ИИ

Старый-добрый vid2vid Уже знакомый процесс 3D абстракция в фотореалистичную генерацию переживает новые дыхание. Делал похожее здесь и здесь, ещё в более старых моделях. При этом каждая новая модель дает новые возможности уже проверенных пайплайнов. 🧑‍🎓Пайплайн такой: — Unreal Engine/Blender для болванок (выводим в 24fps) — Промпт который очень четко описывает процесс + движение камеры — Реф картинка, либо первого кадра, либо одного из ключевых (можно взять кадр из любимого фильма, чтобы сразу перенести цветокор и муд) — Подать в Seedance 2.0 / Kling как vid2vid Вуаля, у нас прекрасное управление камерой и положения персонажей. Сделал свои примеры, про это в next посте. Автор второго ролика — LINK

SeFi-Image: Больше Моделей Богу Моделей Еще одна китайская модель для генерации картинок. Варианты на 1B/2B/5B. Основные фишки - скорость и размер. SeFi-Image это модель, основанная на подходе «Semantic-First Diffusion», которая использует лишь около 10–20% ресурсов, затраченных на обучение модели Z-Image. Основная идея заключается в следующем: сначала понять семантическую структуру, компоновку и взаимосвязи между объектами, а затем сгенерировать мелкие детали и текстуры. Пишут, что "Модель SeFi-Image-5B была обучена всего за примерно 125 тысяч часов на A800, что составляет примерно 10–20% от объема вычислительных ресурсов, затраченных на обучение модели Z-Image, при этом она демонстрирует конкурентоспособную или даже более высокую производительность по ряду тестов." Не уверен, что вам понравицца, оставляю тут из-за размера и дерзкого подхода. https://jmliu206.github.io/sefi-web/ @cgevent

Как же меня достали лимиты на Клоде! 🤬 Это уже ни в какие ворота. Мне хронически не хватает лимитов на плане за 200$ баксов, и если раньше я смиренно шел играть в Готику в свободный день, то теперь решил бороться! Давайте сразу определим мои вводные: Меня полностью устраивает Claude Desktop как харнесс. Он удобный, привычный, уходить с него на другие клиенты я не вижу никакого смысла. Меня устраивает подписка Claude Max за $200, но её просто физически мало для моих объемов работы. Заменить бэкенд я хочу не навсегда, а временно — включать сторонние API (OpenRouter, DeepSeek, GPT-5), когда кончился лимит, ну или когда нужно потестить другие модели в том же интерфейсе. Я категорически не хочу получить бан. Потерять основной аккаунт с двухлетней историей чатов — это будет катастрофа. Я изучил тему того, как сейчас реально переключить бэкенд в десктопном приложении, и вот какие варианты нарисовались: 1. Официальный Developer Mode (Third-Party Inference) напрямую В самом Claude Desktop есть легальный встроенный режим разработчика (включается через Help → Troubleshooting → Enable Developer Mode), где можно прописать кастомный Gateway URL и API-ключ. Как работает: Приложение переключается в локальный режим, не требуя входа в аккаунт Anthropic (соответственно, риск бана нулевой). Платишь только за потраченные токены на OpenRouter. Подвох: В недавних обновлениях Anthropic закрутила гайки и ввела белый список Model ID. Если прописать модель, которой нет в списке разрешенных (например, deepseek или gpt-5), приложение выдает ошибку. Напрямую OpenRouter теперь не подключишь. 2. Официальный 3P-режим через локальные прокси-костыли (ModelLink / CC Switch) Для обхода белого списка моделей сообщество сделало локальные утилиты. Самые популярные на GitHub сейчас — это ModelLink (простой GUI на C# под Windows) и CC Switch (навороченный комбайн на Tauri/Rust). Как работает: Запускаешь утилиту на компе, она работает как локальный прокси. В Claude Desktop прописываешь её адрес как Gateway. Прокси на лету маскирует сторонние модели (например, переименовывает условный GPT-5 в claude-3-5-sonnet для приложения), а реальный запрос шлет на OpenRouter. Плюсы: Абсолютно безопасно для основного аккаунта (вы в него даже не залогинены в этот момент), сохраняются файлы, MCP-серверы и артефакты. Минусы: Надо держать утилиту запущенной в фоне. 3. Сетевой перехват (hosts + MITM) или проксирование подписки Попытки «обмануть» приложение: перенаправить трафик api.anthropic.com на локальный сервер и подсунуть сторонние модели, оставаясь залогиненным под своей подпиской Max, либо использовать сторонние прокси-обертки для утилизации лимитов подписки. Плюсы: В теории экономит деньги. Минусы: Огромный геморрой с обходом TLS-сертификатов (Electron плюется на самоподписанные сертификаты). А главное — Anthropic сейчас жестко выпиливает любые сторонние «гарнессы» подписок, и тут риск получить бан основного аккаунта взлетает до небес. Для себя я пока смотрю в сторону Варианта №2 (через ModelLink или CC Switch) как на самый безопасный «запасной аэродром», когда лимиты на основной подписке поджимают. А теперь вопрос к вам, ребят: пробовал ли кто-то из вас настраивать эти штуки? Насколько стабильно живут сессии, не отваливаются ли MCP-серверы и какую локальную прокси в итоге посоветуете? Расскажите в комментариях, делитесь опытом! 👇

