ИИ

Маркетологам приготовиться: скилл для управления рекламой в Яндекс.Директе Если вы следите за моим каналом, то я часто выкладываю тут всякие штуки для маркетологов. И сегодня у меня для вас особый анонс. Скажу прямо, я хотел сделдать этот релиз ещё весной. Как раз когда была череда из полезных скиллов маркетологу: - Яндекс.Метрика — https://t.me/countwithsasha/517 - Яндекс.Вебматер — https://t.me/countwithsasha/552 - Яндекс.Вордстат — https://t.me/countwithsasha/423 - Яндекс.Поиск — https://t.me/countwithsasha/495 🎯 5. Скилл для Яндекс.Директа задержался на полгода И вот пятым в этом списке должен был стать Яндекс.Директ. Но была и остается проблема. Скиллы, которые я пишу используют в основном официальные версии API, а у Директа АПИ не покрывает и половины функционала. Плюс был анонсирован переезд из классических объявлений в комбинаторные — то есть если делать скилл весной, то на те 40% функционала надо было выкатывать сразу комбинированный объём правил, чтобы угодить всем. Летом яндекс раскатал комбинаторные объявления позволив не поддерживать легаси форматы и я решил выпускать скилл. 🔗 Скилл Яндекс.Директа в моем репозитории: https://github.com/artwist-polyakov/polyakov-claude-skills (описание установки в README.md) 🔗 А вот тут ссылка на сам скилл: тыц Можно установить через маркетплейс, можно как папку. Есть ещё механика — клонировать репозиторий и подключать скиллы как диплинки. 🩼 Самое сложное — получить ключ Для использования навыка Яндекс.Директа нужно получить ключ приложения + получить для приложения разрешения использовать АПИ Яндекс.Директа. Просто зарегистрировать приложение в https://oauth.yandex.ru недостаточно. Я написал подробный гайд о том, куда идти, какие тексты писать. Агент который увидит скилл без токена должен подсказать, но я бы советовал пройти руками. 🔗 Инструкция: общее + детально 🚀 Что умеет скилл Яндекс.Директа Я постарался отгрузить максимальную экспертизу по базовым настройкам и аналитике, поэтому среди возможностей: • Анализ данных по трафику, поиск прожорливых фраз, неэффективных кампаний, расчёт метрик эффективности. • Оценка адекватности ставок, контроль бюджетов • Создание объявлений, добавление фотографий, быстрых ссылок, UTM • Корректировки объявлений, проверки ошибок • Есть шаблоны для превью. Теперь можно делать веб-странички клиентам для согласования рекламы • Если скилл чего то не умеет (напрмер создавать мастера кампаний) — делает хендоф.

💪 Мне очень понравилось, что когда я попросил агента проверить тексты на предмет старого месяца, он всё исправил и ещё сказал, что у нас там модель китайской марки не соответствует заявленной в рекламе.

Скилл ещё будет дорабатываться. Если будут предложения и пожелания — делитесь. 🔁 Если у вас есть друг или подрядчик, который занимается рекламой — покажите ему этот пост. ---- Поляков считает — AI, код и кейсы

Выводы из этого: 1. Парадокс очень простой: - сверхчеловеческий ИИ скорее всего будет не aligned и приведет к некоторого масштаба пиздецу - будущее человечества неизбежно связано со сверхчеловеческим ИИ 2. Люди в лабах не имеют решения. Сегодня я видел как минимум 10 постов от людей из OpenAI, Anthropic, DeepMind на тему того, что прогресс происходит значительно быстрее способности его понимать и сегодня это фактически неуправляемый поезд, который едет под откос. (Люди в чатике конечно же имеют триллион решений - если бы только ноунеймуса поставили вместо Дарио и Трампа, то он конечно минут за 15 все порешал бы и все войны прекратил и все болезни вылечил. В чатике это он для души, а на деле верховный адмирал-епископ всея вселенной) 3. Большая часть мира вообще не вдупляет что происходит. Вчера примерно половина медиа, которые я смотрел, даже не написали о Навье-Стокс, хотя ретроспективно это наверняка будет самым или как минимум топ-3 главных событий 2026 года.

