ИИ

🌟 Ai2 выпустила открытую модель для научных отчётов AstaBrief 8B - файнтюн Qwen3-8B от Института Аллена, который по исследовательскому запросу и найденным фрагментам научных статей пишет отчёт со ссылками на источники. Модель уже работает в Asta, сервисе Ai2, где она стала быстрым режимом в дополнение к Thinking с Claude под капотом. Сама AstaBrief ничего не ищет, отрывки статей ей нужно подать вместе с вопросом. Из них модель отбирает нужное, сводит в связный текст и расставляет ссылки на отрывки, из которых взят каждый факт. Отчёт она пишет целиком за один проход. 🟡Тесты На наборе ScholarQA-CS2 из 200 вопросов по информатике AstaBrief набрала в среднем 87 баллов, по полноте ключевых элементов ответа 90,2, по точности ответа 89, по точности ссылок 90,5, по их полноте 78,2. По этому набору и по DeepScholarBench Ai2 называет модель сопоставимой с конвейером на Claude и со своим исследовательским агентом DR Tulu. В небольшом исследовании с тремя учёными и 14 вопросами в целом предпочли DR Tulu, хотя двое из трёх сочли ссылки у AstaBrief точнее.

Пример, как генерировать отчёты по собственным PDF, Ai2 выложила в репозитории ScholarQA.

📌Лицензирование: Apache 2.0 🟡Блогпост 🟡Модель @ai_machinelearning_big_data #AI #ML #LLM #AstraBrief #Ai2

Заметил что часто зря трачу лимит Fable на какую-то фигню, хотя мог бы переключиться на Sonnet но забываю Подключил себе decision-модель в Claude Code и Codex, чтобы сама выбирала какую модель юзать под запрос Называется jev-router, ему в контекст дается промт который ты отправил агенту + список доступных для выбора моделей и их описание, какая сильнее какая слабее Если задача не сложная то выбирает Sonnet, а если сложная то Opus. Потом просто скрипт по его решению автоматом переключает модель в CLI Посмотрим как будет справляться, пока норм ☕️ Еще можно заменить Jev на похожую опенсурс модель: laya, если не хотите сливать данные Она даже побыстрее будет потому что запускается локально, но качество решений похуже чем у Jev @tips_ai #tools

О дивный новый мир! Всю жизнь «сделать» было узким местом. От «копать траншею» до «изобрести новое лекарство» — все было сложно и дорого. Тот, кто смог, тот молодец. Вам клиенты или работодатель платят именно за то, что вы что-то делаете, исключения крайне редки. А сейчас делать станет просто. С траншеями чуть позже, с интеллектуальными задачами уже почти уже, Навье и Стокс не дадут соврать. Мешки ворочать станет как п..ть. И если предположить, что всеобщее благоденствие в этот момент не наступит, то надо ждать какого-то нового дефицита. Есть гипотеза, что узким местом станет «воля». AI спроектирует трубопровод, AI составит финмодель и выберет правильных поставщиков. AI все, что нужно, сделает, но кто-то должен ставить ему задачу и следить за выполнением. И раз благоденствия не наступило, значит этих кого-то не хватает. Интересно, какой стартап надо уже сейчас придумывать для такого мира. #простомысли

