ИИ

💡Все, что вы хотели знать про Start в Research ⠀ По вашим заявкам открыли материалы моего курса Start в Research — про то, как превратить своё исследование в статью уровня A/A*. ⠀ Это открытый курс онлайн-магистратуры «Искусственный интеллект» (ФКН ВШЭ), который мы читаем как межфакультетский для всех студентов Вышки. Его цель простая: научить «оборачивать» сильный рисерч и разработки в статьи уровня топовых конференций. Одно дело — сделать крутое AI-решение, другое — довести его до NeurIPS или ACL, выполнить все «правила игры в сабмит» и пройти все круги ревью. ⠀ Что разбираем на курсе: ✔️ Как выбрать конференцию под своё исследование ✔️ Как правильно подавать статью ✔️ Лайфхаки написания текста ✔️ Ревью и реббатл — как не слить статью на последнем этапе ✔️ Когда вместо конференции идти в журнал ✔️ Как использовать AI-инструменты при написании, не нарвавшись на desk reject ✔️ Как презентовать исследование ⠀ Курс в самом разгаре — три лекции уже на YouTube, остальные будут появляться по мере выхода. ⠀ ✒️GitHub 👀YouTube ⠀ #research #airesearch #ВШЭ #ФКН #researchlife

Intel разрабатывает SoC Razor Lake-AX для робототехники с производительностью 700 TOPS Intel раскрыла планы по выпуску процессора Razor Lake-AX, запланированного на 2028 год как специализированная система на чипе (SoC) для автономных роботов и гуманоидных систем. Согласно планам компании, производительность встроенного ИИ-ускорителя достигнет 700 TOPS, что почти в четыре раза превышает показатели текущей платформы Panther Lake (180 TOPS). Ранее Razor Lake-AX упоминался в утечках как потенциальный конкурент гибридных чипов AMD серии Ryzen AI Max. По предварительным данным, SoC получит графический блок с 16 или 32 ядрами Xe3P, широкую шину и распаянную на подложке память. Несмотря на заявленные 700 TOPS, Intel пока не уточняет точность вычислений (INT8 или FP4).

Попробовал DeepSeek V4.1 Flash на реальных задачах своего проекта. Взял две уже решённые задачи по коду: одну раньше делал Sol 6.1 (и потратил 2% недельных лимитов🤡), другую Opus 5.5. Модели дал только описание бага и запустил её в том же Codex, где работает Sol. Обе задачи решены правильно. В первой исправление совпало с решением Sol байт в байт. Во второй на её код прогнали проверку, которую раньше написал Opus, и она прошла 12 из 12. По времени вышло примерно вдвое быстрее, хотя Opus проверял свою работу шире. Обе задачи вместе стоили 10 центов: почти весь вход берётся из кэша, поэтому так дёшево. ЭТО ЧТО ЗА ЧЁРНАЯ МАГИЯ?!🪄🪄🪄 короче срочно внедряю в полный флоу✨

Тестирую MOSS. Интересная у него Джессика Рэббит.

Create a museum-grade classical marble sculpture in the spirit of Michelangelo's David, but not a replica. The subject is Jessica Rabbit from Who Framed Roger Rabbit, reimagined as a grand full-body marble statue in a luxurious neoclassical museum setting. Render her as a glamorous, iconic femme fatale with a confident, sultry expression, flowing side-swept hair, elegant curves, and a dramatic, statuesque pose. Make her faithful to the character's identity while translating her into idealized classical sculpture. She should be nude in the tradition of classical art, with tasteful flowing marble drapery partially wrapping around her body and cascading around the hips and legs. Include signature Jessica Rabbit cues translated into marble: voluptuous silhouette, long glamorous hair, old-Hollywood allure, and subtle Art Deco or stage-performance motifs integrated into the pedestal and surrounding sculptural details. Pose her with theatrical elegance and sensual confidence, with contrapposto and a sense of timeless screen-diva glamour. The base should be a finely carved marble pedestal with elegant relief details and the character's name clearly engraved on the front as "JESSICA RABBIT". The setting should feel like an opulent rotunda or grand sculpture hall with columns, arches, and warm museum lighting that enhances the polished marble and cinematic atmosphere. Emphasize polished white marble, exquisite anatomy, detailed carving, and a refined high-art aesthetic. Vertical 9:16 composition.

