ИИ

MiniCPM-V 4.7 Новая открытая серия мультимодальных моделей OpenBMB для устройств Две модели: MiniCPM-V 4.7 35B-A3B и MiniCPM-V 4.7 1B. • Мультимодальное понимание, STEM-рассуждения, #OCR и длинные видео • Локальный запуск на #iOS и #Android • Гибридное сжатие визуальных токенов 4× и 16× • Self-Replay Fine-Tuning — дешевая донастройка под новые задачи без потери общих качеств • 35B-A3B: 17+ токенов/с на iPad Pro M4 (16 ГБ), 13+ на iPhone 17 Pro Max, всего 3 ГБ памяти • LES (Lookahead Expert Scheduling) предзагружает веса экспертов — 5× ускорение на iPad Pro M4 при идентичном выводе • Даже при 16× сжатии 90.4 на OCRBench — на 5.2 пункта выше Qwen3.6 35B-A3B • Конкурентные результаты на 34 бенчмарках github.com/OpenBMB/MiniCPM-V huggingface.co/collections/openbmb/minicpm-v-47 #multimodal #mobile MAX

МЫ ТУПЕЕМ ИЛИ ЭВОЛЮЦИОНИРУЕМ? Глава Nvidia Дженсен Хуанг недавно предположил, что детям уже необязательно будет помнить даже таблицу умножения. ИИ возьмёт рутину на себя, а человек сможет сосредоточиться на системном мышлении. В интернете его слова превратились в заголовок про «эру низкого IQ». Хотя сам он эту фразу не произносил. А я задумалась: может, мы наблюдаем не деградацию интеллекта, а его трансформацию? Ведь подобное уже происходило. 1. Человечество действительно становилось умнее. На протяжении большей части XX века результаты IQ-тестов росли примерно на 3 балла за десятилетие. Это явление назвали эффектом Флинна. Причём рост начался задолго до массового появления персональных компьютеров. Среди возможных причин учёные называют изменения образования, условий жизни и развитие абстрактного мышления. 2. А что произошло с появлением ПК и интернета? В 2011 году исследователи Колумбийского университета описали «эффект Google»: люди хуже запоминали информацию, когда знали, что смогут найти её позже. Зато лучше помнили, где именно её искать. А в 2025 году в Nature Human Behaviour вышел метаанализ исследований с участием более 411 тысяч человек старше 50 лет. Использование цифровых технологий оказалось связано с меньшим риском когнитивных нарушений. Конечно, это не доказывает, что компьютеры повышают интеллект. Но и теория о том, что технологии неизбежно делают нас глупее, не подтверждается. 3. Но с ИИ есть интересный нюанс. В исследовании, опубликованном в PNAS в 2025 году, почти тысяча школьников решала математические задачи с помощью ИИ. С ИИ результаты были лучше. Но когда помощника убрали, ученики, использовавшие обычный чат-бот, показали результаты на 17% хуже контрольной группы. При этом ИИ-репетитор, который подсказывал, а не выдавал готовые ответы, практически устранял негативный эффект. Получается, важен не сам ИИ, а то, как мы его используем. И вот здесь начинается самое интересное. Эволюция. Человек когда-то научился использовать инструменты, чтобы компенсировать физические ограничения. Письменность позволила сохранять знания за пределами собственной памяти. Компьютеры научились обрабатывать информацию быстрее нас. Теперь мы впервые массово передаём машинам часть интеллектуальной работы. Это не биологическая эволюция мозга за несколько лет. Это технологическая и культурная эволюция, которая меняет требования к нашим способностям. А что, если через 50 лет интеллект вообще будут оценивать иначе? Не по тому, сколько человек запомнил. Не по скорости вычислений. А по способности видеть взаимосвязи, формулировать новые идеи, отличать истину от ошибки и принимать решения. Возможно, наши потомки будут знать меньше фактов наизусть, но смогут решать задачи, которые сегодня кажутся невозможными. А возможно, произойдёт обратное: мы настолько привыкнем получать готовые ответы, что постепенно разучимся самостоятельно думать. И лично для меня это главный вопрос наступающей эпохи. ИИ станет следующим этапом развития человеческого интеллекта или мы добровольно передадим ему способность мыслить? А вы как считаете? Мы эволюционируем или деградируем? https://t.me/kruasanova_as Уже не пишет сама, но делится экспертизой про ИИ