Disclaimer: в преддверии ожидания публикации от OpenAI новых решенных задач (которые не вошли в DevDay, как хотелось бы) делюсь обзором на понимание, зачем человечеству открытые задачи науки и как они улучшают нам жизнь. Зачем человечеству открытые задачи? Наука у меня обычно ассоциируется со знанием: законы, уравнения и теоремы с доказательствами. Но передовые открытия устроены наоборот, и главную часть составляют открытые задачи, то есть гипотезы, истинность которых пока не известна. Такие задачи показывают границы не только наших знаний, но и наших методов мышления. А вот попытка решить фундаментальную задачу часто оказывается важнее самого ответа. 1. Описание движения планет потребовало от Ньютона и Лейбница создать математический анализ, без которого не обходится современная инженерия. 2. Уравнения Максвелла предсказали электромагнитные волны и через несколько десятилетий дали нам радио. 3. Теория чисел столетиями считалась образцом бесполезной математики, а теперь на ней держится криптография. 4. Триста лет попыток доказать Великую теорему Ферма породили огромную инфраструктуру теории чисел и алгебраической геометрии, вершиной которой стало доказательство Уайлса. Поэтому вопрос о практической пользе нерешённой задачи поставлен неправильно, ведь мы заранее не знаем, какие инструменты придётся изобрести. Иногда задача показывает, что неверна сама исходная картина мира. Аномалию орбиты Меркурия не удалось исправить поправкой к механике Ньютона, для неё понадобилась общая теория относительности. Семь задач тысячелетия В 2000 году Clay Mathematics Institute назначил по миллиону долларов за семь задач, каждая из которых отмечает глубокий разрыв в понимании целой области. Гипотеза Римана связывает нули дзета-функции с распределением простых чисел. Вопрос P против NP спрашивает, всегда ли найти решение принципиально труднее, чем проверить готовое. Уравнения Навье-Стокса инженеры решают численно каждый день, но никто не доказал, что в трёх измерениях их гладкие решения не разрушаются за конечное время. Задача Янга-Миллса требует строго построить квантовую теорию, лежащую в основе Стандартной модели, и доказать существование массовой щели. Гипотеза Ходжа спрашивает, насколько топология алгебраического многообразия определяется его алгебраической структурой. Гипотеза Бёрча и Свиннертона-Дайера связывает аналитическую L-функцию эллиптической кривой с числом её рациональных точек. Решена пока только гипотеза Пуанкаре, которую Перельман доказал через поток Риччи, попутно развив целый аппарат геометрического анализа. Границы физики В физике нет официального списка, но её граница тоже видна хорошо. Общая теория относительности и квантовая механика по отдельности блестяще подтверждены, однако не совмещаются в единую теорию квантовой гравитации. Мы измеряем гравитацию тёмной материи, но не знаем её состава и не понимаем природу тёмной энергии, ускоряющей расширение Вселенной. Пока неизвестно, почему материи оказалось больше, чем антиматерии, откуда берётся масса нейтрино и почему параметры Стандартной модели именно такие. Турбулентность особенно показательна, потому что её уравнения нам известны, а понять их следствия мы до сих пор не можем. Новый участник науки До недавнего времени компьютеры считали и проверяли, а гипотезы и доказательства придумывал человек. В 2026 году эта граница сдвинулась, и важнее олимпиад здесь то, что ИИ начал работать над задачами, ответа на которые не знает никто. Claude поднял доказанную нижнюю границу доли нулей дзета-функции на критической прямой примерно с 41,6 до 67,2 процента, что вовсе не означает доказательство гипотезы Римана на две трети. Claude также построил полную формализацию доказательства Великой теоремы Ферма в Lean и вычислил девятипетлевую шестичастичную амплитуду в N=4 суперсимметричной теории Янга–Миллса, а Лэнс Диксон независимо проверил результат. Это не решение задачи о массовой щели, и новой физики Claude не изобрёл, он показал лишь, что вычислительный барьер ниже, чем считали специалисты.

Провайдеры режут лимиты и почему гнаться за дорогим тарифом нет смысла Если посмотреть на то, что сейчас происходит у мейджоров, тренд очевиден: эпоха доступных моделей про-тира заканчивается. Дело даже не в появлении тарифов по $100 или $200 - они на рынке уже приличное время. Прикол в том, что резать доступ начали прямо внутри них: OpenAI уже урезает лимиты даже на своем топовом 200-долларовом плане. Модели методично выдавливают на ярус выше: Google убирает бесплатный доступ к нормальному Flash, оставляя на фри-тире только Flash-Lite, а полноценный Pro уже в этом месяце становится эксклюзивом Ultra-подписки и уходит из обычного Pro. И подобные сдвиги сейчас происходят абсолютно у всех. Причины понятны: дефицит полупроводников, безумная себестоимость рассуждающих сеток и жесткое требование инвесторов к окупаемости инфраструктуры. Но на фоне этих сдвигов интереснее другое: как на это реагируют пользователи. Большинство по инерции продолжает цепляться за топовые тиры, искренне полагая, что их повседневные задачи требуют только флагманских мощностей. "Я же пишу важную стратегию", "у меня сложный аналитический отчет", "мне нужно составить глубокое ТЗ" - люди систематически переоценивают сложность собственной рутины. Кажется, что если задача ответственная, то легкая модель ее непременно завалит. В реальности почти весь этот объем спокойно переваривается моделями дешевого и быстрого сегмента. Причем легкая модель часто справляется лучше не вопреки, а благодаря своей простоте. Мой рабочий процесс давно завязан на быстрых сетках, и в логике постоянного контроля со стороны человека это дает огромное преимущество: - Быстрая модель отдает драфт мгновенно. Ты корректируешь вводные, направляешь ее контекстом и за пару коротких итераций получаешь готовый рабочий документ. - Тяжелая модель уходит в затяжные размышления, методично сжигает лимит запросов, а результат на выходе все равно требует точно такой же ручной доработки. Флагманы действительно незаменимы там, где у вас нет собственной экспертизы либо вы делаете действительно сложный ресерч. Под сложным я имею ввиду не просто продуктовое интервью и поиск в интернете, а реально сложное. Использование дорогого reasoning-тира для текстов, и базовых кастдевов - оверкил. Дальше гайки будут закручивать еще сильнее: лимиты на Pro продолжат падать, а стоимость доступа - расти. Рынок буквально принуждает учиться работать с легковесными моделями. И ключевой навык сегодня - не способность оплачивать самый жирный тариф, а умение выстроить процесс так, чтобы условный Flash или Haiku выдавал результат уровня тяжелой сетки. Четкая декомпозиция, правильная подача контекста и пошаговое ведение задачи значат куда больше, чем статус модели в бенчмарках. Если посчитать годовую экономику, расклад простой: - Держать тяжелый тариф на постоянке - это около $1200 в год. - Сидеть на базовом уровне - в районе $200. Разница - целая тысяча долларов. Вместо того чтобы отдавать ее провайдерам за иллюзию того, что дорогая модель сделает работу за вас, куда разумнее инвестировать эту сумму в себя. Например, взять качественное обучение по системной работе с ИИ, разобраться в архитектуре промптинга и автоматизациях. Потому что специалист, умеющий грамотно дирижировать легкими моделями, в реальной работе всегда будет быстрее и продуктивнее того, кто просто сжигает дорогие лимиты. Такой подход - это не адопшн, с прижигание бюджета, будь это личные или корпоративные расходы