@cgevent

Прикольно выглядят исторические петли:) Сейчас с интересом читаю комментарии современных программистов, возмущенных комментарием Линуса Торвальдса, который посоветовал противникам генерированного кода быть последовательными и отказаться от компиляторов. Конечно, активное неприятие Фортрана с именно этим мотивом “долой компиляторы” случилось, когда я только родился, в 50-е:) Но когда я уже работал физиком в 80-е и начал сам писать простенькие программы для обработки и визуализации наших экспериментальных данных, я столкнулся с этими уже слегка седыми “настоящими” программистами, которые не стеснялись заметить, что доверие компилятору — признак интеллектуальной капитуляции, и мне бы пойти несколько лет поизучать программирование, освоить ассемблер, прежде чем садиться за алфавитно-цифровой удаленный терминал БЭСМ-6 в стекляшке рядом с ИКИ. И вообще я должен у программистов заказывать написание программ, а не лезть с кривым кодом в их область :)) Ремесленники, ценящие свое ручное мастерство выше результата, неискоренимы:) Вот и опять, на новом витке… Правда, с Торвальдсом у них есть сложность: обвинить его в непонимании программирования слишком сложно, приходится обвинять в продажности большим корпорациям, продвигающим ИИ — безошибочный прием дешевой манипуляции. Есть, кстати, и вторая интересная цифровая петелька, в другом масштабе времени. Обязательная метка  Assisted-by:  для раскрытия участия ИИ в патчах Linux появилась в документации ядра в январе 2026 года; её прообраз обсуждался до этого примерно полгода. И вот года не прошло, а метка уже перестала быть обязательной. Поучиться бы такой оперативности всяким креаторам, так настаивающим на аналогичных метках; все равно ж придется отменять, и по тем же причинам. Но пока упираются:) Поклонники собственных ремесленных скиллов вездесущи https://thenextweb.com/news/torvalds-ai-assisted-by-tag-utterly-stupid-open-source-summit

FreeLLMAPI Роутер, который складывает бесплатные тарифы десятков провайдеров в один OpenAI-совместимый эндпоинт /v1. Идея простая: по отдельности каждый фри-тир мелочь, вместе — около 7.4 млрд токенов в месяц. • 34 провайдера и 635 бесплатных эндпоинтов, 474 семейства моделей • Умный роутинг: на каждый запрос выбирается доступная модель • Автоматический фейловер при лимитах, учёт расхода по каждому ключу • Ключи хранятся в зашифрованном виде • Поддержка не только чата, но и эмбеддингов, картинок и аудио • Подключается к любым OpenAI-совместимым клиентам и кодинг-агентам • Установка: десктоп для #macOS и #Windows #Docker, мобильные приложения • Каталог моделей обновляется по подписанному фиду без git pull • Сам роутер бесплатный, новые модели подтягивает ч5ерез 30 дней. Впрочем за $19 в год можно и сразу Не рекомендовано для продакшена github.com/tashfeenahmed/freellmapi #router MAX