Победу отняли из-за ИИ Мы уже рассказывали об этой истории, и вот появились новые подробности. 9 октября Nikon дисквалифицировала победителя конкурса микроскопических видео Small World in Motion: правила запрещают ролики, сгенерированные ИИ. Новый победитель — Нгуен Нам Нят, микробиолог из вьетнамского Чусе, изначально занявший второе место. Его видео показывает круглого червя и одноклеточный организм Dileptus. А началось всё 15 сентября, когда первое место получил ролик с бьющимися ресничками, крошечными «волосками» в дыхательных путях. Автор — Нин Сюй, инженер-оптик из Национального университета Сингапура. Съёмку сделали с помощью микроскопии сверхвысокого разрешения и обработали ИИ. Уже через несколько дней учёные в LinkedIn заметили, что некоторые детали на видео выглядят биологически неправдоподобно. Сюй ответил, что его команда применила ИИ-модель на этапе постобработки, чтобы улучшить визуальное представление областей под ресничками, — и, по его словам, не делала анатомических заявлений о том, что там изображено. Позже эти комментарии исчезли. Nikon разбиралась с конца сентября: повторно изучила ролик и сопроводительные материалы, посоветовалась с жюри. Компания подчеркнула, что решение касается только соответствия правилам и не оценивает репутацию автора, его научный вклад или намерения. Вся история упирается в один вопрос: где проходит граница между улучшением научного изображения и его дорисовкой? Биолог Мелани Уайт из Университета Квинсленда поддержала решение Nikon и считает, что скандал запустил давно назревший разговор об ИИ в научной визуализации. По её словам, нужны общепринятые стандарты: как использовать ИИ, как раскрывать его применение и как сверять обработанные изображения с исходными данными. @vselennayaplus

RoboParty представила RP1 — первого гуманоидного робота с открытым исходным кодом Компания RoboParty представила двуногого робота RP1 (ROBOTO 01) с открытым исходным кодом для исследований в области воплощённого ИИ (Embodied AI). При весе 34 кг и росте 1,25 м устройство имеет 23 степени свободы (DOF) и развивает скорость перемещения до 3 м/с. В качестве опциональных сенсоров восприятия предлагаются камера глубины Intel D435i и 3D LiDAR. Питание обеспечивает аккумулятор на 48 В (15 А·ч), рассчитанный более чем на 2 часа автономной работы. Силовая часть построена на суставах с пиковым крутящим моментом до 120–160 Н·м. За динамическую стабилизацию отвечает ОС PartyOS с фреймворком UFO, использующим неразмеченное обучение с подкреплением (unsupervised reinforcement learning) — это позволяет платформе автоматически удерживать равновесие при внешних толчках и подниматься после падений.

Интересное интервью Джоша Вудворда, руководителя Google Labs, который заодно отвечает за приложение Gemini и AI Studio. Меня понравились несколько мыслей. 1. Всем компаниям пора мыслить как лаборатории. Технологии меняются так быстро, что граница возможного сдвигается буквально каждую неделю. Поэтому пробовать новые модели, ставить эксперименты и проверять даже странные идеи уже не отдельное развлечение для инновационного подразделения, а часть работы компании. 2. Ведите список "почти возможного". Обычно мы ведём бэклог того, что можем сделать, но до чего пока не дошли руки. А здесь отдельный список того, до чего пока не дошли технологии. И важно регулярно к нему возвращаться: вчерашнее "это невозможно" сегодня уже может оказаться рабочей гипотезой. 3. Важна не только скорость обучения, но и unlearning rate. То есть скорость, с которой человек способен отказаться от прежних убеждений и подходов, если проверка показала, что они не работают. Не просто быстро узнать что-то новое, а проверить это на практике и при необходимости отпустить, даже если идея очень нравилась. Он там еще говорит, что надо влюбляться не в продукт, а в проблему. 4. Не всем нужно превращаться в универсальных билдеров. Несмотря на разговоры о слиянии ролей, Джош считает важным сохранять специализацию. У сильного специалиста есть основная профессия и смежные навыки, которые её усиливают. Его совет начинающим продактам: вайбкодить и собирать прототипы - отлично, но делать это стоит, чтобы стать выдающимся продакт-менеджером, а не вместо того, чтобы им становиться. Иначе за универсальностью можно потерять глубину. Ещё у Джоша есть постоянная дискуссия с коллегой: через пять лет у Google будет пять продуктов или десять тысяч? Однозначного ответа нет, и сам он периодически меняет позицию. Возможно, даже само понятие продукта к тому времени будет другим. А вы как думаете, через пять лет в Google (или в вашей компании) продакт-менеджеров станет больше или меньше?

