ИИ

🧰 281 AI-инструмент для разработчика - с описаниями на русском Awesome AI DevTools RU - каталог для тех, кто хочет разобраться, что подключить к своей работе: от помощника в редакторе до агентов, тестирования и локальных моделей. Что внутри: • AI-IDE и терминальные агенты - Cursor, Claude Code, Codex, Cline, Aider и другие. • Код-ревью, тестирование и безопасность. • MCP, навыки, управление контекстом и оркестрация агентов. • Локальные модели, LLMOps и контроль расходов. • Отдельный раздел с российскими сервисами. У инструментов есть метки: открытый код, бесплатный тариф, локальные модели, свой API-ключ и поддержка MCP. Помимо каталога - сравнительные таблицы, схемы выбора и готовые стеки под разные задачи. А ещё четыре урока: как выбрать инструмент, запустить модели локально, настроить MCP и разобраться в устройстве кодирующих агентов. Полезная закладка, когда хочется собрать рабочее окружение с ИИ, а не устанавливать всё подряд. 💻 https://github.com/justxor/awesome-ai-devtools-ru

Альтман предложил три способа спасти мир от опасного ИИ — один из них лишит конкурентов видеокарт Сэм Альтман предложил три способа сделать ИИ безопаснее: создать аналог МАГАТЭ, объединить разработчиков по модели CERN или позволить первой компании с «сильным ИИ» перекрыть конкурентам доступ к GPU. Сам он больше склоняется к международному надзорному органу с независимыми проверками моделей. Третий вариант Альтман назвал ужасным, а сотрудники OpenAI заподозрили, что он может быть направлен против Anthropic. Тем временем OpenAI, Anthropic и Google обсуждают общий орган, который будет следить за безопасностью ИИ и стандартами отчётности. #openai #сэмальтман #ии #информационнаябезопасность 📎Подробнее 🔖 3DNews в TG | MAX | VK

Встречайте — Сиолошная Каждый День Новости про ИИ я читаю каждый день, но не каждый день я могу ими делиться тут в канале. Каждый пост требует вдумчивого чтения, проверки, в идеале объяснение и/или предоставления контекста, а времени на это не всегда хватает. Какие-то новости (чаще скрины твитов) я скидываю к нам в чат, но в потоке обсуждений и комментариев что-то теряется. Скидывать ссылки/картинки и писать «ну э смотрите» или «прикольное» — не формат этого канала. Поэтому решил сделать простой канал, куда буду спамить что-то, чем можно было бы поделиться или что можно обсудить, но без детального объяснения и мыслей. Посмотрим как пойдет, может надоест и перестану делиться там, вернусь в чат🤷‍♂️ @seeallochnaya_kazhdi_den — внутри вас уже ждёт три (ТРИ!) поста про DeepSeek

