ИИ

Исследователь с помощью ИИ создал в гараже экспериментальный препарат от шизофрении Американский исследователь Дуглас Яо заявил о создании экспериментального соединения для лечения шизофрении с помощью ИИ. Молекулу PAC-3310 он разработал при участии ChatGPT, синтезировал в оборудованной в гараже лаборатории и испытал на клеточных культурах и мышах. Полученные результаты, по его утверждению, выглядят многообещающе: соединение воздействует на один из рецепторов, считающихся перспективной мишенью для терапии психических расстройств, и в экспериментах показало антипсихотический эффект. Однако до нового лекарства пока очень далеко: PAC-3310 не испытывался на людях, не проходил независимой проверки и не был представлен в рецензируемом научном журнале. https://hightech.plus/2026/09/13/issledovatel-s-pomoshyu-ii-sozdal-v-garazhe-eksperimentalnii-preparat-ot-shizofrenii

Разбор аудиорежима в кодексе

Будет особенно интересно тем, кто сам разрабатывает что-то подобное. Но и просто пользователям тоже постарался сделать полезным – чтобы понимать ограничения таких систем и лучшие практики взаимодействия с ними

Короче, я тут на днях делал себе компрессы для глаз (*звуки деда*), а они прям полностью глаза закрывают, там такая маска, типа как для сна Ну и вместо того, чтобы спокойно посидеть и подумать о вечном, я врубил диалоговый режим кодекса и проболтал с ним пол часа вместо положенных мне 15 минут Стало интересно, че это он такой умный, и я полез реверсить билд кодекс аппа – реализация оказалась одновременно и простой, и глубокой. А сам подход можно использовать не только для аудио (но об этом в конце поста) В общих чертах – вы общаетесь не с самой gpt-5.6-sol в полноценном кодекс агенте, а с тупенькой моделькой gpt-realtime-1. Тупенькой, но быстрой. И заточенной под диалоговый формат с переживаниями – без этого естественности не добиться и любое общение будет мучением. Так вот, пока у этой модельки хватает сил самой с вами общаться - она будет. Но как только нужно будет сделать что-то сложное, она побежит к кодекс агенту и даст ему задачку. В этот момент сразу же скажет вам что-то вроде «ну-ка дай подумаю» или «так, разбираюсь». Это важно, чтобы мы чувствовали непрерывность общения – как с людьми Такой типа эффект Джарвис. И это реально работает! Получается интересная система, очень похожая на ту, которая бывает в обычных айти командах: - есть менеджер, который всегда онлайн и быстро отвечает, и который общается с заказчиком - есть исполнитель (например, разработчик), который пилит фичу и отвечает по несколько часов в перерывах между сфокусированной работой А менеджер ему еще по ходу докидывает задачки, если у заказчика появились новые хотелки Что интересного из этого следует для нас как для пользователей: 1. Если в процессе выполнения слишком много докидывать новые хотелки, то результат получится плохим: если вы когда то пробовали отправлять steer сообщения в чат работающему агенту, то вы скорее всего замечали – они часто его слишком сбивают с начального пути (ну реально, все как с человеками) 2. Как и в реальных командах, если хотите рулить через одного менеджера несколькими процессами – нужен еще тимлид для команды. Поэтому можно просить выступать в этой роли и ничего не делать самому, а для всех задач на исполнение создавать либо отдельные чаты, либо субагентов. Тогда получится: Менеджер ⬇️ Тимлид ↙️⬇️↘️ Исполнитель1, Исполнитель2, ..., ИсполнительN Тогда выполнение одной задачи не будет блочить главного думающего агента и будет наш привычный опыт, когда в параллель работают несколько чатов, но только с голосом в качестве канала передачи инфы Что тут полезного для тех, кто сам делает AI продукты/фичи Мне кажется, можно забрать сам подход с тем, что сессия основного агента не видна пользователю напрямую, а есть какой-то прокси уровень коммуникации. И это не обязательно должен быть голос. Это может быть какой-то визуальный слой (скоро поделюсь своими экспериментами с Liquid UI), или даже обычный текстовый, но в привычном интерфейсе условного Slack, с быстро отвечающей моделью, которая подтягивает контекст из сессии умного, но долгого агента Ну и если вы делаете голосовых роботов, то советую отправить агента посмотреть, в чем отличие вашей системы от кодекса – мб захотите что-то к себе перетащить И последнее – если вы хотите лучше разбираться в том, как сейчас строить ИИ продукты, но еще почему-то не реверсите реализацию топовых кодинговых агентов – очень советую начать. Это прям кладезь лучших практик

