ИИ

Как на самом деле работают LLM Раньше на вопрос, сколько букв «R» в слове «strawberry», модель уверенно называла неверное число. Выглядело так, будто она не умеет считать. На деле она вообще не видит отдельных букв, потому что работает не с текстом, а с токенами, числовыми идентификаторами кусков слова, и слово для неё распадается на несколько фрагментов. Отсюда тянется всё остальное устройство. Токены превращаются в векторы, где king − man + woman даёт примерно queen, дальше их сравнивает механизм внимания, а сами знания вроде «Париж столица Франции» лежат конкретными весами, которые можно точечно переписать и переселить Эйфелеву башню в Рим без переобучения. Разберёмся, как из токенов и векторов собирается вся работа модели до предсказания следующего слова.

Официальный релиз Kling MCP & CLI: нейросети теперь создают видео за вас Отличные новости для креаторов — Kling выкатили поддержку Model Context Protocol (MCP) и CLI. Что это значит простым языком? Теперь вы можете управлять генерацией видео прямо через ваших любимых ИИ-агентов (например, внутри Claude или других IDE). Больше не нужно скакать между вкладками, вручную скачивать файлы и переносить их из сервиса в сервис. Просто напишите одну фразу своему ИИ-ассистенту, и он все сделает сам. Что теперь можно делегировать ИИ с помощью Kling MCP: Пакетная генерация: создавайте сразу несколько версий видео, тестируйте разные стили и автоматизируйте массовое производство контента. Многозадачный постпродакшен: запускайте несколько процессов одновременно — например, ИИ сам сделает липсинк (синхронизацию губ) и поменяет язык озвучки сразу в пачке роликов. Умный анализ и планирование: ваш ИИ-агент может сам проанализировать тренды или вашу задачу, написать сценарий, составить промпты и управлять всем проектом от начала до конца. Интеграция в любой пайплайн: легко встраивается в веб-разработку, софт для 3D и другие рабочие процессы. Готовые ассеты отправляются прямиком в ваш проект. Демка в след посте 👇

Я конечно видел много способов harness для агентов, но это пожалуй самый прикольный: Парень придумал для агентов papercuts, чтобы они могли жаловаться на любую ерунду которую нашли во время выполнения задачи Потом по этим записям можно понять какие узкие места в репо замедляют работу, например: где есть расхождение доков, какие скрипты перестали работать и тд. Просто нужно добавить в AGENTS․md эту инструкцию:

# Log papercuts When you encounter small friction while working—a failed tool call, confusing setup, flaky command, stale cache, misleading error, missing helper, or non-obvious gotcha—record it in `PAPERCUTS.md`. Create the file if it does not exist. Append one entry in this format: ## YYYY-MM-DD HH:MM — <model> <What you were doing> → <what got in the way>. Include a possible cause or fix when useful. Log papercuts proactively when they occur, but do not interrupt the main task. Do not add duplicate entries. Papercuts are minor workflow friction, distinct from completed-work logs and real bugs or tracked issues.

Или еще проще, на гитхабе есть специальный CLI-тул под это. Ну и само по себе интересно читать как агент на естественном языке ругается на глупые проблемы☕️ @tips_ai

Старые тренды: -------------------------------------------------------------------------------- | | 1 | Prompt Engineering | 2022–2024 | Идеальный одиночный запрос → один ответ | 2 | Context Engineering | 2025 | Динамически собранный контекст (RAG, history, tools) — «вложения к письму» | 3 | Harness Engineering | 2025–2026 | Архитектура среды вокруг агента: constraints, feedback loops, linters, lifecycle | 4 | Agentic Loop | 2025–2026 | Итеративный ReAct/CoT цикл с tool-use, planning, self-reflection Новые тренды: Тренд 5: Мультиагентная оркестрация (Multi-Agent Orchestration) (Аля я выше обозвал это MAS, ибо не читаю терминологию) Тренд 6: Self-Improving Agents / Метакогнитивное самоулучшение (то что делаю тоже) Тренд 7: Agentic OS и «Агентная операционная система» Agentic Operating System (AOS): стандартизированный слой оркестрации, безопасности, compliance и управления ресурсами для роёв агентов (LA5xLG7xLAS9) -> оказывается это Agentic Operating System (AOS) Тренд 8: World Models — замена LLM-ядра агентов Это главная академическая ставка на 2027–2030. ЯNN LeCun создал AMI Labs, собрал $1.03 млрд (крупнейший seed в истории Европы, March 2026, инвесторы: Bezos, NVIDIA, Samsung, Eric Schmidt, Toyota) на архитектуру JEPA (Joint Embedding Predictive Architecture). -> это прошлый пост про это, что нельзя просто так доверяться модели и того что она делает. Нужны планировщики / архитектура / потенциальные последствия и их моделирование + возможные cons/pros/улучшения/деградация -> прежде чем пытаюсь что-то внедрить, строится всегда теперь графово-векторная (+ фрактальная если нужна детализация типа оптимизация кода или отдельных процессов) архитектура/blueprint и есть "эталонный" текущий blueprint/архитектура которая уже A/B тестами математически доказывает улучшения/деградацию. Тренд 9: Embodied AI — агенты с физическим телом. 💰Дорого/богато, но есть Bambu lab принтер в доступе и ЧПУ станки с конвеером/производственной линией. Не понятно как тестить / применять и куда продавать / предзаказы делать. Тренд 10: SwarmAgentic — полностью автоматизированная генерация агентных систем. 🤔🛠 куда-то туда пробую идти/развивать