​​Qwen-Drive 1.0: Turning a General VLM into a Driving Foundation Model Свежая работа от Qwen Team про автономное вождение. Обычно VLA-подходы берут предобученную VLM как источник семантики и рассуждений, дообучают её на driving-данных и прицепляют к ней предсказатель траектории. Проблема в том, что language supervision плохо ограничивает реальную 3D-геометрию (модель может убедительно описать сцену, имея при этом очень приблизительное представление о расстояниях и occupancy), а агрессивная доменная адаптация теряет часть общих знаний, которые как раз и нужны в редких и out-of-distribution ситуациях. Qwen-Drive-1.0 добавляет два внешних модуля к Qwen3.5-4B: BEV perception head для 3D-детекции, occupancy и сегментации карты, и Planning Expert на ~1.1B параметров, который генерирует пятисекундные траектории через flow matching. Planning Expert читает cached keys и values из восьми GQA-слоёв VLM, то есть VLM работает как read-only источник контекста и на обеих стадиях планирования остаётся полностью замороженной. RL-часть весьма интересна. Euler-сэмплирование во flow matching детерминированное, поэтому политики, по которой можно взять градиент, попросту нет. Авторы добавляют шум только на последних трёх шагах из десяти и только вдоль нескольких низкочастотных косинусных мод: получаются плавные сдвиги и изгибы всей траектории вместо джиттера по отдельным waypoints. Результаты: - Driving VQA: 63.52 → 69.43 относительно базовой Qwen3.5-4B - Общие VLM-бенчмарки: 66.41 против 67.40 у базовой модели, просадка меньше балла - Probe: обучение одной только головы на замороженных фичах отстаёт от BEVFormerV2 на 6.34 mAP, а разморозка энкодера и VLM добавляет 10.46 mAP - NAVSIM: 90.7 PDMS против 90.4 у ExploreVLA и EponaV2 Paper Code Project Мои обзоры: Блог Medium #paperreview

А судьи кто? © Недавно я рассказывал, как компании ради упоминаний в ИИ-выдаче клепают рейтинги, в которых нахваливают самих себя. Оказалось, у этой истории есть и тёмная сторона: с тем же азартом бизнес топит конкурентов. Механика простая. Публикуешь у себя на сайте “честный обзор” чужого продукта, где тот выходит дорогим, сырым, да и вообще так себе. И вуаля – чат-бот на голубом глазу выдаёт твою заказуху потенциальным клиентам за беспристрастный анализ. Потому что машине плевать, что автор разбора – лицо прямо заинтересованное. По крайней мере, пока что. Один из примеров такой публикации – на скриншоте. Сервис автоматизации возвратов Outvio накатал обзор про своего соперника Rever. Почитайте – чисто классика жанра. Масштаб явления уже впечатляет. Британское агентство Hard Numbers прогнало через чат-ботов полсотни типичных покупательских запросов вроде “есть ли причины не выбирать сервис X”. В 70% случаев нейронки опирались на контент, состряпанный конкурентами. Хорошая новость в том, что это лечится, правда не само и не быстро. Спросите нейросети, что они рассказывают пользователям о вашем бренде, и гляньте, на какие источники они опираются. Если найдутся пробелы или явные перекосы, не ждите, что рассосётся: забейте сеть своей версией рассказа о себе на площадках, которым доверяет ИИ. Вывод простой: если вы сами не объясните нейросетям, что у вас за бизнес, за вас это сделают конкуренты. И их версия вам вряд ли понравится.