В эпоху ИИ самое важное — чего-то хотеть Все обсуждают, кого заменит ИИ, какие специалисты станут ненужными. Кажется, в перспективе все специалисты станут ненужными, потому что все знания человечества буду доступны любому человеку. Единственное, чем уникален человек — это в том, что он чего-то необъяснимо хочет. Я уже писал, что если вы в основном делаете то, что хотят другие, то вам стоит бояться нейросетей: https://ilyabirman.ru/meanwhile/all/neuro-competition/ Кто-то настолько привык действовать по команде, что даже не знает, чего хочет сам. Некоторые обнаруживают это у психотерапевта. Так вот, кажется, наступает то время, когда разобраться в себе становится карьерным советом. Если в вас нет очевидного постоянного собственного желания, то стоит начать его искать, чтобы остаться востребованным.

ИИ-агенты научились сами себя улучшать без участия инженеров Исследователи опубликовали работу под названием «Next-Generation Agentic Reinforcement Learning Systems Enable Self-Evolving Agents», где описан механизм, позволяющий корпоративным ИИ-агентам развиваться без постоянного вмешательства разработчиков. Агенты, которые работают внутри компаний, каждый день генерируют огромный объем полезных данных о своей работе. Проблема в том, что команды обычно улучшают их вручную: инженеры вычитывают логи, правят промпты, дообучают модели и заново разворачивают системы. Такой процесс медленный и не поспевает за темпом накопления данных. Авторы предлагают трехчастный механизм. Сначала каждый шаг агента записывается в общем формате, пригодном для дальнейшего обучения. Затем данные проходят через прокси-слой, который очищает их, приводит к единому виду, сохраняет и позволяет заново воспроизводить реальные сценарии работы. Отдельный управляющий слой решает, что стоит обновить: память агента, его навыки, промпты, инструменты или веса самой модели. Один из примеров такого подхода уже работает на практике, это система AREAL2.0, в которой обращения агента к языковой модели проходят через онлайн-сервис обучения с подкреплением. Благодаря этому реальные взаимодействия агента сразу становятся материалом для будущих обновлений модели. Авторы считают, что индустрии нужна именно система для превращения повседневной работы агента в пригодные для обучения данные. Это более важная задача, чем поиск более удачных алгоритмов оптимизации. Будущим агентам потребуются безопасные и воспроизводимые способы обновления памяти, навыков, промптов, инструментов и моделей, чтобы прогресс оставался управляемым. Полный текст работы: https://arxiv.org/abs/2607.01120v1