🔥 Полный гайд по локальному запуску DeepSeek на русском: от домашнего ПК до сервера с 8 GPU В открытом доступе появился репозиторий с руководством из 18 частей о том, как запустить DeepSeek V4, R1 и дистилляты у себя, без облака и интернета. Бесплатно, приватно и офлайн. Внутри весь путь: выбор модели и расчёт железа, установка и настройка Ollama, llama.cpp, LM Studio, Open WebUI, vLLM и SGLang, работа через API и Python, подключение к IDE. Дальше промптинг, ускорение, RAG, агенты и fine-tuning, а в конце топ-30 приёмов, разбор ошибок, FAQ и готовые конфиги. Для домашнего ПК основной вариант это R1-дистилляты от 1.5B до 70B. Запуск одной командой: ollama run deepseek-r1:8b. По таблицам гайда в кванте Q4 модель на 8B занимает 5-6 ГБ памяти, на 14B около 9-10 ГБ, на 32B около 20 ГБ, на 70B около 43 ГБ. Старшие модели уже про серверное железо. DeepSeek-V4-Flash на 284B параметров, из них 13B активных, с контекстом 1M требует около 103 ГБ в 3-битном кванте. DeepSeek-V4-Pro на 1.6T параметров с 49B активными нужны 800 ГБ и больше, то есть сервер с 8 GPU. Несколько практичных советов из гайда. Для русского языка брать модели от 14B, на меньших дистиллятах качество заметно проседает. Квант Q4_K_M считается стандартным выбором, а большая модель в низком кванте обычно лучше маленькой в высоком. Температура около 0.6 для R1 и 1.0 для V4. Проверять через ollama ps, что модель целиком на GPU. И не открывать порт Ollama 11434 в интернет: у API нет пароля. Репозиторий: https://github.com/justxor/deepseek-local-guide-ru

Новый эфир с разборами стартапов. Друзья, несу новое видео вам на выходные. Разбираю OnlySales AI, проект на pre-seed, запрос на $100K. Это AI-агенты, которые берут на себя рутину бэк-офиса в B2B-продажах: заводят сделки в CRM, ставят задачи, пишут письма, считают цены. Разобрали, почему на вопрос «куда переводить деньги?» должен быть ответ до питча, как посчитать боль клиента в рублях и почему инвест-запрос — это не план трат, а метрика, к которой приведут деньги. Формат прежний: фаундер питчит, я задаю вопросы как инвестор, дальше сам разбор. ▶️ https://youtu.be/6Ucq_SXBpU0

Тайм-коды: 00:00 Интро: формат эфира и представление учатников 00:31 Питч Сергея, фаундера стартапа Onlysales 04:21 Мои вопросы фаундеру 13:37 Разбор питча

Хотите разбор своего проекта? Пишите в директ: 👉 https://t.me/startup_venture?direct Андрей Резинкин | Money For Startup

UniForge3D Метод, который одновременно реконструирует и генерирует 3D-объект из разреженных снимков без поз камеры. Наблюдаемую геометрию сохраняет, невидимые области достраивает по выученным приорам. • Реконструкция работает в системе координат камеры, генерация — в каноническом пространстве, из-за этого прямое взаимодействие геометрии ломается • Если учитывать все виды сразу без оценки их полезности, к геометрии подмешивается лишнее и страдают мелкие детали • #SOTA по внешнему виду и геометрии на Toys4K и GSO • Работает по разреженным снимкам без известных поз huggingface.co/xibushu/UniForge3D github.com/xibushu/UniForge3D #scenereconstruction #imageto3d MAX

Стало уже общим местом напоминать при релизе новых моделей, что публикуемые бенчмарки хороши, как показатель динамики, но это малоприменимо к конкретным задачам, которые встречаются даже в разработке проектов. Ну, вот вам подтверждение — Mercor опубликовала Benchmark Map, карту того, насколько AI-бенчмарки покрывают работу в экономике США. За основу взята классификация O*NET Министерства труда: 923 профессии в 22 семействах и 18 797 задач. Из 29 публичных агентных бенчмарков LLM-судья сопоставил промпты с задачами. Задача считается покрытой, если ей соответствуют хотя бы 5 промптов. По этому критерию хотя бы одна покрытая задача есть только у 208 профессий, в 6 семействах таких профессий нет совсем, а около 90% рабочего времени американцев приходится на задачи со слабым покрытием или без него. Задачи, подверженные автоматизации через AI, представлены в бенчмарках примерно в 6 раз чаще остальных, самые важные для профессии — в 6–10 раз. Перекос виден и по фонду оплаты труда: например, задачи юристов покрыты плотно, а задачи судебных секретарей почти не покрыты. В общем, было бы логично после составления такой карты идти и составлять новые бенчмарки, хотя это и выглядит самовозобновляющимся процессом. Так что и к новым бенчмаркам относитесь сдержанно. https://www.mercor.com/research/labor-index/benchmark-map/