🤖 Всё никак не добирался написать, но новость интересная и точно заслуживает вашего внимания. Недавно мы выложили в открытый доступ Kandinsky WM 1.0 — линейку генеративных моделей для Physical AI Один из больших трендов сейчас — развитие Physical AI Foundational Models (FM), которые способны полноценно моделировать физический мир. И многие сильные команды приходят к Physical AI FM именно через видеогенерацию. Это довольно естественный путь: обучаясь на видео, модель получает представление о движении, динамике и взаимодействии объектов. Следующий шаг — связать эту модель с действиями агента. Отсюда, в частности, вырастает направление World Action Models: моделей, которые связывают действия робота с тем, как вследствие этих действий изменится наблюдаемый мир (и, наоборот, как выбрать оптимальное действие робота в соответствии с наблюдаемым / предсказанным поведением мира, среды). При этом сама видеогенерация постепенно становится частью более широких omni-моделей. Например, Cosmos 3 от NVIDIA умеет работать с текстом, изображениями, видео, звуком, действиями на вход и на выход и может использоваться для разных robotics задач. Atlas от World Labs работает с текстом, изображениями, видео и 3D и позволяет восстанавливать реальные сцены и строить на их основе симуляции. Мы развиваем Kandinsky в том же направлении: используем накопленный опыт в видеогенерации, чтобы строить модели для роботов и беспилотников. Kandinsky WM 1.0 — наш первый открытый релиз в этом треке. Мы выложили open source три специализированные модели: 🚗 K5-AV (Autonomous Vehicle) для генерации автомобильных сцен, 🦾 K5-RO (Robotics) для генерации различных сцен манипуляции с предметами, 🌍 K5-PH (Physics) для генерации сцен со сложной физикой в целом: движением людей, протеканием процессов и взаимодействием объектов. Все модели получены дообучением нашей базовой модели генерации видео Kandinsky-5 Video Lite (2B). Модели умеют генерировать 5 секунд видео по первому кадру и текстовому описанию (то есть работают в режиме I2V). Разрабатывали эти модели мы в первую очередь для генерации синтетических данных для обучения других моделей — в основном VLA — которые управляют роботами и беспилотными авто. Особенно важны тут редкие сценарии: сцены ДТП, видео экстремальной погоды или кейсы с отказом оборудования. Собирать такие данные в реальности дорого, очень сложно, а иногда и просто небезопасно. С помощью генеративной модели такие данные можно получасть практически неограниченно. Но у такого подхода есть и обратная сторона: если VideoGen модель неправильно воспроизводит физику, то в обучающие данные для VLA попадут ошибки. К сожалению, такого рода галлюцинации характеры для всех современных VideoGen моделей, потому что при их обучении больше фокусируются на эстетическом (визуальном) качестве, чем на физической достоверности. Улучшить физичность по сути можно 2 способами: добавляя больше данных со сложной динамикой в претрейн и используя различные приёмы на этапе alignment (например, RL с физическими reward-моделями). Претрейн у нас уже был фиксирован (Lite), поэтому мы фокусировались на alignment: cначала делали SFT на качественных данных каждого домена (AV, RO, PH). Затем — RL с хитрыми reward-моделями за физическую достоверность (подробности можно почитать в статье на хабр) ⚡️По бенчмаркам: на Physics-IQ Verified для модели K5-PH получили рост общего score 16,0 (Lite) → 25,8 (Lite SFT PH) → 30,8 (K5-PH). Бенчмарк проверяет, как модели в режиме генерации видео продолжают реальный физический эксперимент по первому кадру. Домены экспериментов: механика твёрдых тел, динамика жидкостей, оптика, термодинамика и магнетизм. Модели сейчас тестим с коллегами из Центра робототехники (ребята в том числе помогали с обучающими данными для K5-RO) и с AIRI в рамках развития симулятора XSIM World. Веса и код моделей выложены под открытой лицензией MIT. Полезные ссылки: 👉 Хабр 👉 GitHub 👉 HuggingFace @dendi_math_ai

Курс по Visual GenAI от Yandex Research и ШАД Авторы CV Time не только пишут обзоры статей о компьютерном зрении, но и создают обучающие курсы. Сегодня делимся курсом ШАДа «Генеративные модели в компьютерном зрении», который ведёт Дмитрий Баранчук, руководитель группы GenAI в Yandex Research, вместе с праймовой командой исследователей в этой области. Будет полезно тем, у кого есть базовые знания по генеративкам и желание разобраться глубже: • в теории диффузионных моделей, эффективных методах их обучения и семплирования; • в новых гибридных моделях на основе диффузии для генерации изображений, видео и 3D. У курса есть открытый GitHub-репозиторий, где можно найти слайды, записи лекций и семинаров, а также домашние задания. CV Time

с релизом новых моделей меня бывает спрашивают, не волнуюсь ли я за aesty? 🤨 нет, наоборот радуюсь, что рынок растет так что если вы переживаете, что с очередной новой моделькой от openai/google/etc вашему b2c приложению станет плохо, то, пожалуйста, не переживайте. Ваш moat почти точно не в технологии, а в комьюнити, каналах привлечения и ваших супер пользователях, под которых вы затачиваете приложение и маркетинг и число которых скейлите. Это ни одна ллмка не скопирует - а саму технологию кстати можно затащить к себе, чтобы улучшить пользовательский опыт прикрепила прошлогодний пост, который писала на релиз примерки гугла. Как видите никто не умер 💗

