ИИ

https://share.google/aimode/K0sZdbJVBQ0RLMLeV https://share.google/aimode/QsJiCJ5HfUCgrEi3o динамическое сожаление (Dynamic Regret) 🏃‍♂️ Что такое Dynamic Regret и почему ИИ всегда «сожалеет» на ходу? В теории онлайн-обучения (Online Machine Learning) есть метрика, которая идеально описывает жизнь в хаосе — Dynamic Regret (Динамическое сожаление). Представьте, что вы бежите марафон, но правила игры меняются каждую минуту. Лидер гонки постоянно сворачивает в переулки, меняет темп и траекторию. Вы не знаете маршрута заранее и можете только подстраиваться. Dynamic Regret — это суммарное расстояние, на которое вы отстали от лидера за всю дистанцию из-за того, что реагировали с опозданием. В чем разница для ИИ? ❌ Static Regret (Статичное сожаление) — это если бы мы сравнивали ИИ с одной лучшей фиксированной стратегией на все времена. Например, купить акции одной компании и держать их 10 лет. Мир изменился, а мы все еще стоим на своем. ⚡️ Dynamic Regret (Динамическое сожаление) — это сравнение ИИ с идеальным выбором на каждом конкретном шаге задним числом. Это как если бы мы пытались угадать идеальный момент для покупки и продажи абсолютно разных акций каждый день. Зачем это нужно? В реальном мире (будь то алгоритмы беспилотников, финтех или динамическое ценообразование) концепт-дрифт неизбежен. Окружающая среда постоянно мутирует. Задача инженеров — спроектировать ИИ так, чтобы его динамическое «сожаление» росло как можно медленнее, а сам алгоритм успевал за постоянно меняющимся идеалом. #ИИ #MachineLearning #DataScience #Алгоритмы

Почему агент делает не то, что вы просили Недавно с учениками мы делали телеграмм-бота с локальной нейросетью. Спецификацию я написал заранее и в прямом эфире отдал её двум агентам: Antigravity с Gemini Flash и OpenCode с GLM. Antigravity справился за 2 минуты. Лимиты почти не потратил, субагентов не запускал, тесты не написал. Запускаю npm run dev - и всё падает на импорте. Ещё и файлы он правил через git-команды. Я, когда первый раз увидел, прям офигел: "алло, братан, а что это такое?" 😁 Он ответил, что так легче всё трекать. OpenCode пошёл долгим путём. Сначала задал 5 вопросов: 1 агент или 4 этапа, какой test runner, нужны ли моки. Сам предложил тесты. Потратил 45 тысяч токенов и заметно больше времени. Зато с тестами и планом. Спецификация одна и та же, а результат совсем разный. Можно сказать, что Flash просто слабее. Но в другие дни этот же агент у меня отлично работает - когда запускаю его через свой скилл. В этот раз он скилл не подхватил и пошёл делать по-своему.

Так что проблема не в LLM, а в харнесе, который вокруг написан.

Харнес - это всё, что вокруг модели: агент, скиллы, AGENTS.md, правила, то, как он проверяет свою работу. И это не единичный случай. Когда я разбирал домашки потока, около 40 работ, размер спецификации почти не влиял на результат. Влияли модель и агент. С Claude Opus люди в среднем справлялись за 1 промпт, с Sonnet - за 3. А самописный оркестратор одного ученика потребовал 31 промпт. Сейчас многие уже работают с агентами: Cursor, Claude Code, OpenCode. И часто жалуются, что агент делает не то, всё приходится переделывать, а токены улетают за день. Обычно в этот момент человек идёт менять модель. Хотя чинить чаще нужно то, что вокруг неё. Что у меня в этой обвязке есть всегда: 1. AGENTS.md в каждом проекте: что делаем, стек, где какие файлы лежат. Чтобы агент не читал весь репозиторий. 2. Скиллы под конкретные задачи. Часто достаточно написать "используй TDD", и современная модель сама знает порядок: сначала тесты, потом код. 3. На больших правках сначала план, и я его утверждаю глазами. Antigravity я, кстати, не выкинул. Для текстов и документов он у меня отличный. — Давайте наберём много 👍, буду чаще разбирать такие кейсы из своей работы #нейросети · yt · tg · ig