#LTX25 Еще две обновки для работы с большими и HDR-материалами в #ComfyUI Native Resolution AI-правки на #4K/8K без даунскейла. Двухстадийный воркфлоу: сначала полнокадровый композиционный проход, затем тайлед-фьюжн по перекрывающимся плиткам на выбранное разрешение. Детали сохраняются на одной GPU. • Полнокадровый проход + тайлед-проход • Перекрывающиеся плитки с общим латент-канвасом и одним шум-полем • Разрешения FullHD, 4K, 8K • Меньше разрывов между регионами Native HDR Работа с #EXR секвенциями: релайт, day-to-night, инпейнт. Получаешь 16-бит EXR обратно с сохранением диапазона. • Вход — EXR-кадры в ACEScg/ACEScct/линейном sRGB • Выход — RGB EXR (float16/32) + HLG BT.2020 10-бит мастер • VAE в float32 для HDR-пути • Инпейнт по маске, сохранение остального Careful: HDR-видео вроде HLG/PQ/mp4 не принимаются как нативный HDR — нужно конвертить в EXR-последовательность. Оба пути — через узел Tiled Fusion Sampler. Тайлы — в одностороннем порядке общий латент MAX

Собеседования на программиста в эпоху AI (пост для работодателей) Помните раньше была такая штука как собеседование по теории? Когда просто задают вопросы а-ля "как работает хеш таблица" или "а что там происходит при коллизиях"? Так вот, оказывается, такое и сейчас есть. Вообще, тема собеседований мне весьма не чужда, я даже когда-то готовил людей к прохождению этих самых собеседований, причем весьма успешно. Так вот, формат таких теоретических собеседований мне никогда не нравился. А теперь, в эпоху AI он и вовсе потерял какой бы то ни было смысл. Почему? Потому, что кандидату, в целом, ничего не стоит посадить рядом с собой какую-нибудь нейронку на церебрас + live модельку, которая будет слушать и выпуливать ответы даже на самые сложные вопросы быстрее, чем интервьюер закончит задавать вопрос. Более того, такие персональные агенты-помощники вот-вот вообще станут нормой (это если вдруг вы до сих пор относитесь к такому как к читерству). Собсна, при должно сноровке не сложно запромтить агента так, чтобы он вылавливал всевозможные уловки (а-ля чего это вы мне в третий раз одно и то же спрашиваете разными словами) и вообще вел себя как живой. Но как тогда? Есть радикальное мнение, что испытательный срок - это лучшее "собеседование", причем не 3-месячный, а куда более быстрый (сейчас с агентами, в принципе, за неделю-две уже можно делать выводы об адекватности кандидата). Ну ок, каждого же не будешь брать на платную испыталку - согласен. Что тогда? Мне очень нравятся два формата на собесах: 1. Обсуждение опыта: задач, которые кандидат решал ранее и особо запоминающихся проблем/граблей, которые возникали на этом пути (ок, такое и с нейронкой можно провернуть, но явно будет сильно сложнее сделать это органично). 2. И второй формат: вот удивитесь, но это лайв код ревью*. И это как раз тот формат, который не просто позволяет проверить знание той самой теории, но и понимание этой теории на практике. Ну, например, есть у вас тот самый блок вопросов про хеш-таблицы/dict (допустим, вы считаете понимание его строения важным), напишите в коде кейс с коллизией или кейс с overriden GetHashCode() => 0 и спрашивайте, что там в представленной портянке на 100 строк не так (спойлер: там все не так). Ну, или у вас есть странный вопрос про отличие Thread от Task - ну, бахните в коде `Thread.Start`с каким-нибудь async void и await'ом внутри и смотрите что на это кандидат скажет, ну и так далее - а если на ваш теоретический вопрос не получается придумать практический кейс тогда это хороший повод задуматься о целесообразности такого вопроса. Раньше подобные примеры портянок было не просто придумывать и я на РФ рынке встречал всего пару компаний, которые такие штуки делали. Сейчас же, как вы понимаете, такие задачки очень здорово можно нагенерить вместе с нейронкой - берете этот пост, описание вашей вакансии, описание компании и отправляете это все гпт 6 про с просьбой сгенерить такую портянку на часовое интервью. Ну ок, вы мне скажете, что мешает (сильной) нейронке поревьюить код и найти в нем все проблемы? То, что в любом ревью важен контекст, а контекст надо догадаться сначала уточнить и в зависимости от контекста важность той или иной проблемы будет отличаться (мы же помним как хорошо нейронки могут бесконечно находить проблемы). Проблемный код в этом случае выдается кандидату всей портянкой и в нем может быть как много проблем, так и наоборот практически не быть. Здесь еще важно отметить сам процесс - кандидат сразу побежал ошибки искать или сначала попытался понять а что вообще происходит и для чего. Ну и в целом, идеально когда вайб-кандидат не готов к такому формату и тогда его (обычно простой) live-агент просто будет хвататься за первую попавшуюся на экране проблему не вдаваясь особо в контекст и в ее важность. Короче, в таком сетапе обмануть систему становится сильно сложнее. * Речь, конечно, идет о кейсах, когда по классике нанимают конкретного специалиста на конкретный стэк, а не агентного инженера-агностика. А как у вас в компании поменялась механика собеседований? И спрашиваете ли еще в принципе про условное устройство хеш-таблиц или у вас уже AI-native полным ходом и все подкапотные детали - это что-то из разряда знаний ассемблера?) @ai_driven