P.s. я, конечно, очень сильно упростил работу менеджеров – на самом деле они делают гораздо больше, чем gpt-realtime-1. Это просто самая близкая и наглядная аналогия, которую я придумал. Если у вас есть лучше, прошу в комменты

@ai_grably

Накопилось по #minimaxH3 - часть 22 github.com/TaoLiveAIGC/TaoMate-H3 - стриминг-рантайм генерации аудио+видео от Alibaba TaoLive. Чанками, непрерывная длинная генерация, 480p/768p/1080p huggingface.co/Alissonerdx/Minimax-H3-ComfyUI - #LoRA на четкость H3: то же разрешение, но резче или мыльнее. Не апскейлер github.com/TwoAbove/ComfyUI-H3VideoOutpaint - аутпейнтинг видео без промпта: скользящее окно расширяет клип (например до 9:12) с сохранением тайминга и звука. Окно-контекст до 107 кадров. Для 20 шагов res_multistep huggingface.co/datasets/jacokon/fasth3-live - FastH3 Live: непрерывный рилтайм стрим видео+аудио на одной 5090. 721 сцена, 22.1 fps на 448×448. 4-шаговый DiT, sage attention, ретайминг под slow-motion. 22.7GB github.com/RH-RunningHub/MiniMax-H3-MultiGPU-Lightning - RunningHub H3 Lightning: мультиGPU-рецепт ускорения инференса H3 huggingface.co/drbaph/MiniMax-H3-Turbo-Lora-ComfyUI/tree/main/experimental - экспериментальные DMD турбо #LoRA на 8 шагов huggingface.co/circlestone-labs/MiniMax-H3-Image-Training-Adapter - адаптер для тренировки LoRA-концептов без порчи видео-знаний модели github.com/cicalooo/ComfyUI-MM-1Frame - извлечение лучшего кадра: авто-выбор из пяти. Работает с Hard Gravy турбо, Spectrum и Klein 4B для ремонта. Второй референс — OpenPose, требует слово-позу в промпте reddit.com/r/StableDiffusion/comments/1wdlg0q/instant_references_no_refmod_or_fancy_custom/ - референсы без #RefMod: папка картинок → кадры видео-референса. Много изображений в один вход. Менять набор — чистить кеш github.com/NyckM/3d-Camera-control-H3-Minimax - контроль камеры от bruxosdovfx. GUI на португальском github.com/maosika-ai/depthcat - Depthcat: клип → depth-блокаут для Fun Controlnet. Только статинг, без лиц и стиля. Белое близко, чёрное далеко. До 15 сек, нужна доп. модель 111Mb huggingface.co/FastVideo/FastVideo-Minimax-FastH3-Preview-v0.2 - 4-шаговая v0.2, плюс FastH3-Live 1.2.0 huggingface.co/berryber09/MiniMax-H3-Fun-Controlnet-Union-w4a8 - W4A8 квантизация #ControlNet-Union github.com/ShamanicArts/h3-spherical-vae - круговое VAE-декодирование для equirectangular видео H3 #panorama github.com/duckyshell/ComfyUI-MiniMaxH3-FirstBlockCache - FirstBlockCache: cross-step кеш для 20-шаговиков, ~30% быстрее civitai.com/models/2930172/manga-tone-rendering-lora-for-minimax-h3 - манга-тон для H3: монохром, штриховка, тон держится при движении камеры. Триггер manga-tone rendering civitai.com/models/2929051/minimax-h3-15-reference-image-workflow - воркфлоу на 15+ референсов: патч .BAT/.PY снимает лимит девяти для #Ref2VA huggingface.co/Playtime-AI/Minimax_H3-Age_Slider - слайдер возраста #slider huggingface.co/Alissonerdx/Minimax-H3-ComfyUI - #LoRA переноса стиля + #workflow #styletransfer #comfyui #srealrime #streaming #optimization #realism

📌ApprenticeBench: проверка способности ИИ освоить работу как новый сотрудник Стартап NeoCognition разработал первый сквозной бенчмарк использования компьютера, непрерывного обучения и долгосрочной агентной работы на реальной должности.

NeoCognition - лаборатория, в которой собрали бенчмарки MMMU, Mind2Web, SWE-Bench Pro и OSWorld 2, а также агентные системы SeeAct, UGround и HippoRAG.