У нас тут после матокалипсиса в чате продолжают хоронить человечество, поэтому сегодня пост про проблему подробнее. Человечество прям сейчас столкнулось с неожиданной проблемой. Думали, что если ИИ возьмёт на себя всю рутину — например, рисовать картинки, писать литературу, снимать фильмы и кодить — люди с радостью станут курьерами, грузчиками и менеджерами ИИ. Может, даже, каждый будет вести блог. Уже видно, что утопия немного не сбылась ) Главная проблема в том, что ИИ уничтожает интеллектуальное сообщество. У нас тут эссе про это (мысленный эксперимент, не численная научная работа), разбираем. — Сначала там мрачно: профессиональное общество деградировало. Специалисты перестали обсуждать фундаментальные вещи: все разговоры свелись к тому, как правильно писать промпты. Люди не учатся глубоко и систематически мыслить, потому что машины теперь думают за нас. — Что ещё страшнее, исчез смысл вносить вклад в общее дело. Зачем писать обучающую статью со сложным решением проблемы? Её никто не прочитает — ну, кроме ИИ. А он сожрёт и выдаст ваше решение другому человеку, даже не упомянув вас. У спеца остается только личный сад, но больше не надо идти на рынок, чтобы обмениваться идеями с другими людьми. Зрители пропали. — Та же математика — это нифига не гении-одиночки. Там нужна общая база знаний и мотивация. Мотивация бывает внутренней (потому что самому интересно) и внешней (чтобы принести пользу другим, получить признание, славу или уважение коллег). Внутренняя мотивация — просто эмоция, а эмоции быстро угасают. Нужна ещё внешняя мотивация — зрители, сообщество, тщеславие. Вы публикуете работу, кто-то опирается на неё, цитирует вас, благодарит — это подтверждает, что вы делаете что-то полезное, и дает силы работать дальше. Любому человеку нужно, чтобы его труд был кому-то нужен. — Сейчас есть области, где ИИ лучше людей. Уже точно лучше доказывает теоремы, местами лучше пишет научные статьи и учебники (привет, эксперимент Гарварда), и вклад человека становится излишним. Нет смысла писать книгу, если нейросеть напишет её лучше. В целом — проблему подняли правильную, но почему-то экстраполируют общество линейно. Во-первых, ещё долго верхние проценты специалистов любой профессии будут вытеснять всех остальных, усиливая себя через ИИ. Во-вторых, мы, земляне, можем создавать новые типы сообществ и искать другую мотивацию. Тем не менее, пара научных работ в поддержку есть. Вот препринт про то, что ИИ делает с опенсорсом. Софт пишут маленькие команды, выкладывают свой труд бесплатно, получают взамен репутацию, внимание к себе, предложения о работе, контракты на консультации и иногда пожертвования. ИИ-агенты всего этого не делают и вообще бездушные ублюдки. В краткосрочной перспективе все в выигрыше. Поначалу качество и количество софта растут. В долгосрочной перспективе — коллапс. Порог качества для публикации возрастет, разнообразие программ сократится, а качество кода упадёт. Люди будут получать меньше пользы от экосистемы. Предлагают заставить ИИ донатить при поиске и славить создателей своей обучающей выборки. Тут прикол — если дать человеку ИИ, а потом отобрать, у него люто падает мотивация и растёт скука. В процессе ещё выяснилось, что если человек работает с ИИ постоянно, депривации нет, но скука всё равно медленно растет. ИИ делает учёных успешнее, а науку — однообразнее. Если ученый начинает использовать нейросети в своей работе, он становится супергероем: пишет в 3 раза больше, на него ссылаются в 5 раз чаще, становится начальником лаборатории на полтора года быстрее остальных. Но! Из-за того, что учёные с ИИ перестают лезть в неизведанные дебри (где данных пока нет, и их ещё надо получать) и толпой идут изучать то, что уже и так хорошо изучено — потому что там как раз легко применять ИИ — разнообразие тем падает на 5%. Учёные на 22% реже спорят друг с другом и вообще разговаривают. Тут про коллапс знаний: — ИИ выдает усреднённые ответы. — Люди становятся ленивыми. Зачем читать три разные книги или проводить исследование, если ИИ выдаст ответ за 2 секунды? — Человечество перестанёт генерировать уникальные идеи. ИИ будет выдавать усредненные ответы, люди будут их читать, потом ИИ будет заново обучаться на этих же усредненных ответах. — Если сделать доступ к ИИ-ответам всего на 20% проще/дешевле, чем самостоятельный поиск информации, люди начинают верить в вещи, которые в 2,3 раза дальше от реальной истины. Самое главное — БЕЗ ПАНИКИ! -- Вступайте в ряды Фурье! | Лучшие посты Масло сливочное, 72%. Скоро загрузится!

Ming-3.0-audio Понимание аудио напрямую, без текста посередине • Нна выход текст или голос • Две версии: flash на 126 млрд с 6,5 активными и tiny на 9,3 млрд с 2,7 активными • Распознавание речи в шуме, с диалектами и акцентами, для нескольких говорящих • Ответы на вопросы по содержимому аудио, рассуждения над звуком • Понимает длинные записи, речь, шумы, музыку, обстановку • Голосовой ответ с клонированием по референсу • Основные языки - китайский и английский • tiny живет на одной видеокарте • У flash контекст на 128 тысяч токенов, нужны восемь H800 • Лицензия MIT • Поднимается через vLLM-Omni и SGLang, OpenAI-совместимые эндпоинты huggingface.co/inclusionAI/Ming-3.0-audio-flash huggingface.co/inclusionAI/Ming-3.0-audio-tiny github.com/inclusionAI/Ming-3.0-audio-flash #alm #stt #tts #voicecloning MAX