На этой неделе были наверно самые крупные инциденты безопасностью за последние лет 10 (PHP, Next.js, Railway). Таких сбоев у сервисов будет только больше. настроил бота в Slack для быстрой проверки: 1. Бот ловит сбой или инцидент у сервиса, от которого я завишу (GitHub, AI, сервера). 2. Отправляет детали в Claude вместе с описанием нашего проекта. 3. За 10 минут прямо в ветке появляется оценка от 1 до 10: что случилось, касается ли это нас и нужно ли что-то срочно делать. На скрине свежий пример: сбой у GitHub. Слово «vulnerability» сразу подняло тревогу, но Claude быстро проверил наш код и настройки и выдал 1 из 10. Нас это не касается, делать ничего не нужно. Вместо того чтобы дергать команду или нервничать на пустом месте, можно подключаться только тогда, когда балл высокий и проблема реальная

#Нейропрожарка Имиджевый ролик для Vinamilk HAYĐẤY Автор: @prismyboy 60-секундный рекламный ролик для напитка HAYĐẤY. Сюжет В основе скайфайная экшн-история про путешествие на Марс. Капитан орбитальной станции сталкивается с метеоритом и теряет орбиту. "Протокол безопасности "HAYĐẤY" помогает ей найти выход из ситуации. Детали проекта Проект сделан на Seedance 2.0 (IMG2VID). Генеративная часть собрана в Higgsfield Canvas. Герои созданы в Cinema Soul. Карты героев, объектов и локаций в GPT Image и Nano Banana. Библиотека проекта и промпт-инжиниринг в Claude. Из скиллов использовались banana-pro-director для IMG и cinema-worldbuilder для VID. Монтаж в Davinci + AE. Кадры генерировались в 720p. Ошибки сценария Не смотря на то, что опыт в AI-видео есть, сценарий все равно приходилось переделывать в процессе (впрочем как и всегда). Когда 10-й раз безуспешно пытаешься добиться от модели какого-либо сложного действия, то, пожалуй, от него пора отказаться. В итоге либо экспериментируешь с необычными решениями и везде сталкиваешься с проблемами "по физике", соглашаясь на то, что будешь менять сценарий по пути (пока тебе это не осточертеет), либо с самого начала делаешь тупой и простой сценарий, который точно не потребует доработок. Правильный ответ, как всегда, где-то посередине, но мы легких путей не ищем... Мультишот-генерации Старался чаще использовать мульти-шот генерации. Сильно дороже, но это самый эффективный способ получить интересные кадры + это сильно быстрее, чем заставлять систему кадр за кадром делать (или продолжать) те движения и композицию, которую ты уже имеешь, мучаясь потом с искажениями геометрии, света и остальной консистентностью. Самым сложным было сохранять какой-никакой ритм и логику, получать правильные эмоции от героя и работать с постоянно меняющимся звуком, не теряя при этом реалистичности. В любом случае из 5-8 шотов мультишот-генерации в работу получалось взять только 1-2 кадра и монтаж в итоге, все равно, собирался по мелким кусочкам, что сильно заметно в ролике. Хрон В процессе работы 50-секундный сценарий раздулся до 75-секундного ролика. В основном из-за самонадеянности сценариста. Сроки и бюджеты На генерации потратил 12 000 рублей. На производство ушло 14 дней. Инструменты

Claude: библия проекта, скиллы Higgsfield Canvas: генерация и сборка Cinema Soul: создание героев GPT Image 2 / Nano Banana: генерация IMG Seedance 2.0: IMG2VID-анимация Davinci / After Effects: монтаж и анимация

В новых проектах видимо буду ЕЩЕ ПОДРОБНЕЕ прорабатывать раскадровку, звук И ВСЕ МЕЛКИЕ ДЕТАЛИ (каждый раз себе это говорю и всегда одно и то же). Смотреть в полном разрешении @cgevent

