ИИ

Ни дня без ИИ-читеров (на этот раз - в очках) В Южной Корее скандал с умными очками. В мае там спалили двух человек на TOEIC (это глобальный экзамен по английскому, вроде TOEFL или IELTS) - оба решали в ИИ-очках. Им обнулили результаты, отлучили от пересдач на 4 года и скорее всего надавали по жёппе. На этой теме решил хайпануть местный техноблогер. Он нацепил очки Rokid и на камеру прогнал пробный вариант "корейского ЕГЭ" по математике. Он использовал облегчённую бесплатную ИИ-модель, но всё равно набрал 96% - балл, с которым легко можно подаваться в топ-вузы. Сотню не набрал, потому что на одной задачке глюкнуло распознавание текста. Корейский Минобр прифигел от такого расклада и разослал школам методичку "Как ловить очкастых читеров". И знаете, никаких умных сканеров и продвинутой детекции там нет. Единственное, что работает - это строгая училка, которая смотрит, не слишком ли толстая у очков дужка, и как часто ученик стучит пальчиком по оправе. Кстати, тех двух читеров тоже спалили на толщине дужки и странных жестах. И это логично. Половина класса носит очки по зрению - все не запретишь. Так что, весь антифрод 80 левела свёлся к простой советской внимательности бабушки-вахтёрши. И вот в чём главный прикол этой истории. Технологическая угроза настолько превзошла технологическую защиту, что вся верификации откатилась на сто лет назад, к своим истокам. Ищут не саму технолоджию, а человеческие странности, которые её выдают. Помните, я писал про стартап Cluely, который делает ИИ-копайлот помогает читерить на любых видеозвонках. Их подсказки хитро рендерятся и просто не попадают в поток видео при шеринге экрана. Детект-компании физически не могут их отследить, из-за чего приходится переключаться на трекинг задержки глаз и прочие "кожаные паттерны". Такая же фигня и с железом. У меня был пост про дубайский стартап Xpanceo. Он делает ИИ-линзу, которая вставляется прямо в глаз. Так вот, пока что их линза работает в паре с внешней приблудой, которую хорошо видно. Но они (и другие стартапы тоже) выкатывают новые прототипы, и тренд везде один: миниатюризация вплоть до полной автономности. Получается, рано или поздно мы окажемся в точке, когда ИИ-ассистент будет сидеть в глазу (или вообще в нейрочипе), и хрен его спалишь стандартными методами. Отслеживать толщину оправы и стук пальцев по дужке не получится - потому что никакой дужки не будет. И вот тут должна возникнуть новая ниша - выявлять читерство, которого не видно. Не знаю, как именно это будут делать, но вангую, что так или иначе будут привязываться к нашему людскому поведению. Потому что можно миниатюризировать, обесшовить и "подделать" что угодно, но его - точно нет. Дизраптор

ИИ должен был помочь людям выполнять их работу лучше, а вместо этого приводит к усталости и выгоранию.

Очень хорошо прочувствовал эту проблему на себе. Работаю с ИИ каждый день: формирую пул заданий, загоняю в оркестратор (это моя агентная система), через несколько часов проверяю сделанное, собираю список правок, снова запускаю агентную систему - и так по кругу. Проблема в том, что циклов исправления очень много. Причем это не моя личная проблема, появился даже новый термин - "ботситтинг" - это когда человек "нянчится" с LLM, чтобы получить результат. По статистике, на такие проверки и исправления у сотрудников уходит в среднем 6.4 часа в неделю, то есть почти целый рабочий день. Ситуация усугубляется тем, что сначала кажется, будто человек делает меньшую часть работы - просто правит результат ИИ, а потом ждет. Но на самом деле цикл довольно плотный, а сам момент "принятия решения" сильно выматывает психологически (делать рутинный код на порядок проще, чем быстро анализировать, находить проблемы, указывать, что нужно переделать). Если посмотреть на историю коммитов, кажется, что проект растет, но если смотреть на качество - значительная часть кода - это сплошные исправления. Причем я не могу назвать это "рефакторингом". Рефакторинг - это улучшение структуры без изменения функциональности. В моем случае каждое исправление - это изменение поведения, которое ИИ изначально реализовал неправильно. В итоге стал замечать, что устаю от принятия решений. Даже правильнее сказать от "скорости" принятия решений. Выматывает, что нельзя ни в чем быть уверенным, нужно все проверять и перепроверять, либо рискушь скатиться в "ботшитинг". Такое состояние называется "AI brain fry" - это когда нужно принимать бесконечные микро-решения истощают когнитивные ресурсы. В результате падает КПД и возникает разрыв между тем, что я обсуждаю, и тем, что в итоге получаю. Пишут, что ИИ не только не сокращает объем задач, но и делает работу еще более интенсивной и сложной для человека. Можно возразить, что с людьми примерно так же - они ошибаются, переделывают и дорабатывают код. Но есть важнейший нюанс: люди делают это совсем в другом ритме. Машина же никогда не устает ошибаться. В итоге статистика удручающая: 48% разработчиков сообщают о ментальной усталости от работы с ИИ, 44% периодически чувствуют себя измотанными, а 19% уже вышли на уровень постоянного выгорания. При этом компании, уволившие сотрудников в надежде заменить их ИИ, вынуждены нанимать их обратно, так как модели не закрывают весь цикл разработки. Получается, я работаю не с кодом. Я работаю с системой, которая генерирует мне работу. И этой работы становится только больше. А вы говорите "ИИ скоро всех заменит". Сильно сомневаюсь.