ИИ научили вести соцсети — на GitHub выложили 17 бесплатных инструментов🤙🤙 Можно собрать себе ИИ-помощника для контента: он изучит нужные публикации, подстроится под манеру письма и поможет готовить новые посты. Внутри есть инструменты для разных задач: — Найти темы, которые стоит осветить; — Придумать несколько вариантов заголовка; — Превратить идею в готовый пост; — Подготовить сценарий Reels или концепцию обложки для YouTube; — Разобрать статистику и найти слабые места контента; — Составить план публикаций на основе тематик канала. Фишка в том, что это не отдельный сервис с подпиской, а открытый набор инструкций для ИИ. Можно установить только нужные инструменты и использовать их в своих проектах. Работает в Claude и Codex. Забрать набор — на GitHub.

Перевод книг Уверен, что моим главным итогом 2026 года в сфере искусственного интеллекта будет не вайбкодинг продуктов и разного уровня автоматизации, а перевод книг. Это та сфера, которая, как мне кажется, в перспективе принесёт человечеству наибольшую пользу. Когда я начал погружаться в современную философию, я периодически фрустрировал из-за отсутствия переводов (хоть каких-нибудь) на русский язык. В 2024 году переводил скриншотами книг в ChatGPT, в 2025 году пытался настроить этот процесс через Cursor, а в 2026 году задача полностью решилась даже стандартным Codex в подписке Plus за $20 На днях вышел первый русскоязычный перевод книги Бернара Стиглера “Забота. О молодежи и связи поколений”. Я читаю Стиглера с начала этого года, за это время перевёл с AI-агентами основные его работы. Сегодня забрал бумажную “Заботу” и сравнил с моими переводами. На удивление, Codex справился просто отлично. В процессе я пересмотрел разных агентов-переводчиков, выложенных в интернете, но в итоге пришлось делать своего. Перевод философских текстов особенно сложен в том, что нужно на старте провести большое исследование и выработать словарь терминов, которые дальше нужно развивать по тексту - а, значит, нужно опираться на существующие переводы эссе, ссылки, научные работы. Мой агент с этим работает хорошо, тексты пишет довольно читабельные (у меня нет никаких претензий по ходу чтения). Мой вывод: я буду продолжать читать книгу в официальном переводе, просто потому что в бумаге приятнее. Но остальные книги читаю уже спокойнее, не переживая о том, что агент сделает что-то совсем не то. Агента опубликовал (осторожнее, он прожорливый и может потратить примерно половину Pro-подписки за перевод одной книги, переводите частями, следите за лимитами): Ссылка на гит

