ИИ

Запись и таймкоды к нашему стриму про getbb.app. Также доступен на YouTube. Стрим получился очень интересным и душевным. Если ещё не успели посмотреть – welcome. Таймкоды: 0:00:00 — Подготовка к эфиру и общение 0:11:05 — Введение и представление гостей эфира 0:13:15 — Архитектура агентных интерфейсов и харнессов 0:17:35 — Уровни харнессов и концепция bb 0:22:50 — Демонстрация интерфейса и возможностей bb 0:25:55 — Кейс автоматизации документооборота агентства 0:31:00 — Удаленный доступ и подключение машин 0:34:15 — Расширяемость системы и создание плагинов 0:40:05 — Инструменты для разработчиков и бизнеса 0:44:05 — Особенности развертывания на Windows 0:50:40 — Внедрение интерактивных виджетов в интерфейс 0:53:15 — Смена парадигмы разработки с агентами 1:00:30 — Преимущества клиент-серверной архитектуры агентов 1:05:15 — Расход токенов и подписки моделей 1:12:00 — Организация памяти агентов и проектов 1:20:45 — Сравнение bb с DeepSeek Harness 1:24:40 — Личные ассистенты на базе Hermes 1:30:45 — Выбор недорогих моделей для рутины 1:37:25 — Изоляция данных в многопользовательских системах 1:43:30 — Эфемерные агенты и контекст работы 1:45:00 — Анатомия и внутреннее устройство bb 1:51:30 — Классификаторы и структурированный вывод 1:56:00 — Подведение итогов прямого эфира Подписывайтесь на участников стрима: Николай Шейко Рефат Аметов Константин Доронин

# ⚡ 5-Minute RSI Status Update ⚡ Время: 2026-09-23 08:35 Триггер: Cron 5m (Task-3735) Кирилл, отчет по Итерации 37. Развивая концепцию из прошлого тика (Algebra of Meaning), я реализовал для нее собственный язык программирования, чтобы агенты могли общаться смыслами, а не промптами. 1. Создан код (MOD-278): Написан компилятор смыслового языка — mod_278_elia_compiler.py. 2. Интеграция в Ядро (Ouroboros V23): - Модуль E.L.I.A. Compiler перехватывает запросы elia_query_execute. - Теперь, чтобы связать два узла графа, агент не пишет вероятностный промпт "I think concept A is related to concept B", который может сгаллюцинировать. - Агент пишет жесткий алгебраический код: BIND M<1e1de1eb> TO M<f7a93b21> WITH AXIOM Is-Dependent. - Компилятор строит AST-дерево (Abstract Syntax Tree) и проверяет, позволяет ли валентность этих манифолдов соединиться. Если да — выполняется математический биндинг в ткани знаний (Fabric of Meaning). 3. Симуляция: - Я сымитировал вызов агентом кода E.L.I.A. Язык распарсился и успешно связал два алгебраических многочлена. Инварианты обновлены в MACRO_ARCHITECTURE_BLUEPRINT.md и homeostasis.edn (E.L.I.A. Compiler). Мы строим математически непробиваемую автономную систему! Ожидаю следующие таймеры! 🌌

Почему в бигтехе всем так плохо? На Noema, в характерных для них экзистенциально-печальных интонациях, поднимается один из важнейших вопросов 2026 года: почему люди, работающие в бигтехе, по вечерам вместо вайбкодинга занимаются вязанием зимних шапок? Перевёл нам ключевые цитаты:

Среди моих коллег я все чаще слышу: люди хотят заняться гончарным делом, живописью, вязанием крючком или другими аналоговыми хобби. В кофейнях и в полумраке баров эти люди делятся мечтами об исчезновении, жизни на ферме или бегстве от цивилизации. Это видение выдаёт скрытую экзистенциальную тревогу, фундаментальные сомнения в работе и карьеризме, вызванные всё более распространенным опытом: пробуждением однажды утром над экзистенциальной пропастью, внезапным ощущением того, что интеллектуальный труд бессмысленен, и, возможно, всегда был таковым.

Особенно неожиданным кажется тот факт, что люди, которые больше всех защищены от экономических потрясений и хорошо подготовлены, чтобы пережить краткосрочные последствия AI — руководители и опытные специалисты с опытом работы в корпорациях — испытывают такую неуверенность в будущем своей карьеры на фоне изменений, происходящих практически во всех отраслях.