🔬 ИИ на 27 млрд параметров предлагает научные гипотезы, которые совпадают с последующими исследованиями чаще, чем у GPT-6 и Claude Opus 5. Авторы DiscoveryRSI сравнили гипотезы моделей с работами, опубликованными после даты отсечения обучающих данных. Доля совпадений: • DiscoveryRSI-27B — 6,3% • GPT-6 — 2,5% • Claude Opus 5 — 2,3%. Система развивает гипотезы, собирает доказательства, предлагает способы проверки и использует результаты предыдущих попыток, чтобы улучшать следующие. У каждой идеи должны быть план исследования, критерии проверки и альтернативные объяснения. Совпадение с публикацией ещё не означает доказанное открытие. Но это интересная проверка того, способен ли ИИ предлагать направления, к которым позже приходят исследователи. Модель и код доступны: 📄 https://arxiv.org/abs/2610.23839 💻 https://github.com/Gen-Verse/DiscoveryRSI 🔴 https://foundry-arena.rsi-arena.workers.dev/arena

История двух проектов или как вайб-кодинг хороший код подсматривал Последнюю пару недель я кодил как не в себя. Причем вел одновременно два противоположных по духу разработки проекта. Один - честный agentic harness coding, второй - полный vibe coding. И сегодня выяснилось, что второй позаимствовал много из первого. Первый - платформа с материалами по AI Native разработке. С контролем качества, исполняемыми спеками, придирками к качеству кода и вылизыванию интерфейсов - ею не только будут пользоваться люди, но я и планирую показывать исходный код на видео сессиях. Выкатили, люди используют. Второй - виртуальная машина с версионированием для совместной работы агентов. Я дописывал ее прямо на бегу во время конференции и в код не заглядывал ни разу. Имело значение только то, что архитектура внятная, она держит нагрузки и работает как надо. Это тот самый проект, где Fable 5.1 сказал “такое успеть невозможно”, а Astra сказала “теоретически можно успеть, если урезать весь функционал”. Успели и провели. 20 сотрудничающих агентов, 700 изменений виртуальной машины, только один побег из песочницы (агент залез в историю изменений машины глубже, чем ему полагалось) А сегодня я заглянул в код, чтобы разобраться как все это работает, и как это масштабировать. Я был готов к ужасу вайб-кодинга и каше из файлов (ибо там под капотом 4 разных рантайма, не считая Web UI), а увидел нормальный проект. Даже скучный (скину скриншот папки в комментарии) Когда я начал пытать историю Codex-a на тему - “а почему оно такое аккуратное?”, то всплыло три факта: (1) Этот проект был результатом очередного эксперимента, где код переписывался с нуля. К тому времени мне надоело заводить проекты в Codex на каждый эксперимент, и я просто запускал их из одного control centre (это папка на диске с локальными ссылками на другие проекты и глобальными инструкциями). (2) Идеи и код таскались между проектами под влиянием инструкции piecemeal growth, или того, что от нее осталось: “Add abstractions, concurrency and configuration only when a present requirement needs them.” В процессе ненужное отваливалось, а нужное кристаллизовалось. (3) Codex при перетаскивании подсматривал и в другие проекты, в том числе и вылизанный код платформы. Натащил оттуда те идеи, которые соответствовали духу piecemeal growth В общем, получился интересный вывод. Результаты яростного вайб-кодинга становятся лучше, если агент может брать пример с хорошо организованных проектов на диске. Хороший код - иногда работает лучше в качестве инструкций, нежели куча нагенерированного слопа в markdown. Теперь уже не так жалко времени, которое я потратил на вылизывание кода платформы. Ваш, @llm_under_hood 🤗