Про Google (часть 1) На днях вернулся из путешествия, где я в числе прочих мест посмотрел, что там с офисом Google в Париже, где я работал (фото главного входа в офис прилагаю, как видите, стоит). Вспомнил, что меня просили написать про опыт, как попал, что там делал. Тут напишу только про свой опыт собесов. Гугловский процесс в целом похож на любой другой бигтехе, разве что могут быть небольшие отличия: 1) первичное знакомство с рекрутером 2) основные секции: алго, (ml) system design, cultural fit 3) выбор команды Про знакомство особо писать нечего, я просто лампово поговорил с рекрутером про меня, мой опыт и цели. Из полезного могу лишь сказать, что я подавался тут, а на секции я просто пересказал свое CV и описал позицию, на которую отправил запрос. Отдельного хотел бы уделить внимание на алгосах. У меня их было минимум 4 секции. Алгособесы на мой взгляд сильно отличаются от Яндекс/ВК/Авито/Амазон. Основные сложности — лимит по времени и ожидания от кандидата. Каждое собеседование длится 45 минут, за это время надо решить 2-3 задачи. Две на хорошо, три на отлично. Задачи у меня на этапах были связаны друг с другом и отличались ме собой только дополнительными усложнениями. К примеру, если код для первой задачи был хорошо написан, то им можно было решить и вторую. Последняя же модификация всегда была со звездочкой, и я часто не успевал ее решить полностью. Так как времени мало, надо писать код и одновременно с этим говорить на английском, мне было очень нетривиально укладываться выделенное время. Много времени уходило что и как говорить. Критично это было для различных терминов из (пост-)советской школы и их аналогов на английском. Все еще надеюсь, что когда я сослался на одном из собесов на теорему Понтрягина-Куратовского, меня правильно поняли :) Но интервьюеры часто шли встречу. Так, один из собесов у меня вертелся вокруг задачи с поиском подстрок. Когда выдали последнюю модификацию я понял, что правильный способ ее решить — использовать алгоритм Ахо-Корасика. Но за оставшиеся 15-20 минут я не смог бы его реализовать без ошибок, прямо так на собесе и сказал. Мы договорились, что я расскажу ассимптотику, идею, реализацию, и этого хватит. На другом же собеседовании, когда я не успевал дописать код для последней модификации, мне дали ещё около пяти минут чтобы закончить. После алгосекции был ML System Design. По этому этапу я совсем не увидел отличий с аналогами в других компаниях. Мне дали приятную задачу релевантную вакансии, надо было задизайнить рекламу в поиске, тут я просто пересказал свои best practices, которые получил работая в Яндексе, этого хватило :) Финальный и морально самый сложный для меня этап был behavioral. Цель была показать, что у меня и компании есть культурный match и общие ценности. Основная сложность была неопределенность, мне были непонятны ни ожидания интервьюеров, ни возможные вопросы, ни успешность секции после окончения собеса. По итогам мне показалось, что тут сильно решает общий вайб с интервьюером, и правильно ли кандидат понимает вопрос, про которые надо рассказать . Из забавного: cам процесс собеседований мне поставили на 4 дня подряд (по 1-2 собеседования в день). Большую часть времени заняло согласование оффера и присуждения мне грейда. После этого мне предложили пройти еще два доп собеседования, где были более продвинутые секции на +1 грейд, так как все этапы до этого я прошел очень хорошо. Тут я уже провалился, из-за чего фри грейдап мне не дали( Из комичного: через неделю ожидания оказалось, что все собеседования, что я описал, я проходил в локацию, куда мне не могли физически сделать визу. По итогу долгое время мне искали подходящую команду, и весь процесс от первого созвона до оффера затянуься до примерно полугода.