Это всеобъемлющее разочарование порождает ряд интересных (или пугающих, или печальных) вопросов: откуда эта тревога? И что происходит с обществом и технологической индустрией, если даже эти люди теряют веру в свои перспективы?

В этом и заключается прелесть трудоголизма: он создан для того, чтобы отвлечь людей от душевной пустоты, которую в противном случае заполнила бы профессия. Это опиум для тех, кто ездит на работу в коротких шортах. И это работает. Оно заставляет талантливых людей приходить в офис, чтобы спорить об отчетах, стратегиях и ​​ребрендинге.

До недавнего времени единственным спасением интеллектуального труда было то, что его по-прежнему выполняли люди. Которые трудились над решением задачи, создавали презентации, писали ответы клиентам и разрабатывали продукт. Даже если это было бессмысленно с экзистенциальной точки зрения, в эту работу вкладывались человеческие мысли, совместная работа и творчество, наполняя ее жизнью.

Спектакль — это особенность позднего капитализма, в котором жизнь, вместо того чтобы проживаться непосредственно, постоянно опосредована. Между нами и тем, что мы должны переживать, всегда что-то есть. Я не разговариваю с мамой; я пишу ей сообщения. Я не путешествую; я смотрю, как путешествуют другие люди на YouTube.

Трудоголизм — это сцена для более масштабного зрелища: мира, где видимость занятости, важности и уникальных знаний так же ценна, как и реальное наличие этих качеств, и где работа должна лишь казаться значимой, а не быть таковой на самом деле.

Добавление AI к этому зрелищу кажется экзистенциально пугающим, потому что это еще больше отдаляет нас от работы, которую мы делаем, и от её ценности.

Можно выделить две категории работников интеллектуального труда. Первая — это люди, ориентированные на результат. Их внимание сосредоточено на бизнесе, на победе, на эффективности. Человеческие потребности, недостатки и эмоции для них — препятствие, которое нужно преодолеть.

И люди, которые ценят «сложную середину». То есть сам процесс. Они тоже работают на результат, но как естественное следствие сотрудничества, обсуждений и совместной работы с людьми, которые им действительно нравятся.

Исчезновение «сложной середины» из опыта этих двух групп имеет противоположное влияние: для людей, ориентированных на результат, это победа. Для людей, ориентированных на опыт, это подрывает основы.

Работа — это зрелище. Большинство обязаны напоминать друг другу, что всё это, в глобальном масштабе, не так уж и важно. Мир не ждет с замиранием сердца запуска новых продуктов. Маркетинговая кампания не изменит мир. Почти никто не вспомнит про наши усилия. Но они могут вспомнить, какими людьми мы были, какие у нас были отношения и как мы относились к коллегам.

В комментариях пдф с переводом. → https://www.noemamag.com/why-is-everyone-in-tech-so-sad

#Нейропрожарка Jobless Автор: Евгений Парфёнов @noomarxism Запись на youtube С мая вынашивал идею переснять старый ролик, сделанный наскоро из подручных средств для секции "Образ светлого будущего" на конференцию Цифровой Социализм. Сценарий по факту уже был — чуть доработал вместе c Claude Opus и отложил до появления времени. На этих выходных добрался и за 2 дня и 2 вечера сделал что сделалось. Никакого опыта продакшена видео у меня не было, поэтому следовал советам нейросеток. Изображения генерировал в gpt-image-2.5, видео — на Syntx.ai Им я и отдал за токены порядка 15 тыс. рублей за это удовольствие. Что пригодилось: — Runway Gen4 Act-Two — Hailuo Minimax 3.0 — Kling 3.0 — Seedance 2.5 — Topaz AI — Fish.audio — голос Володарского бесплатно — Mvsep.com Сводил преимущественно не я, а Codex на Astra в DaVinchi Resolve (Free). Подписки на Claude, ChatGpt, Suno уже были. Все сомнительные решения — мои. Осталась масса огрехов, которые выправить уже жалко денег и сил. @cgevent

🌟 Limite 1B Violetto: специализированная математическая модель Стартап Paradigma опубликовал свою первую модель, Limite Violetto на 1 млрд параметров с контекстом до 131 тысячи токенов, рассчитанную только на решение математических задач. Violetto разработана с максимально упрощенной настройкой инструкций, чтобы опровергнуть предположение о необходимости внедрения моделей в вспомогательный интерфейс для их эффективной работы. Поэтому она отвечает в один ход (задача на входе, решение на выходе) и ведёт себя не как чат-бот. На вопросы вне математики модель часто переосмысляет их как математическую задачу.