Forward Deployed PM: почему за ними охотятся AI-гиганты Не успели мы привыкнуть к новой роли Product Builder, как на горизонте замаячила новая волна интереса к роли Forward Deployed Product Manager (FDPM). Разбираю, что это такое. 1. Кто такой FDPM и чем он занимается? Обычный PM сидит в офисе своей компании и отвечает за продукт вообще. FDPM десантируется прямо на сторону клиента. Он погружается в реальный операционный хаос заказчика, сидит с его сотрудниками, разбирает их инфраструктуру и отвечает за бизнес-результат конкретного аккаунта. Посадить продуктовика с ценником FDPM внутрь клиента - дорогой шаг, поэтому FDPM отправляют только в два типа аккаунтов: 1. Tier-1 Enterprise (High-LTV): клиенты с чеком $500k – $1M+ ARR, уход которых критичен для бизнеса. 2. Бета-проходцы новых AI-продуктов: когда запускается сложная модель или интеграция, а рынок еще не понимает, как внедрять софт по стандартным инструкциям. Для малого и среднего бизнеса эта модель не применяется, там работают стандартный Self-Serve и отдел CSM. 2. Что по зарплате и вакансиям * Динамика роста: на платформе The Bench число вакансий с формулировкой Forward Deployed выросло с 1 открытой позиции в январе до 170 активных ролей в 98 компаниях к концу июля. * Кто и где нанимает: основной спрос сосредоточен в США (Bay Area, Нью-Йорк, Вашингтон), Великобритании (Лондон) и европейских хабах вроде Берлина и Амстердама. Нанимают Scale AI, Salesforce, Adobe, Accenture, Cresta и Palantir. * Зарплаты: вилка базового оклада для FDPM в США варьируется от $180,000 до $250,000+ (в Scale AI на Public Sector вилка доходит до $345,000). 3. Примеры открытых вакансий Посмотреть на требования и задачи этой роли на рынке можно на листингах: Tribe AI - Forward Deployed Product Manager : транслировать сложнейшие задачи клиентов в готовые продуктовые AI-решения и вести внедрение вместе с продуктовой командой. Sela AI - Forward Deployed Product Manager: отвечать за внедрение AI-агентов под ключ, пересобирая их под то, как реально работают банковские процессы у клиентов. CruxOCM - Forward Deployed Product Manager: работать с техническими лидами заказчика, использовать AI-инструменты для прототипирования и переводить спецификацию конкретного завода в фичи бэклога. Causal Labs - Forward Deployed Product Manager: вести ключевые запускные проекты для требовательных enterprise-клиентов и замыкать кастомные решения на ядро системы. 4. Окей, открываю позицию FDPM. Как нам не скатиться в заказную разработку? Главный риск для FDPM - уйти в бесконечное пиление кастома под одного громкого заказчика. Чтобы защитить ядро платформы, используют правило триангуляции: 1. Быстрый костыль: решаем проблему конкретного клиента локальным кодом или скриптом прямо сейчас. 2. Валидация: ищем, повторяется ли эта проблема у других 3–5 клиентов платформы. 3. Экстракция в Core: если боль системная, фича уходит в бэклог основной платформы. Если она нужна только одному заказчику, то остается локальным костылем на его стороне. Источник: https://www.mindtheproduct.com/what-is-a-forward-deployed-product-manager-anyway/ @productgames

Cloudflare выпустила превью Clairic — это модель fact-extraction, с обещанием вскоре открыть веса. Модель относит себя к классу System One, который месяц назад ввела TypeSafe с моделью Jev, но в отличие от Jev и собственной decision модели Cloudflare Clef выдаёт не вероятности по списку вариантов, а типизированные значения: текстовые спаны с позициями символов, числа, даты, длительности, списки, оценки в виде распределения с 80-процентным интервалом и прогнозы ряда по шагам. Ответ формируется за один прямой проход без генерации токенов, оплата только за вход, типичная задержка меньше секунды. Сама идея модели прекрасна — сплошь и рядом использование LLM для задач "извлеки такие-то данные и верни JSON" выглядит излишеством, да еще и медленным, и приходится конструировать цепочку из NER, скриптами и вызовами LLM, что тоже не очень быстро и надежно. Правда, измерить качество работы пока не с чем — сравнение с LLM заведомо выигрышно для новой модели. Будет интересно посмотреть на веса и требования к локальному запуску — возможно, модель вполне подойдет для запуска на мощном ноутбуке или карте уровня RTX4090, хотя runtime придется собирать нетиповой. https://blog.cloudflare.com/clairic-extraction-model/