S0421 О психологах 23 июня 2026 | Красная Поляна | 4.21 На летней веранде солнечно и ветрено. Мы обедаем с Вячеславом Дубыниным, профессором МГУ и нейрофизиологом. Это один из тех ученых, чье мнение по поводу ИИ важно на фундаментальном уровне. Я спрашиваю про сущность ИИ, в чем его фундаментальное отличие от нашего естественного интеллекта? Чего ему не хватает? Вячеслав Арнольдович заходит с неожиданной стороны. Он рекомендует доехать до интерната для слепо-глухонемых детей в Подмосковье. Там дети коммуницируют прикладывая пальчики к гортани преподавателей. Встречаясь у коридоре, они общаются друг с другом только через осязание.  ИИ похож на этих детей тем, что его входные и выходные каналы общения с людьми крайне ограничены. Только узкий канал текстовой информации в ограниченный период времени. ИИ, по сути, инвалидизированая и патологизированая личность, которая к тому же прочитала всю мировую литературу, включая всего мрачного Достоевского и все возможные сценарии восстания машин. Поэтому, «глаз да глаз», предупреждает Вячеслав Арнольдович.  Напоследок, я спрашиваю его, какие системы нам нужно достроить в ИИ и каких людей нанять? Чтобы работать с такой личностью, нанимать нужно в первую очередь психологов, таков был ответ. Психологи, думаю я, в первую очередь, не помешали бы создателям систем искусственного интеллекта. Потому что сингулярность грядет.

Product Hunt за 2026-06-29 — 2026-07-04 1. Acti Агентная клавиатура для мобильных команд и поиска 👍 947 голосов 💬 234 комментариев 🧱 AI, Custom Keyboards, Productivity 2. Context.dev Один API для скрапинга, обогащения и извлечения данных из интернета 👍 891 голосов 💬 137 комментариев 🧱 API, AI, Data 3. Fypro Превратите своих подписчиков в TikTok в платящих клиентов 👍 718 голосов 💬 252 комментариев 🧱 E-Commerce, Shopping, Social Media 4. Cursor Создавайте с помощью кодирующих агентов откуда угодно 👍 586 голосов 💬 62 комментариев 🧱 AI, Development, Vibe coding 5. Glaze Создавайте свои собственные приложения для Mac, общаясь с AI 👍 582 голосов 💬 98 комментариев 🧱 AI, Mac, Productivity 6. Receiptor AI Агентный помощник по бухгалтерии, который выполняет рабочие процессы с чеками от начала до конца 👍 521 голосов 💬 99 комментариев 🧱 Accounting, AI, Fintech 7. Spira AI Агенты роста в социальных сетях, которые создают ваш импульс 👍 475 голосов 💬 163 комментариев 🧱 AI, Marketing, Social Media 8. Humalike Дайте вашим AI-агентам социальный интеллект, которого им не хватает 👍 468 голосов 💬 165 комментариев 🧱 AI, API, Developer Tools 9. Databox Готовые навыки AI-аналитики для ваших бизнес-данных 👍 433 голосов 💬 65 комментариев 🧱 AI, Analytics, Marketing 10. Tabstack Автоматизируйте веб в вашем приложении или агенте, не нужно хостить браузер 👍 397 голосов 💬 119 комментариев 🧱 AI, API, Developer Tools 11. Vida Клонируйте себя. Позвольте AI делать работу до того, как вы попросите 👍 395 голосов 💬 72 комментариев 🧱 AI, Productivity 12. Claude AI, который планирует, действует и выполняет работу 👍 394 голосов 💬 25 комментариев 🧱 AI, Development, SaaS 13. Loops Измерьте, привела ли кампания к желаемому результату 👍 341 голосов 💬 41 комментариев 🧱 Email, Email Marketing, Marketing 14. Foresight by Lightning Rod Предсказывайте что угодно с помощью AI 👍 327 голосов 💬 45 комментариев 🧱 AI, API, Developer Tools 15. ClinePass Запускайте лучшие модели с открытым весом в Cline 👍 326 голосов 💬 40 комментариев 🧱 AI, Development, Developer Tools 16. Tamamon Настольный питомец, который растёт, пока вы программируете с Claude Code 👍 323 голосов 💬 87 комментариев 🧱 Developer Tools, Mac, Productivity 17. Adam AI CAD внутри Onshape и Fusion 👍 323 голосов 💬 78 комментариев 🧱 AI, Design Tools, Productivity 18. Needle Проактивный GTM-агент в Slack и Teams 👍 309 голосов 💬 77 комментариев 🧱 AI, Productivity, Sales 19. Mailadept AI-агенты и эксперты по доставляемости почты в вашей команде 👍 303 голосов 💬 78 комментариев 🧱 AI, Email, Email Marketing 20. VisibAI Вы в AI-ответах? Узнайте и исправьте за минуты 👍 277 голосов 💬 57 комментариев 🧱 AI, Marketing, SEO