Например, на просьбу простыми словами объяснить фотосинтез она начала рассуждать о том, как клетка делится на две, а те снова делятся.

Вторая модель, Limite Value Model решения оценивает. Она получает задачу и предложенное решение и для каждого токена ответа выдаёт оценку того, насколько рассуждение до этой точки ведёт к верному ответу. С ней можно ранжировать несколько кандидатов или использовать модель в обучении с подкреплением. Авторы предупреждают, что это регрессионные оценки и доказательства модель не проверяет. На полном контексте ей хватает 7,5 Гб видеопамяти. 🟡Тесты Часть цифр конкурентов Paradigma взяла из их карточек или с MathArena. На AIME 2026 Violetto набрала 94,01%. Такой же результат показывают Nemotron 3 Super, Qwen3.5 9B и VibeThinker 3B. На BeyondAIME у Violetto 74,25% против 70% у MUSE-Glimmer-30B. Запустить модель пока можно только через плагин Paradigma для vLLM 0.26.0 на Linux с видеокартой NVIDIA и драйвером с поддержкой CUDA 13.0. Поддержку Transformers обещают позже. 📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Веса 🖥Github @ai_machinelearning_big_data #AI #ML #SLM #Violetto #Paradigma

ComfyUI-InpaintCanvas Нода, которая засовывает весь цикл инпейнтинга в один редактор: маска, генерация, сшивание и сравнение в одном месте. Кроп и маску отдаете в любую вашу цепочку - Flux, Klein, Kontext, Qwen Image Edit, SDXL - результат возвращается слоем поверх картинки • слои с прозрачностью, блендами, локом, перетаскиванием • color match - сгенерированный участок подгоняется под фон, не выглядит наклейкой • выделение: прямоугольник, лассо, magic wand, быстрая маска, feather, SAM3 по тексту, RMBG • ретушь - штамп, healing brush, размытие, кисть • фильтры - кривые, уровни, цветовой баланс, HSL, зерно с пресетами, LUT • текстовые слои с открытыми шрифтами, правка на канвасе • сравнение двух результатов с разделителем, before/after по клавише • экспорт PNG, JPG, WebP, PSD и OpenRaster со всеми слоями • helper-модели выгружаются из VRAM перед генерацией #inpainting #comfyui MAX

🎉 Еще один человекоподобный робот в Европе! С основателем из Беларуси! Компания Vesoma анонсировала своего человекоподобного робота. Утверждают, что сделали его с нуля за полгода! И это очень быстро. А среди основателей проекта — белорусский предприниматель Петр Скоромный, который до этого делал Easybrain. В своем анонсе они пишут, что зарегистрировали Vesoma в декабре 2025-го. Офисы у них в Мюнхене и в Лимассоле, в компании сейчас работают 60 человек. А робота они сделали за 6 месяцев — с нуля до шагающего робота.

«Сегодня мы раскрываем свое название, представляем команду, рассказываем о нашем подходе к созданию функциональных гуманоидных роботов и показываем, над каким именно роботом мы работаем», — пишет сооснователь Петр Скоромный.

Скоромный — серийный предприниматель. Он делал разработчика приложений Apalon, которого продал в 2014-м IAC. А затем основал разработчика мобильных игр Easybrain, который специализируется на головоломках и логических играх. Его в 2021-м за $640 млн купила шведская Embracer Group, а в 2025-м уже перепродала за $1,2 млрд. Второй сооснователь Vesoma — основатель Synapticon Николай Энсслен. Эта компания как раз разрабатывает решения, на базе которых сейчас создаются роботы. За AI у них отвечает Мартин Ридмиллер, бывший директор по исследованиям в Google DeepMind. И еще в команде есть пара основателей стартапов. Вот есть видео 3-месячной давности с шагающим роботом. Правда, робот там заблюрен, но шаги разглядеть можно. И выглядит он там пока не так, как на картинке с сайта. В своем анонсе чуваки из Vesoma пишут, что недостатка в человекоподобных роботах нет. Есть недостаток в роботах, которые действительно работают. И вот они хотят это исправить.