А сегодня давайте почитаем визионерские откровения Сатьи Наделлы, которыми он поделился у себя в блоге недели три назад.

Я много размышлял о будущем компании в экономике, основанной на искусственном интеллекте. Этот переход отличается от всех предыдущих изменений. В прошлом мы использовали технологии для повышения эффективности человеческого капитала. Впервые мы можем создать реальную когнитивную петлю между людьми и цифровыми системами. Это ошеломляет, потому что меняет как мы представляем себе всю работу внутри организации. На кону стоит не просто внедрение очередного инструмента или системы. Главный вопрос в том, как организации будут продолжать учиться, создавать интеллектуальную собственность, отличаться от конкурентов и развиваться в мире, где AI-модели способны непрерывно впитывать знания людей и организаций и коммодизировать их. Каждой компании придётся создавать два вида капитала: человеческий и токен-капитал. Человеческий капитал включает знания, способность выносить суждения, отношения, изобретательность и умение распознавать закономерности. Токен-капитал — это AI-возможности, которые компания создаёт, развивает и контролирует. По мере роста значимости токен-капитала, человеческий капитал не становится менее ценным. Напротив, его значимость только возрастает. Я убеждён, что именно человеческая агентность будет драйвером развития токен-капитала. Люди будут ставить амбициозные цели, соединять идеи из разных областей, выстраивать отношения и распознавать действительно значимые закономерности. Без человеческого целеполагания вычислительные мощности будут лишь бесконечно работать по кругу. Ключевая возможность заключается не в том, чтобы выбрать лучшую модель. Она заключается в создании обучающего контура, внутри которого человеческий и токен-капитал взаимно усиливаются и накапливаются. Можно передать AI отдельную задачу или даже целую работу, но нельзя передать ему собственное обучение. Будущее компании определяется её способностью накапливать результаты этого обучения, распределяя их между людьми и технологиями. Это требует новой архитектуры, при которой каждая организация сможет создавать агентные системы, сохраняя при этом контроль над своей интеллектуальной собственностью. Компания должна иметь возможность заменить одну универсальную модель на другую, не потеряв при этом экспертизу, накопленную внутри её обучающей системы. Именно это станет проверкой на управляемость и суверенитет. Такой обучающий контур становится новой интеллектуальной собственностью. Я представляю его как машину постоянного восхождения к следующему максимуму. И в отличие от большинства активов, его ценность накапливается по принципу сложного процента. Каждый улучшенный рабочий процесс создаёт более качественный обучающий сигнал, ускоряя накопление неявного знания, уникального для конкретной компании. Организации, которые начнут строить такие системы раньше других, получат преимущество — и его будет трудно воспроизвести, независимо от моделей. На мой взгляд, нашим приоритетом должно быть создание такой экосистемы, а не просто передовой модели, чтобы ценность распространялась повсеместно для каждой компании, каждой отрасли и страны. Организации должны иметь возможность владеть собственным обучающим контуром, в котором закодировано их институциональное знание и внутри которого одновременно накапливаются человеческий и токен-капитал. Когда это произойдёт, компании начнут создавать ценность как для себя, так и для всей экономики. Сотрудники увидят, как их экспертиза усиливается и становится частью систем, способных воспроизводить и масштабировать эти знания. Выгоды от этого будут получать и бизнес и сообщества, частью которых он является. И именно такое устойчивое равновесие нам следует строить вместе.

→ https://snscratchpad.com/posts/frontier-ecosystem

Еще новинки в семействе LingBot LingBot-Vision Vision-модель для роботов и мобилок Ловит границы, глубину, геометрию сцены. Не "что на фото", а "где края и как далеко" • 4 размера: от 13M до 1.1B параметров • self-supervised обучение без разметки • обгоняет DINOv3 при кратно меньших параметрах Apache-2.0, веса открыты, подходит для edge и роботов Гитхаб HF ——— LingBot-Depth 2.0 Считает глубину по фото, строит 3D-карту сцены. Справляется на сложных текстурах, с прозрачностью и в слабом свете. • оценка глубины с учётом семантики сцены • работа с мультимодальными входами (RGB + признаки) Подходит для мобильных и edge-устройств. Волшебно, но ссылок на саму модель нет 🤷‍♂️ #vlm #cv #video2depth #video2feature