ИИ

Вот он, настоящий киберпанк Мы тут радостно смотрели, как робаты прыгают сальтухи или разбирают посудомойку. И гоготали, когда они падали на сцене или сходили с ума. Ибо кожаные их так научили. Теперь все наоборот. ИИ говорит кожаному, что делать, и кожаный послушно делает: играет на пианино(хотя не умеет), рисует прямые линии (хотя криворукий по жизни), играет в камень-ножницы-бумага как ему говорит электрический сигнал (дилеры в казино - тема). Короче, теперь кожаный превращается в робата, а его мышцы в приводы. Используется Electrical Muscle Stimulation, EMS - электрическая стимуляция мышц. Как работает этот Human Operator: Камера на голове видит сцену от первого лица. Пользователь произносит команду, например: «Помоги сыграть мелодию». Изображение и команда отправляются в ИИ через Claude API. Модель выбирает последовательность доступных движений: указательный палец, средний палец, большой палец, движение запястья и так далее. Компьютер превращает план в команды с временными метками. Arduino и плата реле подключают нужный канал EMS. Электроды стимулируют соответствующую мышцу, и палец нажимает клавишу. И это не MIT как взвизгивает твиттор, а прототип, созданный командой из всего шести участников на 48(!)-часовом хакатоне MIT Hard Mode 2026. Он победил в категории Learn Track. А дальше мы с вами представляем костюм Айрон Мена, когда вся поверхность отдана под управление. Шутки про nsfw - отставить! Короче, кожаные тренируют робатов, а ИИ - кожаных. Ну и правда, зачем 7 лет ходить в музыкалку - надел перчатки и ну лабать на свадьбах и похоронах! https://humanoperator.org/ @cgevent

Что-то в последнее время я всё чаще вижу статьи о том, что нейронки вообще-то должны были помогать человечеству, а на деле загоняют нас куда-то не туда. Типа мы должны были работать меньше — а работаем больше. Должны были деливерить быстрее — а по ощущениям скорость всё та же. 🤔 И у меня, честно, двоякие мысли по этому поводу. С одной стороны, я действительно на себе ощущаю эту штуку, когда у тебя есть целая армия агентов, и ты вместо того, чтобы работать меньше, начинаешь работать больше. Потому что это очень сильно затягивает. 🤷‍♂️ Ты видишь эту скорость и такой: — О, я могу ещё вот это реализовать — А ещё вот эту задачу закрыть — А у меня же был проект, который я забросил, потому что не было времени. Сейчас можно и его сделать И ты попадаешь в петлю бесконечной работы. 😩 Потому что скучную, рутинную, неинтересную часть теперь может сделать кто-то другой. А ты как визионер просто говоришь: идём вот в этом направлении. И получается парадокс: работать мы стали больше. 🤔 С другой стороны, я вроде как НЕ вижу какого-то сильного увеличения скорости закрытия задач. На работе я всё так же укладываюсь в оценку, которую ставлю на задачи. И оцениваю я их примерно так же, как и до LLM-эры. Но потом я немного посмотрел на это ретроспективно. Пооткрывал старые задачи, вспомнил, как это было раньше, и понял, что это ощущение, скорее всего, ложное. Оно появляется из-за того, что пока агент выполняет задачу, я могу отвлечься и сделать параллельно что-то ещё. 😅 Из-за этого время выполнения как будто растягивается. И ты такой: «Ну, быстрее вроде не стало». А на самом деле стало. Например, создание какого-то нового экрана в приложении раньше у меня могло занимать до недели. Сейчас я могу сделать экран меньше чем за день. 🤯 Просто потому что нейронка напишет большую часть рутинного кода, и мне не нужно будет тратить на это время. 🤷‍♂️ То есть, с одной стороны, ускорение есть. С другой стороны, из-за того, что тратится время на генерацию, ты отвлекаешься. И все ускорение нивелируется тем, что ты начинаешь размазывать фокус. 🤔 Получается странная штука. Технология вроде крутая, она правда ускоряет, она правда помогает. Но либо мы ещё не научились пользоваться ей так, чтобы она была нам не во вред а в пользу, либо это как со сладким: вроде вкусно и полезно, но если много съесть — то вредно. 😅 Какие-то такие мысли. Вывода у меня нет, просто делюсь горячими мыслями. Если у вас есть свои наблюдения — давайте в комментариях пообсуждаем. Помогают нейронки или делают только хуже? Свята место | 10МДК | ВЕБМастер | YHub