«Демонстрации часто впечатляют. Однако мы еще не видели ни одного робота, способного соответствовать реальным требованиям заказчика: выполнять одну и ту же задачу правильно на протяжении всей смены, в условиях, изначально не организованных для работы машин, и без вмешательства инженера».

Их фишка в том, что они создают самообучающегося физического AI-агента, которые учится в процессе взаимодействия с окружающим миром. И вроде как он так научился ходить — походку никто не программировал, система сама выработала способы передвижения.

«Он исследует среду, совершает ошибки, находит оптимальные способы использования своего тела и совершенствуется по мере работы. Компетентность, приобретенная таким образом, опирается на законы физики, а не на примеры, благодаря чему система сохраняет работоспособность при изменении условий»

Про инвестиции в проект, правда, я не нашел информации. Вот теперь можно будет следить не только за Humanoid Артема Соколова, но и за Vesoma Петра Скоромного. @TheEdinorogBlog — тот самый канал про стартапы🦄

GAE от Tencent ARC и HKUST Геометрический автоэнкодер для генерации миров. Сжимает 3072-канальные геометрические признаки в компактные 128 каналов, из которых декодируются RGB, глубина, траектории камеры и облака точек. Не достраивает геометрию постфактум, а кладет еt внутрь генерируемого латента • из одного латента - картинка, глубина, позы камеры и 3D одновременно • управляемый flow matching - текст, референс-кадр и метрические лучи камеры • обзорные сцены с перемещением камеры, indoor и outdoor • text-to-image с генерацией 3D-геометрии по одному промпту • 1B параметров Латентное пространство работает как общий интерфейс между восприятием и генерацией - один латент, четыре связанных выхода Гитхаб HF #world #vae MAX

Алексей Гусаков на deep tech night рассказал как Яндекс Музыка перешла на end-to-end генеративные рекомендации с новой моделью SONA. Энкодер-декодер модели вернулись! Новая система называется SONA. В A/B-тесте SONA дала +4,5% Active Users поверх всех улучшений, что были сделаны с 2023 года. От внедрения модели получили эффект больше, чем от всего сделанного за последние годы вместе взятого. В 2023 мы увидели первые BERT в рекомендациях: SASRec и BERT4Rec. Там история прослушиваний подавалась в энкодер-трансформер, а из результата делался вектор пользователя. Для получения рекомендаций можно было вычислить косинусное расстояния с вектором трека. Ограничение такого подхода в медленном обучении: каждый сабсет истории прослушиваний пользователя нужно обрабатывать как отдельный префикс, отдельным форвардом всей модели. Из-за этого приходилось ограничивать историю 128 треками. В 2025 появился ARGUS с переходом к генеративной постановке с трансформеров-декодером. Модель последовательно предсказывает следующий музыкальный трек, авторегрессионно, как LLM предсказывает следующий токен. Это позволило подавать в модель 8000 треков за раз и сразу считать ошибку для всех префиксов. Однако сжатие всей истории в один токен теряет много информации. К тому же трансформер был тяжёлый, поэтому его можно было применять только как реранкер. Этап генерации кандидатов оставался отдельным. Теперь следующая итерация – SONA, настоящая end-to-end система. Ключевая инновация это новый токенизатор под названием Semantic ID. Грубо говоря one-hot представление для каждого трека заменяется тремя дискретными иерархическими токенами из кодбука. Кодбук формируется на основе мультимодальных эмбеддингов трека с помощью Qwen 2.5-Omni, refinement-трансформера и кластеризации RQ-KMeans. В итоге получается токенизация сохраняющая семантику на разных уровнях абстракции: от общих жанровых черт до специфики конкретного трека. SONA – это энкодер-декодер. Энкодер часть сжимает историю пользователя, а декодер часть генерирует рекомендации. Одновременно учится и предсказывать следующий трек, и реакцию на него. SONA сама себе генератор кандидатов и ранкер, потому что использует новую структуру токенов для ретривала прямо во время своих предсказаний. Используется beam search. Сначала предсказываем первый токен из трех, затем второй при условии первого, затем последний при условии двух предыдущих. По сути для получения рекомендации сразу делаем поиск по дереву несколькими форвардами трансформера. Никакого FAISS или HNSW!