Хуже того: вся академическая наука построена на общественном договоре, что вот есть странные люди, которые тратят свою жизнь на странные вещи, чтоб остальным не пришлось. Общество получает иногда важные прорывы, которые можно применить для развития цивилизации, и платит странным людям за это зарплату. А теперь странных людей можно заменить на ИИ, который гораздо дешевле, быстрее и не ноет в соцсетях (пока). И вот именно в этом и заключается убийственная способность ИИ: он не убивает науку как концепци — ее скорее становится проще делать — но как общественный конструкт. Параллельно рушатся привычные структуры научного рецензирования и написания грантов (теперь и то, и то ИИ может делать лучше человека, которому снова остается роль "проверки", что ИИ не нагаллюцинировала себе что-то). Конечно, эта система была плоха изначально, но она работала и давала нам понятную систему верификации знания и экспертизы. Сейчас это пропадает, не давая взамен новой системы, а вместо этого внося хаос. Что с этим делать — совершенно не ясно. Конечно, понятно, что компании не смогут поддерживать такой темп развития моделей, учитывая убыточность и трату ресурсов. Понятно, что разрушение академических структур — тоже дело многих лет, инерция системы огромна. Но как поменяется отношение к науке? Как поменяются привычные нам структуры? Сколько ученых останутся буквально без смысла работы? Как жить, когда то, над чем ты работал 30+ лет, вдруг оказывается никому не нужным? Я тут нахожусь в комфортном положении: с одной стороны, в экспериментальную физику ИИ пока не пришел, так что мою работу он не отнимает пока, а скорее делает проще. С другой, я с первого дня использую ИИ, в отличие от многих моих коллег, которые стараются его избегать, что дает мне конкурентное преимущество. Но я не могу перестать думать, что разрушение института науки в привычном нам смысле неизбежно, и я не понимаю, что я могу этому противопоставить (и надо ли оно вообще). #академия #жизнь_в_науке #ИИ

вот на что я бы смотрел. 1/ даже если модели и скаффолдинги лаб станут лучше, есть ценность в том, чтобы быть роутером / оркестратором моделей. клиенты ценят снижение vendor-lock риска. плюс раньше SaaS чарджил за какой-то drag-and-drop workflow, сейчас это делает роутер. 2/ сегодня вертикальные saas продукты это по сути api-интеграция с моделям и prompt-интеграция, плюс у кого хватает денег можно делать post-train, но хз, лучше ли это, чем новый релиз модели от лабы. но я думаю, что близость к клиентам даёт хорошее пространство для разного апсела: - эксклюзивные партнёрства с лабами-вендорами: ты разворачиваешь модель конкертной лабы у клиентов, такой нео-интегратор. например, legora в августе зашла партнёром в gemini enterprise for legal. - и в обратную сторону -- data-провайдер для них: лицензируй данные клиентов и продавай данные лабам - ну и не для всех подходящее: но можно делать маркетплейс или даже кредитный продукт вертикальный saas держит премиальные мультипликаторы даже при более медленном росте, потому что доминирует в ограниченном tam: doximity 16x, guidewire 14x, veeva 11x. saaspocalypse 2026-го это подтвердил: горизонтальный saas за 12 месяцев −35%, вертикальный и примерно на том же месте. 3/ 3-3-2 до сих пор норм. я думаю, что у всяких legora / harvey будет «стена роста» в 2027-м, и умение держать консервативный рост при меньшем хайпе со стороны рынка будет цениться сильнее. блогер onlycfo в модели показывает, что ai-супер-рост с таким endurance через пять лет приходит в ту же точку, что и t2d3, только с оценкой выше в первые три года и ниже потом. 4/ fde мне кажется играет на руку стартапам. saas частично превращается в «платформу с сервисным on-ramp». в продаже любого ent-софта всегда были разные solution-инженеры или партнёры-интеграторы. uipath, например, только так и добрался до ipo: 4,000+ интеграторов и реселлеров в партнёрах. а когда a16z заявляет, что fde это главный moat, это даёт стартапам сегодня нормализовать сервисную выручку и оценивать её как софтверную. например fde-shop без намека на какой-то осознанный продукт, wonderful поднял $550m series c при $5b через 20 месяцев после запуска, при 650 людях и ~$70m arr. у salesforce на linkedin уже 104 человека с титулом forward deployed, даже у notion есть founding fde вакансия. иногда объём внедрений они выносят партнёрам: salesforce в апреле собрал fde partner network из accenture, deloitte и ещё 30 фирм и платит им за агентов, дошедших до прода. ну и в целом это имеет смысл в ai, особенно в регулированных / рискованных вертикалях: по iconiq половина scaling-компаний масштабирует fde, а 76% их переменной зарплаты привязано к retention и renewal. 5/ дистрибуция это самый вайбовый тейк. во время одинаковых продуктов люди ценят курацию, философию и твою неудобность для всех. особенно если вы делаете больше бутстрап 6/ это еще не говорю, что на многих рынках (как гео, так и вертикали) люди только начинают saas выкупать, особенно в smb. tldr; предпринимателям - больше слушай клиентов, меньше инвесторов; аналитикам и инвесторам - двигаться на yolo, инвестировать в то что растет, отписаться от e/acc-bro в твиттере. еще далеко до лебединой песни saas.