Наверное, как и многие, я выбрала все лимиты fable 5 внутри подписки ещё ко вторнику. Чтобы ни один «бесплатный» токен не пропал. Смешно, но у меня было даже лёгкое разочарование: fable в подписке продлили, а ресет лимитов не сделали. Модель так хороша, что апгрейднула подписку снова до 200€, потом ещё докупила extra usage credits, лишь бы закрыть задачу. Но 20€ улетают за пару запросов. Теперь жду 14:00 завтра, чтобы снова активно загружать fable и выбрать все возможное до 12 числа. А сегодня ждём gpt 5.6, главного конкурента fable 5. Поэтому все утро я занимаюсь чем? Да чем угодно, но немного и планированием задач на выходные. Попробую продолжить концепцию building in public. Буду рассказывать, над чем работаю. omnu.ai: – Лендинг: карточки с рецептами – Маркетинг: google keywords, google ads, instagram, tiktok, youtube – доработка генерации с учётом имеющихся ингредиентов, оборудования и замен – Библиотека рецептов от omnu – Библиотека кофейных профилей + поиск поставщиков по локации – Возможность добавить свою посуду или работать с выбранными брендами Сайд-проекты: puzzle app landing, wishlist app, matie (context app), nicelook (themed photoshoots), calima app, content stream app, mediastream app, storybook, waiter app Посмотрим, сколько из этого будет сделано к понедельнику. Ведь у меня выходные - самые загруженные дни, ведь в садике выходные. @wealldesigners

👀 Fable 5 vs GPT-5.6-Sol - "мудрая сова" против "ротвейлера" Питер Гостев (AI Capability в Arena.ai) выдал лучшее сравнение двух фронтовых моделей, которое я видел. Метафора такая: Fable 5 - "wise owl" - Фундаментально умнее: даже на низком reasoning выдаёт инсайты - Пишет ясно и убедительно - UI с нуля строит красивее, флоу приложения изящнее - Но высокомерная: просил сделать бенчмарк - вернулась через 40 минут с "вайб-слопом" и сама себе поставила 100% - Часто упускает ключевые детали - "никогда не можешь расслабиться" - Заметно медленнее и жрёт больше токенов GPT-5.6-Sol - "rottweiler" - Схватит задачу за горло и не отпустит пока не сделает - Дашь список из 8 пунктов - будешь уверен что всё выполнено - Тот же бенчмарк делала 6 часов, но в итоге рабочий и протестированный - Надёжность: "почти никогда не случается" что что-то упущено - Computer use - реально рабочий, монтаж видео из 1ч footage делает 5мин хайлайты - Субагенты и долгие задачи через /goal - можно гонять днями - Следует существующим паттернам кода - без просьбы делает в стиле проекта - Сильно экономнее токенов и быстрее чем 5.5, в реальности быстрее Fable тоже Идеальный воркфлоу по Питеру: архитектура с Fable - реализация с 5.6 - снова с Fable. Как вам сравнение? 🗿 @how2ai |

📖Фундаментальный гайд по сборке ИИ-агентов Голая языковая модель - это просто генератор текста. Чтобы она начала выполнять задачи автономно, нужна инфраструктура. На GitHub выложили подробное руководство по созданию таких обвязок с нуля. 🔍Внутри разобрана вся техническая механика. Авторы пошагово показывают, как прикрутить к LLM долгосрочную память, настроить динамическую сборку контекста, подключить выполнение внешних инструментов и жестко задать границы безопасности. Отдельно препарируется логика работы в изолированных песочницах и оркестрация мультиагентных систем. Материал построен на практике и подкреплен готовым кодом. Для понимания рынка авторы напрямую сравнивают подходы к архитектуре в популярных инструментах: Cursor, Aider и Claude Code. Руководство полностью открытое. Если планируете собирать рабочие системы, а не просто перекидываться текстовыми промптами в чате - забирайте репозиторий по этой ссылке. 🦔 CyberYozh