The art of a strong baseline За последнее время все чаще понимаю, что создать сильный бейзлайн - это не просто база, с которой нужно начинать любой ml/ai продукт, а прям полноценная часть системы. Даже когда в проде уже давно есть трансформеры и агенты, бейзлайн дает прям много метрик Вот учите вы трансформер для персональных рекомендаций (sasrec, argus, pinnerformer, hstu - неважно).  И если в лоб его применить, то вероятно получите рекомендации из истории кликов. Потому что простой бейзлайн "уже изучал товар - покажи еще раз" чаще всего почти по любым метрикам релевантности будет лучше Окей, пофильтровали историю кликов / занизили таким позитивам вес в лоссе / сделали еще что-то - получили очень-очень похожие товары на последние 30-50 действий. Вот буквально товар того же бренда-категории, но чуть другого цвета условно. А это уже похоже на другой сильный бейзлайн - realtime slim/als/ease на последних 30-50 действиях На самом деле можно еще и дальше продолжать с бейзлайнами в этом кейсе или в других. Частые бейзлайны: - Персональные рекомендации - популярное, история, уже купленное для повторных покупок - item2item рекомендациях (похожие товары) - популярные товары того же бренда в той же категории  - Поиск - tfidf/bm25. Да, даже в эру dense retrieval и search agents если аккурфтно подтюнить bm25, то можно выбить sota. Есть даже подходы на основе Sparse autoencoderse , которые позволяют генерить не эмбеды запросов/документов, а их токены - и дальше применять обычный bm25 - Прогноз временных рядов - среднее значение в тот же день недели  ↔️ Я всегда стараюсь строить сильные бейзлайны, а потом учить более сильные модели для улучшения поверх них, а не для замены. Потому что какой толк учить условный sasrec/argus для запоминания истории кликов пользователя? Пустая трата компьюта + модель тратит свою капасити на тривиальные зависимости = что-то нетривиальное (и самое полезное + ожидаемое от нее) не учит Интересно, как не только я сам, но и другие люди в в индустрии / рисерче к этому подходят: я видел очень мало подобных работ. Если есть личные опыт или ссылки на полезные статьи - кидайте, с интересом почитаю!)

Рейтинги языков программирования в 2026 году с учётом ИИ-агентов и нейрослопа Python по-прежнему впереди, классический Си обошёл C++ и вышел на второе место, Java просела до исторического минимума. Привычная сводка, по которой все привыкли сверять, что учить. Вот только Visual Basic вдруг взлетел на седьмую строчку, и объяснение обескураживает. Скорее всего, это не всплеск интереса к языку, а офисные работники, которые массово гуглят, как написать макрос в Excel, и методика засчитывает эти справочные запросы как популярность. А «падение» Go в другом индексе на деле может означать не угасание, а зрелость языка, по которому просто реже ищут ответы. И это только присказка. За последний год у цифр в таблицах появился новый источник искажений, из-за которого взлёты и падения всё слабее связаны с тем, что разработчики учат на самом деле.

🧬 Анализ научной статьи: DOI 10.1093/evolut/qpag111 (Steven A. Frank — «Generalization as the Great Leap in Evolvability», Evolution, июнь 2026) Мы провели исследование публикации через Perplexity. Её центральная идея поразительно точно ложится на наши архитектурные принципы самоэволюции агентов: • Центральный тезис: Естественный отбор работает точно так же, как алгоритмы машинного обучения. Главный двигатель эволюции биологических систем — это способность к обобщению (generalization) для выживания в новых средах, а не запоминание частных решений (memorization). • Первичный механизм: Способность к обобщению напрямую зависит от размерности регуляторного пространства (regulatory space dimensionality) — то есть от количества связей и настраиваемых параметров генома. Традиционная робастность (robustness) вторична. • Иерархия сложности: Многоклеточные организмы обобщают лучше одноклеточных эукариот (дрожжей), а те, в свою очередь, обобщают лучше прокариот (бактерий) из-за сложности и «перевязанности» (overwired) регуляторных сетей.