ИИ не снимает ответственности Правила для работы в команде меняются, но ответственность остаётся твоей. Неважно, какой инструмент помог, — за результат отвечаешь именно ты. «ИИ сделал» уже не звучит как оправдание. Если коллега использует нейросети, это его выбор. Но отставать по скорости и качеству тебе не позволено. Даже базовый промпт может решить задачу — твоя версия должна быть лучше. Отправляя сгенерированный текст, всегда поясни, зачем и сколько времени на него нужно. Молча скинуть на ревью объёмный незнакомый код — неуважение. Главное правило: если стыдно рассказать, как сделал документ, лучше его не отправлять. Дорогой редактор | ✈️ «Аэропорт отложенной жизни» Ваш рейс задержан. Как и жизнь.

🧮 Математики против OpenAI The Verge собрал в одну хронику всю драму вокруг того, как ИИ врывается в математику. Коротко — о главном. Гонка идёт не первый месяц. OpenAI, Anthropic и другие лаборатории отчитываются о решениях давних задач, причём порой результаты превосходят то, чего от ИИ ждали сами математики. В начале августа OpenAI показала решения десяти многолетних проблем — над некоторыми бились десятилетиями. А в сентябре заявила, что справилась с задачей Навье — Стокса о течении жидкостей и газов. Это одна из семи «задач тысячелетия» с призом в $1 млн, и её не могли решить около 90 лет. Работала внутренняя модель мощнее GPT-6 Astra вместе с 10 000 параллельных агентов. Забирать приз компания не планирует. Триумф испортила одна деталь. Всего за день до анонса профессор Нью-Йоркского университета Тристан Бакмастер и исследователь Anthropic Левент Алпёге опубликовали результат по смежной задаче. Работали они с Codex и Claude, а все черновики хранили в Codex. Бакмастер утверждает, что OpenAI пришла к доказательству тем же путём, и на вопрос, училась ли модель на их сессиях, ответа так и не получил. В OpenAI ответили, что конкретные данные пользователей не использовались, но признали: хоть это и маловероятно, обезличенные данные могли помочь улучшить модели. А сотрудник компании Себастьен Бубек настаивает: доказательства заметно отличаются. Дальше — обвинения в перехвате чужих результатов, вопросы о происхождении обучающих данных и тихие правки уже опубликованных документов. В The Verge суть конфликта сформулировали так: математики хотят развивать науку, а OpenAI хочет побеждать. Попыткой навести мосты стала независимая группа AGMAI из девяти ведущих математиков: она будет советовать ИИ-компаниям, как проверять и подавать новые результаты. Её участник Мартин Хайрер подчёркивает, что денег от OpenAI группа не получает. Но напряжение только растёт: OpenAI утверждает, что её закрытая модель уже решила больше 100 давних задач, и готовит их к публикации. @droidergram