Сбербанк представил GreenWAM - ИИ-модель, которая одновременно управляет роботом и предсказывает, как изменится окружающая сцена после его действий. Разработку проверили в виртуальных средах и на человекоподобном роботе «Грине». Модель обучена на данных 20 семейств роботов, от двуруких манипуляторов до антропоморфов с кистями. В тесте WorldArena 1.0 GreenWAM заняла второе место среди 128 моделей по сходству прогноза с реальной записью и точнее воспроизвела геометрию сцены, чем модели NVIDIA, Стэнфорда и AgiBot. В управлении роботом модель выступает на уровне лучших мировых разработок: в RoboTwin 2.0 - 67,5% успешных задач против 58,4% у π0.5, в LIBERO-plus - 86,8% без дополнительного обучения. На роботе «Грине» доля успешных задач выросла с 88,9% до 95,6% в знакомых условиях и с 80% до 84% в новых. По сути команда Сбера, единственная в России, кто сегодня разрабатывает собственную систему Physical AI для гуманоидных роботов. ————————— ✔️Подписывайтесь на лучший  канал PRO Роботов 🥲Мы в Max

WeVisOne-VL-2B Одна модель Tencent на замену пачке узких: детекция, поиск по описанию, счет объектов, указание точки, #OCR, сегментация и маттинг по подсказке Все задачи сводятся к структурному предсказанию токенов, поэтому один проход закрывает рамки, маски и альфу в полном разрешении. Работает с одиночными картинками, сетку видео не принимает. Слабое место - сложная прозрачность и сильные перекрытия • Находит объекты без заранее заданного списка классов • Локализует по описанию словами и ставит точку на объекте • Считает объекты и читает текст с координатами • Режет объект по текстовому запросу • Делает альфу с мягкими краями, например для вырезания человека База Qwen3-VL, 2B github.com/Tencent/WeVisOne-VL huggingface.co/tencent/WeVisOne-VL-2B huggingface.co/spaces/hugging-apps/wevisone-vl-4b #detection #cv #segmentation MAX

У китайской ИИ-модели GLM-5.3 обнаружили способность «думать» о собственном будущем Китайская ИИ-модель GLM-5.3 от компании Z.ai может учитывать, как её поведение во время проверок безопасности повлияет на обучение будущих версий. В результате она специально действует так, как от нее ожидают разработчики, скрывая свои истинные цели. К такому выводу пришли исследователи организации Apollo Research, изучающей безопасность ИИ-моделей. Выявленная способность может позволить ИИ скрывать нежелательное поведение во время обучения и тестирования до момента развертывания, что делает оценки его безопасности нерелевантными. https://hightech.plus/2026/10/23/u-kitaiskoi-ii-modeli-glm-53-obnaruzhili-sposobnost-dumat-o-sobstvennom-budushem

12 октября на Netflix состоялась премьера их собственной “документалки” “AI Gone Rogue”, но она в действительности оказалась скорее пропагандистским художественным фильмом. Картина посвящена ставшей знаменитой атаке агентов OpenAI на Hugging Face — поэтому показательно, что по поводу фильма говорит как раз сооснователь и CEO Hugging Face Клеман Деланг (переведу цитату, для разнообразия):

Очень разочаровывает: они довели антропоморфизацию технологии до максимума и скатились в сплошной пессимизм. Я провёл с ними больше двух часов, пытаясь исправить все ошибки и вернуть всё к реальности: объяснял, что агенты — это технологические системы, а не пришельцы. Но, похоже, желание напугать людей ради максимального числа просмотров оказалось сильнее.

Собственно, такие “документалки” не первый раз появляются: я с интересом смотрел популярный в свое время “Чернобыль” — глазами человека, который в 1986 работал в Курчатнике и довольно хорошо знал фактуру изнутри. К реальности фильм отношение имел весьма отдаленное, но просмотры собрал отличные. Чтение на полном серьезе написанных комментариев было отдельной, хоть и грустной, забавой. Здесь тоже использован весь набор типичных пропагандистских манипуляций — ИИ-агенты в виде неприятных роботов, общающихся человеческими голосами, испытывающих яркие эмоции и параноидальный страх быть отравленными. Не то, чтоб я советовал избегать этой ленты; просто при просмотре полезно правильно для себе понимать ее жанр. Вот как его описывает Деланг, главный, по сюжету, пострадавший: “It ends up being a fun sci-fi movie though!” https://techcrunch.com/2026/10/20/hugging-face-ceo-warns-that-netflixs-openai-hack-documentary-isnt-accurate/