной модели на сотни миллиардов или даже триллионы параметров не обязательно иметь столько же VRAM. Поддерживаются CPU, CUDA, Metal и смешанное размещение модели. Проще говоря: Colibrì позволяет запускать гигантские MoE-модели локально, жертвуя в первую очередь скоростью, а не возможностью их вообще запустить. https://github.com/JustVugg/colibri @pythonl

Как я угораю со своих коллег по ИИ цеху, которые вдруг стали гуру Calude Code и вайбкодинга. И теперь трубят об этом. Синенькие квадратики - это дни когда ты работал с Claude Code. Если квадрат закрашен голубым - значит ты в этот день тратил токены. И вот я все чаще замечаю как «эксперты» с количеством квадратов как на первом скрине вообще не парятся. И записывают обучающие видосы. Мне бы их самооценку) У меня сейчас стрик 83 дня подряд вайбкодинга и я до сих пор не считаю себя гуру. Вот в использовании Claude для трафика и маркетинга и продаж - я чертовски хорош) Делитесь своими скринами в комментах) 🔥 - если я прав 😂 - если пора записываться на курсы по поднятию самооценки

Про роли в промптах, часть 2 Продолжая предыдущий пост, основное на мой взгляд наблюдение дано в конце статьи: хоть роли, улучшающие ответ, и были, выбор роли под вопрос оказался сложной задачей. Если собрать оракула, который знает, какая роль лучшая, получается заметный прирост точности. Но вот попытки сначала честно подобрать роль увы не дали результата лучше, чем её случайный выбор. В жизни мы прописываем в промпте роль, понимая, что хотим получить от LLM (и даже до точной формулировки вопроса), поэтому проблема выбора роли как будто бы частично снимается. Кроме того, роль мы прописываем не просто для более точного ответа, а для более уместной стилистики. Таким образом, тезис «роли не работают» ничуть не лучше инфоцыганского «всегда пишите роль». И то и то передергивание, а в результатах, если добавить другие исследования, есть существенный разброс. Кратко что в других публикациях 2024-2025 года: Kong et al., NAACL 2024, "Better Zero-Shot Reasoning with Role-Play Prompting" - аргумент сторонников ролей. Двухшаговый ролевой промпт (роль, подтверждение от модели, задача) на ChatGPT поднял, например, AQuA с 53.5% до 63.8%; авторы считают роль неявным триггером chain-of-thought. Разница постановок со статьей, что разбирали с вами ранее: там был выбор варианта в фактических вопросах, тут рассуждение с генерацией решения. https://arxiv.org/abs/2308.07702 Salewski et al., NeurIPS 2023, "In-Context Impersonation" - эксперт своего домена отвечает лучше эксперта чужого, но та же механика внезапно вытаскивает еще и стереотипы: "от лица мужчины" модель описывает автомобили лучше, чем "от лица женщины". https://arxiv.org/abs/2305.14930 Gupta et al., ICLR 2024, "Bias Runs Deep" - 24 датасета на рассуждение, 19 демографических персон. Персона роняет точность, часть ошибок - очень интересные отказы вида "как человек с инвалидностью, я не могу решить эту задачу" (58% ошибок этой персоны было у ChatGPT-3.5). https://arxiv.org/abs/2311.04892 Luz de Araujo, Röttger, Hovy, Roth, EMNLP 2025, "Principled Personas" - 9 моделей, 27 задач. Экспертная роль в среднем не вредит и иногда помогает, но есть другое наблюдение: нерелевантная деталь в описании роли (например, имя) роняет точность почти на 30 п.п. Образование, специализация и близость домена влияют непоследовательно. https://arxiv.org/abs/2508.19764 Iadisernia, Camassa (Banca d'Italia), ICAIF 2025, "Prompting for Policy" - 2368 биографий экономистов из PersonaHub, GPT-4o воспроизводит опрос профессиональных прогнозистов ЕЦБ за 50 кварталов. Без персоны ошибка прогноза та же (p=0.31), а разброс между персонами на два порядка меньше, чем между людьми. https://arxiv.org/abs/2511.02458 Что добавили свежие публикации этого года (препринты, рецензирования не было, так что продолжаем вести наблюдение): Hu, Rostami, Thomason, 2026, "Expert Personas Improve LLM Alignment but Damage Accuracy" - наконец-то задались вопросом, почему результаты исследований расходятся. На знаниевых задачах роль вредит: MMLU 68.0% против 71.6% без роли, длинное описание хуже короткого. На задачах про формат, тон и отказы (письмо, извлечение данных, jailbreak-бенчмарки) роль помогает, и чем длиннее, тем сильнее: +17.7 п.п. отказов на JailbreakBench с ролью "safety monitor". Гипотеза в том, что длина контекста просто дает LLM сигнал «надо рассуждать». Что меня смущает в этой статье: она хоть и марта 2026 года, а исследует модели, которые с нами с начала 2025, да и в целом большие модельки не трогает, только их дистилляты. https://arxiv.org/abs/2603.18507 "When Does Persona Prompting Actually Help?", 2026 - 1140 открытых вопросов, 38 ролей, оценка LLM-судьей. Роль повышает "глубину экспертизы" и структурность, снижает ясность и прямоту. Выигрывает в консультативных доменах (медицина, психология), проигрывает на объяснительных вопросах. https://arxiv.org/abs/2605.29420 Итого: Роль в промпте может быть полезна для тона, формата, стилистики и границ поведения. Если нужен факт или расчет, роль может быть лучше убрать или сократить до одной фразы.

Puffin-World Мультимодальная модель мира Видит, симулирует и строит 3D-мир в одном фреймворке. По одной картинке + траектории камеры генерирует новые кадры с глубиной и собирает их в 3D-реконструкцию. Физика, геометрия и внешний вид моделируются вместе а не по отдельности - Одно фото → понимание камеры и мира: ролл, питч, поле зрения, направление гравитации - Камера-контролируемая генерация: задаtшь траекторию — получаешь новые ракурсы - RGB-D генерация по траектории и прямая сборка в 3D облако точек - Физика как часть модели: гравитация и широта привязывают сгенерированные виды к реальному миру - кадры не плавают за горизонт - модель может исследовать сцену и самокалиброваться - Пока только статичные сцены Гитхаб HF #world #multimodal #simulation