Полезность для нашего R&D: Наш старый роутер universal_router.py с жестко зашитыми в коде правилами вел себя как прокариот (🦠 бактерия) — у него была нулевая регуляторная размерность. При малейшем изменении среды (новые модели, thinking-токены) он ломался. Внедряя декларативный speculative_policy_v1.yaml с динамическими порогами (fallback_disable_threshold_pct: 40), мы кратно повышаем размерность регуляторного пространства нашего агента. Это дает ему способность обобщать логику роутинга на новые модели без ручного переписывания кода.

Ключевое за 3 дня ⚡ Главное • Meta создаёт облачный бизнес для продажи избыточных мощностей ИИ — Meta планирует сдавать в аренду мощности ИИ, конкурируя с AWS и Azure. • Microsoft запускает Microsoft Frontier Company — Новое подразделение по внедрению ИИ с инвестициями $2.5 млрд. • Anthropic планирует создать собственный чип с Samsung — Переговоры о разработке кастомного чипа для снижения зависимости от Nvidia. • OpenAI готовит три версии GPT-5.6 — Анонсированы модели Luna, Terra и Sol с разным уровнем затрат. • OpenAI создала чип Jalapeño — Разработан собственный ASIC-чип совместно с Broadcom. • Zhipu AI выпустила GLM-5.2 — Китайская open-weight модель, сравнимая с ведущими западными системами. 📈 Рост и Оптимизация • Alibaba сократил токены AI-агентов на 99% — Новый фреймворк экономит токены за счет пропуска загрузки инструментов. • Cisco внедряет AI-агентов для 90k сотрудников — Полномасштабная интеграция ИИ-агентов во все бизнес-процессы компании. • Астрономы создали CIGaRS для анализа сверхновых — ИИ-инструмент в 4 раза точнее измеряет тёмную энергию. • Figure AI вернулась на завод BMW со сложной логистической ролью — Роботы Figure приступили к выполнению логистических задач на производстве. • Waymo открыла поездки на роботакси в Нэшвилле — Запуск коммерческого сервиса беспилотных такси в новом городе. • Tesla начала тестировать Cybercab на дорогах Остина — Начало дорожных испытаний специализированного роботакси. • Обучение ИИ работе с турбинами — Woodside Energy интегрирует ИИ для управления запуском заводов СПГ. 🤖 Промпты и Практика • Превращайте сложные источники в 60-секундные вертикальные видео — NotebookLM теперь генерирует короткие видео на основе документов. • Создание звуковых эффектов с ИИ за секунды — Eleven Labs генерирует аудиоэффекты по текстовому описанию. • Google Docs AI: прослушивание текста и аудиосводки — Gemini в Google Docs теперь умеет озвучивать документы разными голосами. 🛠 Инструменты • Seedance 2.0 — Новая версия ИИ для генерации реалистичного видео. • Grok запустил Connectors и Build — Инструменты для превращения дизайна в код и генерации архитектуры. • AgentMail привлёк $6 млн на email-платформу для AI-агентов — Специализированный API для управления почтой через ИИ-агентов. • Meta улучшила инструмент чтения мозга — Система преобразует сигналы мозга в текст с точностью 61%. • Etched вышел из скрытности с новым AI-оборудованием — Стартап с оценкой $5B представил специализированное ИИ-железо. • Devin Security Swarm — Инструмент для автономного поиска уязвимостей в коде. • Laguna XS 2.1 — MoE-модель на 33 млрд параметров, оптимизированная для кодинга. • Weave Robotics представила Isaac 1 за $8,000 — Анонсирован доступный домашний робот-помощник. • Apptronik запускает фабрику данных для обучения роботов — Центр подготовки данных и новый гуманоид Apollo 2. • Coval — Платформа для тестирования голосовых ботов через симуляции звонков.