Агента принимают в виртуальную строительную компанию на работу с кредиторской задолженностью, выдают полугодовой архив счетов, внутренний справочник и руководство по ERP-системе, после чего он начинает работать со счетами. Первый месяц проходит с подробным фидбэком от руководителя по каждому счёту, а дальше - с редкими замечаниями по итогам месяца. Каждая из ста задач теста проверена профессиональными бухгалтерами строительной отрасли, которые подтвердили и реалистичность сценариев, и то, что любую задачу способен решить рядовой специалист, изучивший доступные агенту материалы. 🟡Результаты Большинство моделей, включая Gemini, Muse Spark, Grok и Kimi, не преодолевают порог в 20-25%, тогда как Fable 5.1 выполнила 72% задач, а GPT-6 Astra - 68%. Лучший из двух тестировщиков-людей показал 51%, причём проваливались люди на поиске нужного в исторических данных, точности расчётов и мелких ошибках от утомления. Разрыв между открытыми и закрытыми моделями авторы называют крупнейшим из всех виденных ими на бенчмарках - 72% у Fable 5.1 против 18% у Kimi K3, и вызван он не базовыми операциями в интерфейсе, а неспособностью слабых моделей учиться на дистанции.

Kimi K3 почти не обращался ни к архиву счетов, ни к собственным заметкам и деградировал к концу серии.

🟡GUI vs API Так называемый налог на использование компьютера (просадка при переходе с API на графический интерфейс) у большинства моделей достигает 78%, но Fable 5.1 и GPT-6 Astra работают через GUI даже лучше, чем через API. Дешевле при этом остаётся API - Fable 5.1 обходится в 6,95 доллара за задачу в программном интерфейсе против 18,23 доллара при работе с графическим. 🟡Обучаемость Способность к обучению измерили отдельно. Fable 5 без доступа к истории и обратной связи, опираясь только на собственные знания, решает 11 счетов из 100. Подключение архива счетов поднимает результат до 31, обратная связь руководителя - до 35, а оба канала вместе дают 43. 🟡Вывод ИИ пока ещё обходится дороже: 18,23 доллара за задачу против 7,21 у людей. К тому же человек по мере накопления опята работает быстрее, а агент - замедляется. 🔜 Посмотреть часовой прогон Fable 5.1 по всем ста задачам. @ai_machinelearning_big_data #AI #ML #Benchmark #ApprenticeBench #NeoCognition

📱Honor Robot Phone - Таких смартфонов больше не будет Сегодня мы поговорим и протестируем Robot Phone от Honor — устройство, с которым мы прожили пару недель, чтобы разобраться, что это за девайс и для кого и чего он предназначен. Что тут важнее — гимбал-камера или ИИ-функции? Что стоит за разработкой гимбала в Robot Phone: сколько лет и патентов? Какие сложности и ограничения были у Honor? Зачем Honor поддержка компании ARRI и что они привнесли в этот смартфон? Какие видео и ИИ-функции ждать от смартфона-робота? Почему Robot Phone запустили только в Китае и есть ли перспектива дождаться его в остальном мире? Смотреть в YouTube — https://youtu.be/4MNhRpIqJfQ @droidergram

🛬 ОБУЧАЮЩАЯ ИГРА 🛬 Ну что, други. Глядя на возможности нейронок, все чаще посещает мысль, что мы наконец-то приблизились к созданию настоящей обучающей гейм-дизайну игры 🖱 Но просто тесты на основе прочитанного делать неинтересно, да и это не совсем игра, а геймификация. А раз уж нас тут много, и все мы как будто гейм-дизайнеры, то предлагаю поштурмить на тему СОЗДАНИЕ ОБУЧАЮЩЕЙ ГЕЙМ-ДИЗАЙНУ ИГРЫ Разумеется, силами нашего сообщества. То есть нужно понимать, что у нас есть ряд серьёзных ограничений по ресурсам — например, хорошо бы, чтобы игра была сделана 1 программистом 🖲 Хорошо бы добавить, что графику и анимации мы будем генерировать с помощью ИИ 💢 Да и вообще игра должна быть простой в создании. Чтоб ее можно было сделать за неделю. По крайней мере качественный вертикальный срез 〰️ Мне вот первое, что приходит на ум, это платформер с прокачкой навыков и выпадением лута и финальными боссами в виде известных в наших кругах гд. (Не отпускает меня эта идея "школ гейм-дизайна", Гимельрейх в славянском сеттинге, Вова в шляпе мухомора, злой (имя не придумал) кот в образе.. Хм.. Кота). Чур, место главного босса занято мной, ну раз уж это творческое высказывание Практики гейм-дизайна 📿 Но как передавать знания посредством геймплея, как давать очки распределения опыта за прокачку скилла в гейм-дизайне? Или решать квест на основе полученных знаний? 🖤 У вас есть идеи? Поштурмим? 💞