Подборка методов улучшения LLM На этот раз собрали несколько статей на тему обучения и инференса LLM. Ожидаемо, эта область на ICML 2026 — самая популярная и обсуждаемая. Rethinking the Trust Region in LLM Reinforcement Learning Сингапурские учёные рассматривают проблему нестабильности GRPO-like-алгоритмов. Авторы связывают её с асимметричностью применяемого клиппинга относительно абсолютного значения правдоподобия сгенерированной траектории. Разброс значений IS (очень шумной оценки trust region в PPO) снижается с ростом вероятности, вследствие чего клиппинг чаще срабатывает на высокоэнтропийных генерациях. Эту проблему уже частично лечили в DAPO, повышая правую границу клиппинга. Здесь же предлагают перейти к более точным оценкам trust region: через KL-отклонение по полному словарю, по top-K или через альтернативную, но более подходящую односемпловую оценку. В экспериментах показывают более стабильное обучение. Кроме того, в статье много аблейшнов и интересных выводов. Don't Force the Fit: Bounded Log-Likelihood Loss for Enhanced Reasoning in Large Language Models Очный доклад о модификации SFT-лосса для обучения на ризонинг-задачах. Предлагают перейти от классической кросс-энтропии L = - log p к ограниченной в нуле: L = log (2 - p). На высоковероятных токенах градиент нового лосса приближается к классическому CE, а вот на низковероятных — не улетает в бесконечность, а ограничен небольшим значением. Мотивация такого подхода в том, что в ризонинг-цепочках есть множество высокоэнтропийных токенов, которые отвечают скорее за «стиль» рассуждения, но не влияют на его качество. При этом они отбирают значимую часть обучения, не давая как следует обучиться действительно важным токенам. Приросты на графиках выглядят неправдоподобно большими. Sparser Block-Sparse Attention via Token Permutation Ресёрчеры решают проблему long-context-префилла: full attention дорогой, а обычный block-sparse attention не всегда хорошо работает, потому что важные key-токены размазаны по разным блокам. Идея PBS-Attn: перед block-sparse attention переставить K/V-токены так, чтобы важные токены оказались рядом. Аттеншн не меняется при одинаковой перестановке K/V, зато sparse-блоки становятся более плотными и полезными. Из-за каузальной маски нельзя перемешивать всё подряд, поэтому авторы делают перестановку внутри сегментов. Это сохраняет авторегрессивность, но всё ещё позволяет «дефрагментировать» матрицу аттеншна. Плюс в том, что это не новая архитектура. Можно взять предобученную модель, добавить permutation и block-sparse-кернел и ускорить long-context-инференс. На LongBench качество почти такое же, как у full attention, и лучше, чем у других бейзлайнов. По скорости заявляют до 2,75× ускорения на long-context-префилле. Critique-GRPO: Advancing LLM Reasoning with Natural Language and Numerical Feedback Ещё один подход к тому, как делать критику в GRPO. На сложных бенчах обучение в какой-то момент начинает стагнировать. Авторы предлагают добавить reward-модель, которая будет писать критику ответа актора. Затем эта критика подаётся модели вместе со старым ответом, и модель пишет ответ лучше. После этого даунсемплят такие аугментированные примеры и конкатят их с обычными. На сете семплов с критикой модель учат сразу на улучшенный ответ — без промежуточной критики и первого ответа, как будто это изначально была такая генерация. На математических и научных бенчах (AIME, MATH, GPQA) получают приросты от 7 до 12 пунктов. Спросил автора, как бы он внедрял это в агентный RL. Он сказал, что, по его мнению, у модели должна быть тула «покритикуй мою текущую траекторию». Интересный подход. Личное мнение: непонятно, насколько вообще критика в RL полезна. Как будто правильнее решать проблемы, которые она пытается закрыть, другими способами. Увидели интересное ❣ Алексей Зотов, Влад Тыцкий и Тимофей Смирнов #YaICML2026 Душный NLP

В ИИ-камере Яндекса появились новые возможности Владельцы умных IP-камер Яндекса теперь могут спрашивать Алису о событиях и объектах в кадре. Например, она подскажет, есть ли кто-то у входной двери, открыты ли ворота во дворе и как ухаживать за новым растением. Задать вопрос можно через Яндекс Станцию, ТВ Станцию, наушники Яндекс Дропс или в чате с Алисой AI. Пользователи, у которых есть подписка «Экстра» или «Стандарт» могут задавать неограниченное число запросов, без подписки — до 20 запросов в месяц. Среди других новых возможностей ИИ-камеры — автоматическое включение записи при определенных условиях, смена положения камеры голосом и поиск видео в архиве по запросу своими словами.