много распрей последнее время читаю, что мол software бизнес уже retard тема как для vc, так и для предпринимателей. кмк сегодня разница между saas, ai-агентом, saas с fde или даже небольшой вертикальной нео-лабой со своей slm стёрлась. везде ты хочешь, чтобы клиент свайпал карту, а ты ему давал какой-то цифровой продукт. раньше ты это делал с нулевыми маржинальными издержками. ну а сегодня из-за инференса это в среднем 23% выручки. но это всё еще application layer, а значит инвесторы оценивают риски по выручке. 1/ открылись категории, которые раньше считались стрёмными для saas-инвесторов. legal, healthcare, стройка и тд. - harvey стоит $11b при ~$300m arr - legora (шведский legal ai, запустились в конце 2024-го) — $5.6b при ~$150m. до $100m arr дошли за 18 месяцев, быстрее cursor и wiz - openevidence, медицинский поисковик для врачей, подняли series b при $3.5b и примерно 35x выручки. используют больше 40% американских врачей раньше TAM считали по тратам на софт, иногда добавляли туда зарплаты людей. сейчас это весь knowledge work целиком. да, после 2023 AI сделал возможность чарджить за outcome. и прекарсно, что мы больше не увидим, как юристы или консультанты чарджат за свои непрозрачные часы. но за outcome, то есть за результат у клиента: (закрытый тикет, забронированная встреча, спасённая подписка) берут деньги около 10% стартапов остальные чарджат за использование(токены, вызовы, действия агента) и за output, за единицу сделанной работы: сгенерированный документ, инвойс, диалог, независимо от того, помог он или нет. имхо мешает не технология, а аттрибуция: настоящий success-based billing не работает для большинства продуктов, потому что непонятно, AI дал результат или клиент сам. а «подними конверсию на 50% и возьми 10% от прироста» концептуально рационально, но ломает sales comp: ценность аккаунта не измерить в момент продажи. я же по extruct вижу, что ситы продаются в 2026-м лучше, если ты придумаешь, как свести свою математику. 2/ сейчас все в invest mode.общий тезис -- не важно, сколько денег нужно, мы должны make ai happen и все что важно это рост == они разобрались быстрее, как make ai happen. все рассуждения про moat или фундаментальную аналитику каждый месяц разбиваются об камень (привет, lovable рейзит под $30b наверное сейчас). 3/ рынок только учится относиться к выручке ai-saas. пока это выглядит так: инвесторам нравится arr-составляющая (со всеми странностями репортинга), а низкий retention признают частью инноваций, все смотрят на рост. в altimeter придумали для этого термин experimental runrate revenue: ai-выручка, которую купили как эксперимент, почти без обязательств. 4/ то же самое про маржу. в saas это было предсказуемо. сейчас есть нюансы. iconiq считает среднюю динамику gross margin ai b2b 41% → 45% → 52% с 2024-го по 2026-й. но на другом спектре сидит replit у которого маржа за год гуляла от −14% до +36%. на самом деле инференс cogs это новый cac дай доступ на неделю бесплатно к топовой моделе на фри плане и получи приток пользователей. 5/ почему это ещё привлекательно? такой возможности для switching cost не было раньше. только 28 центов из каждого нового доллара на ai это net-new it-бюджет. остальные 72 цента вынимаются из того, что уже есть в стеке. что-то тут отъедают лабы, что-то новые тулы. 6/ аргумент, что стоимость софта сегодня 0 - шум. сама разработка в saas всегда оценивалась в 0, если ты не показал выручку или потенциал этой выручки. ну да, можно что-то завайбкодить и не покупать с рынка или покупать у fde-shops (kirkland & ellis, крупнейшая юрфирма мира, вкладывает полмиллиарда в собственную ai-платформу с palantir вместо того, чтобы купить harvey или legora). ок, сегодня это готово на 80%, но кому-то всё равно нужно это поддерживать и давать результат. 7/ ну даже если это списать на инерцию и сказать, что самописные фабрики слопа софта будут это всё поддерживать, я думаю, мы всё равно захотим обмениваться какими-то готовыми артефактами, куда просто перетечет сегодняшняя добавочная ценность.