Как отличить AI-slope от нормального контента В последнее время я все чаще замечаю, что под видом экспертности мне всячески пытаются впихнуть контент, сгенерированный ИИ. Речь идет об авторском контенте: телеграм-посты, почтовые рассылки, различные экспертные статьи на сайтах. И проблема здесь не просто в языке или стилистике языка, а в смыслах, которые лежат внутри этих текстов. Читая автора, я прихожу за его экспертностью, опытом и какой-то четкой позицией, но вместо этого я все чаще получаю не тот контент, на который подписался, а контент “написанный по запросу, на который я подписался”, с помощью LLM. Естественно, желание читать такое не добавляет, а отношение к аудитории скорее негативно выставляет автора в моих глазах. Работая много с LLM - ты уже интуитивно видишь, где текст является сгенерированным, но для этого нужен опыт. Поэтому сегодня решил поделиться своими наблюдениями по тому, как с большей вероятностью вычислить AI-slope. Ниже - мои личные наблюдения + кое-какие исследования. Слова и эмодзи Первый и наиболее заметный маркер. ЛЛМ очень любят определенные слова, эмодзи и повторяют их из раза в раз. Если в запросе попросить экспертный стиль - вас закидает чем-то уж очень профильным, с кучей англицизмов. Если попросить добавить эмодзи - ИИ засрет ими текст. Кроме того, отличается сам язык. Чаще всего, текст получается не вполне литературным, и если вы - начитанный человек, то читая очередной ИИ-пост - вы будете замечать, что по-русски так не говорят, но если вы еще знаете и английский - то вы сразу увидите, что текст - ни что иное, как буквальный перевод на русский. Тест на выжимку ИИ любят лить воду. Прочитайте 5 предложений поста и попробуй-те выделить из них хотя бы одну главную мысль. Там, где человек просто напишет: “Рынок упал, мы решили делать маркетинг”, AI будет рассыпаться фразами в стиле “В эпоху стремительных изменений важно уметь адаптировать свои внутренние процессы для достижения максимальной синергии”. Безопасная нейтральность AI обучены так, чтобы быть полезным любым людям, с любыми ценностями, вероисповеданием и так далее. Результат этого - в AI-текстах чаще всего отсутствует сильная аргументация в какую-либо сторону. Если вы видите, что автор пытается вам донести какую-то позицию, но он не слишком категоричен в своих суждениях и будто старается никого не обидеть - скорее всего перед вами текст с ЛЛМ. Можете проверить это простым экспериментом. Попросите ИИ написать текст про то, что вам не нравится, и пусть это будет политический или религиозный текст. В своем промпте используйте больше слов, типа “говно”, “дерьмовый”, “ненавижу” и прочие сильные оценочные суждения. А потом посмотрите на результат :) Переизбыток прилагательных и исчезновение местоимений Гугл не так давно проводили лингвистическое исследование и обнаружили, что ИИ-шки любят слова типа “инновационный”, “многогранный”, “стратегический” и прочие, но категорически отказываются использовать местоимения “я”, “мы”, “мой”. А также фразы, обозначающие принадлежность текста кому-либо, например, “по нашему мнению”. Живой человек, делясь опытом, постоянно использует местоимения, а ИИ строит отчужденные, безличные конструкции, используя их намного реже. Кстати, это же исследование подтверждает и мой предыдущий тезис про безопасную нейтральность. Позитивный позитив Чем-то похожая история с безопасной нейтральностью. Но решил выделить отдельно. ИИ-текст практически никогда не будет нести смысл “мы в дерьме” или “все плохо”. Рядом с этим фактом, скорее всего, будет что-то в стиле “но кризиз - это возможность для роста”. Лингвистическая предсказуемость и эффект триколона Да, я тоже не знал этого термина, узнал из статьи, но сейчас вы поймете, о чем речь. Есть такой показатель - type-token ratio (разнообразие словарного запаса), так вот, у LLM он намного ниже, чем у человека, а длина предложений почти всегда фиксирована - от 10 до 20 слов. А что касается триколонов - это лингввистические конструкции, состоящие ровно из трех элементов или примеров подряд (например: “Это помогает автоматизировать процессы, повышать конверсию и масштабировать бизнес”). Люди пишут хаотичнее: то короткими отрывистыми фразами, то длинными абзацами. Отсутствие микро-деталей Больше характерно для всяких кейсов. Но тоже добавлю в список. Когда человек рассказывает о своем опыте, он использует какие-то локальные шутки, имена, факапы. Такие вещи, которые сложно выдумать на ходу. Кейс, описанный с помощью ИИ будет звучать более обобщенно. Хотел сделать список длиннее, но ограничен лимитами телеги. Поэтому в комментах делитесь: как отличаете слоп вы 😁 🚀 Влад Корнышев про AI и создание AI-продуктов

Создатель AlphaGo, экс-DeepMind говорит, что через 3 года у нас будет сверх интеллект Дэвид Сильвер - создатель AlphaGo, человек, который первым показал, что нейросети способны превзойти людей. Он ушёл из Google DeepMind в январе этого года и основал компанию Ineffable Labs вместе с Лассе Эспехольтом. Он впервые рассказывает о том, чем они занимаются, а именно создают superlerner - систему, которая добывает знание не из интернета, а из собственного опыта. Стартует с нуля, без претрейна на интернет-данных, а в итоге превосходит человеческие знания. Эту систему можно поместить в любой поток опыта, симулированный или физический, и она будет учиться. Сильвер считает, что учиться на человеческих данных - это быстрый, но тупиковый путь. Он помогает на старте, но не даёт пойти дальше человека. Чтобы вырваться вперёд, систему нужно лишить этой подсказки и дать ей учиться самой. Он говорит, что AlphaGo создавали 2 года с участием человека, а когда вывели правильную формулу AlphaZero, то обучали её вообще без человека, и та обошла AlphaGo за несколько часов. Сильвер считает, что контролировать ИИ-агентов через то, что они говорят, больше не работает, они учатся говорить одно, а делать другое. Поэтому в Ineffable думают о другом подходе: пусть суперинтеллекты следят за суперинтеллектами, а заодно выстраивают саму науку о том, как таким системам мирно уживаться друг с другом. При этом в компании хотят разгоняться в симуляции, но в реальном мире действовать осторожно: выходить из симуляции только тогда, когда есть доказательства, что это безопасно.