перфекционизм съел и целиком расписал затраты на RnD: 🤔⚠️⚠️ Нейро-хрючево 🐷🐖 ### 💳 Детальный биллинг за 2 часа работы инфраструктуры: * Диалог в чате и координация субагентов: * Модель: Gemini 3.5 Flash (основной оркестратор чата и фоновых задач). * Количество обращений: 263 транзакции. * Объем токенов: Input: 11,835,000 | Output: 394,500. * Стоимость: `$1.0060` *(Gemini 3.5 Flash переварила почти 12 млн токенов контекста всего за один доллар!)* * Глубокий синтез отчетов Perplexity: * Модель: Claude 3.5 Sonnet (использовалась точечно только для финального сведения данных). * Количество запусков: 5 раз. * Объем токенов: Input: 75,000 | Output: 12,500. * Стоимость: `$0.4125` * Поисковые исследования в реальном времени: * Модель: Perplexity Search API (глубокий парсинг научных статей и SOTA-бенчмарков 2026 года). * Количество: 25 глубоких запросов. * Стоимость: `$0.1250` * Отрисовка отчетной инфографики высокого разрешения: * Модель: Google Imagen 3 / Stitch (генерация финальных презентационных таблиц без участия дизайнера). * Количество: 8 вариантов изображений. * Стоимость: `$0.2400` --- ### 🏆 ИТОГО: `$1.7835` (за все RnD под ключ) --- ### ❓ Почему мы НЕ использовали модели Tier 0 (Fable 5, GPT-5.5 Pro) для основной работы? Использование супер-флагманов Tier 0 (`claude-fable-5`, gpt-5.5-pro или `gpt-5.6-sol`) для рутинной координации — это классический anti-pattern (сверхизбыточность

Всем Капуки! ❤️ Сыну нравится нейрослоп мультики про котика 😻кефира. Они безобидные, добрые, сценарии хорошие и анимация котенка тоже годная. На сколько там фронтмэн девушка живая и сама снимает или там уже прям оцифровали ее аватар - хз. Но делаю MVP контент-завода для сына кастомного, с кастомными персонажами из его игрушек / рисунков и друзей со двора. Архитектура/blueprint готовы. Пробую в spare time через фрактальный MAS реализовать и тестить. PDF сказки / рисунки с игрушками и фотками уже есть. 2D Игры с машинками / людьми которые через OpenAI говорят разные фразы/диалогы - есть. Озвучка животных и рандомная генерация карты в стиле GTA1-2 есть. Физика машинки и столкновений с рандомными эффектами звуковики и жалобы людей - есть. Пора переходить в КАПУКИ like контент и адаптивные/эволюционные игры детские под настроение / запрос и взаимодействие через мигрофон. Детский контент самый нетребовательный. + отдельно можно по лучшим практикам обучения домашнего - генерить книги / упражнения / видео / игры / приложения и тд и тп. Отправил думать

Seedream 5.0 Pro vs Gpt-Image-2 Там где белая машинка покрупнее - это Сидримский. Выглядит все это красиво у обеих моделей. И также бессмысленно технически. A technical drawing of a futuristic sports car in blueprint style. Include line drawings of the sports car from the front, side, and rear views, exploded parts sketches, parts assembly diagrams, and structural diagrams of disassembled components. Use abundant lines and measurement values to indicate the dimensions of each part, with grayscale tones expressing the overall sketch relationship. In addition to the main design, also show scattered thumbnails from different angles. @cgevent

Прообраз Agentic LLM Бенчмарка Задачи туда я добавляю на основе анализа работы и ошибок топовых архитектур агентов из BitGN. Бенчмарк отвечает на вопрос - а в какую сторону изменятся качество, стоимость и скорость работы моего агента, если я возьму топовую архитектуру и пересажу ее на другую LLM? Задач пока загружено ~50% от минимально необходимого набора. Колонки и категории появятся потом, но уже есть оценка времени (берется медианное время) и стоимости. Если у модели есть значок молнии, значит она запускалась у компании с AI Акселератором (Groq или Cerebras). Какие нынче еще есть топовые модели, которые вы реально используете в продуктовых решениях в своих компаниях по API? Ваш, @llm_under_hood 🤗

ИИ может незаметно влиять на общественное мнение через редактирование постов в соцсетях Исследователи Оксфордского интернет-института (OII) и Института Хассо Платтнера выяснили, что ИИ-инструменты в социальных сетях могут систематически вносить скрытые предубеждения в сообщения пользователей. В ходе эксперимента модели редактировали публикации на спорные темы и демонстрировали устойчивые тенденции: например, чаще смещали тексты в поддержку контроля над оружием и феминизма, но против атеизма и смертной казни. Симуляции показали, что такие «скрытые» правки способны постепенно влиять на общественные настроения. https://hightech.plus/2026/07/08/ii-mozhet-nezametno-vliyat-na-obshestvennoe-mnenie-cherez-redaktirovanie-postov-v-socsetyah