The Agentic OS & Skill Ecosystem Выложил свою экосистему для ИИ агентов Здесь собраны фреймворки и скиллы: 1. Разработка и Инженерия 2. Автоматизация процессов 3. Личная продуктивность и База знаний 4. Продуктовый менеджмент 5. UI/UX и Дизайн-системы 6. Тексты, Копирайтинг и Де-слоппинг 7. Исследования, Анализ и SOTA 8. Бизнес, Стратегия и Продажи 9. Маркетинг, SEO и Аналитика 10. Операционка и Делегирование 11. ИИ-оптимизация и Безопасность 12. Мета-навыки и Аудит А также фреймворки для разработки продуктов: 1.Git. Ship. Done 2. Superpowers 3. Autonomous Dark Factory 4. Arscontexta == 🔗 https://github.com/Asmadey/skills

🔥 Stanford + MIT: производительность ИИ зависит не только от модели, но и от harness вокруг неё Новая работа Meta-Harness: End-to-End Optimization of Model Harnesses показывает важную вещь: один и тот же LLM может давать радикально разные результаты в зависимости от того, как устроен surrounding system code. Harness решает: - что хранить в контексте - что извлекать из памяти - какие данные показывать модели - как вызывать инструменты - как обрабатывать ошибки и повторные попытки - как вообще строится workflow агента На одном и том же benchmark разница между harness может доходить до 6× при неизменной базовой модели. Авторы предлагают Meta-Harness — внешний optimization loop, который автоматически улучшает код harness. Вместо одного score он получает доступ к: code → logs → execution traces → previous attempts через filesystem-like среду и на основе этого переписывает сам harness. Результаты: - +7,7 пункта на online text classification относительно сильного SOTA context management - при этом примерно в 4 раза меньше context tokens - +4,7 пункта в среднем на retrieval-augmented math reasoning по 5 held-out моделям и 200 задачам уровня IMO - на agentic coding найденные harness обошли сильные hand-engineered baselines на TerminalBench-2 Главный вывод работы: вопрос уже не только в том, “какая модель лучше”, а в том, “как построена вся система вокруг модели”. Для production это напрямую влияет на reliability, tool use, context management, recovery после ошибок и стоимость запуска. Paper: https://arxiv.org/abs/2603.28052

Немного_поясню_за_loop_transformer 📦 В посте про спекуляции о размере Astra я уже упомянул такое "новое" направление как loop transformers. На самом, деле, Дядя оч за новые подходы к архитектурам, инженерии, что даёт ап метрик и пробивает текущее плато продуктивности моделей. 💪 Конечно, хотелось бы и парадигму next token prediction сменить. Но об этом будет говорить в рамках поделок Лекуна. 👍 Однако, луп трансформер не новый подход, он ещё известен с моделей albert и ещё раньше. Первые упоминания в UTS (universal transformers) от гугл аж в 2018. 🚬 Идея не сложная. Вместо роста архитектурной глубины по слоями – числу стаков блока трансформера, а также в ширину – размер hidden state, мы делаем реюз базового блока (например в 22 блока трансформера, ширины D). И делаем это как в Альберт, те выходы с базового блока рекурентно отдаём его на вход этого же блока К раз. Таким способом, мы не растим реальную глубину и ширину, увеличивая размер модели в параметрах, подбираем эффективную базовую глубину и число повторений её рекурентного переиспользования. К примеру, в статье разборе С. Рашка модель Nanbeige 4.2 (3B) имеет 22 стака по 2,что сопоставимо по вычислениям 44 блокам трансформера. В памяти, это конечно поменьше занимает, но по времени same. Также same по времени обучения, а ещё KV параметров больше на число проходов по стаку, тк над хранить qkv для всех проходов. Т.е. выйгрыш только в емкости весов в памяти gpu. 😮‍💨 Тут конечно влетают идеи у Дяди 😎: 1. Использовать принцип palbert с early exit и lambda слоями. Те модель сама решает с какого блока повтора и слоя выйти заранее. 2. Mixture of Recursions. Иметь роутинг по стэкам для каждого токена. Мы решаем сколько каждый токен пройдёт рекурсивных блоков. Исследование показало, что при достаточно большом размере модели MoR может превосходить обычный трансформер при том же вычислительном бюджете. 🤙 Разница в 1 и 2 подходе, что ponder решает ранний выход для всей последовательности, а MoR для отдельных токенов. 👴 И я очень советую лидерам рнд, кто видит этот пост опробовать оба этих метода, особенно, выделяю MoR тк статья от 2025 года, где указано, что такой сетап может быть эффективнее по KV кэшу, скорости инфера и по глубине. В целом, это все. Ничего особо сложного. 💪