ИИ

Qwen 3.6 27B is the sweet spot for local development или нет? https://quesma.com/blog/qwen-36-is-awesome/ https://news.ycombinator.com/item?id=48721903 Увидел я тут очередной пост про то, как же хорошо гонять локальные модели. Автор запустил модель локально с помощью llama.cpp с квантизацией в 8-bit на Macbook Max M5 120 Gb. И вот я ну никак не могу с этим всем согласиться. Первое, и самое главное, это качество. Qwen неплох, но он намного хуже frontier-level моделей, особенно при квантизации. Я недавно рассказывал как пробовал minimax - ему было очень далеко до клода/кодекса. Кроме того, современная разработка с помощью AI - это про агентов, agentic workflows. Из условно-открытых моделей вроде такое только GLM может. И есть ещё вопрос стоимости. Macbook Max M5 120 Gb стоит несколько тысяч долларов. Это годы подписки на клод/кодекс. Да, можно сказать, что такую мощную машинку можно много для чего использовать. Но так ли это надо? Сомневаюсь. И даже при такой переплате качество будет заметно хуже топовых моделей #ai

От подписчика: Отчет Faros.ai про реальные цифры продуктивности разработки с ИИ. Ну... Не все так однозначно... Это реальные метрики кода от требований до доставки. Выборка – 4000 команд за 2 года, сравнение внутри одних и тех же компаний между кварталом минимального и максимального использования AI. Главные цифры: – Продуктивность отдельного разработчика выросла, но скромно, судя по merge requests. Примерно +16 процентов, а не 10x – При этом скорость доставки релизов упала на 11 процентов. Это системная метрика, она про доставку ценности клиенту – Поток замедлился на каждом шаге. Фича проходит каждый этап на 80–480 процентов дольше – Качество просело резко: дефекты вверх, переоткрытые тикеты вверх, code churn (доля переписанного кода) – аномальные 861 процент Узкое место сместилось в ревью. Стадии Ready for Review и In Review раздулись, а ревью стали пропускать на 31 процент чаще – классическое поведение людей на бутылочном горлышке. Сам Faros пишет прямо: организации генерируют больше кода, чем система способна отревьюить и смержить. Автор гоняет данные через закон Литтла (L = λW). Если лид-тайм и WIP растут быстрее, чем заявленная продуктивность – значит скорость потока на самом деле падает. По его расчётам реальная пропускная способность просела на 8–70 процентов в зависимости от допущений. То есть «продуктивность индивидуального разработчика» и «поток готовых фич» поехали в разные стороны, а платят клиенты именно за второе. Тойота в своё время победила американский автопром фанатичным фокусом на качестве и принципе «не передавай дефект на следующую станцию». Чем позже находишь баг, тем дороже он стоит системе. LLM делают ровно наоборот: впрыскивают больше дефектов на входе и переносят их отлов в ревью, где ловить дороже и хуже. Любопытная деталь: гипотеза «AI усиливает сильных» не подтвердилась. High-performing команды деградируют так же, как все остальные. Тут есть с чем спорить по методологии – это наблюдательное исследование, не причинно-следственное, и автор сам это признаёт. Но направление мне кажется честным и совпадает с тем, что многие из нас чувствуют на практике: индивидуальная скорость растёт, а на уровне организации профита не видно. Главная мысль, productivity не равно value. Локальный разгон одного этапа не двигает систему, если узкое место в другом месте. Если внедряешь AI в команду и не перестраиваешь ревью и QA под возросший объём генерации – ты просто переносишь бутылочное горлышко вниз по потоку и копишь work in progress. И отдельно зацепил тезис про «сначала черновик от LLM, потом доработаю». Автор считает, что это задом наперёд: первый черновик – это и есть твой интеллектуальный вклад, момент, когда ты реально продумываешь структуру. LLM сильна как редактор и спарринг после, а не вместо мышления. С этим скорее согласен - чем больше вложений на первых этапах, тем лучше результат. Короче, уделяйте МАКСИМАЛЬНОЕ внимание требованиям, а не пытайтесь зафигачить 100 фич и отдать все тестировщикам. Источник: https://unessays.substack.com/p/talk-is-cheap

S0419 О солнце, выходящем из облаков 25 июня 2026 | Красная Поляна | 4.19 Сейчас. Я смотрю на солнце, которое закатывается за горы. Возвращаю взгляд на экран ноутбука, где открыта анкета найма на новую должность. Четыре часа назад. Я выхожу на улицу, надеваю солнечные очки и смотрю на высокое солнце в горах. Моя миссия на сегодня, да и целом в MWS Cloud, выполнена. Еще двадцатью минутами ранее. Аплодисменты в зале, затем люди задают вопросы про то, как будут монетизироваться AI-приложения и когда ждать рекламы в выдаче ИИ. Я отвечаю, что уже сейчас 15% пользователей ChatGPT получают рекламу в выдаче. Говорю, что те кто выбрал монетизацию через рекламу, они на стороне корпоративного ИИ, они выбрали одну из двух сторон, о которых я говорил ранее. Еще двадцатью минутами ранее. На сцене, рисую картину будущего, где две стороны будут строить свои искусственные интеллекты. На левой стороне ИИ будет получить деньги от корпораций за то, что он будет выжимать из клиентов все больше денег через новые хитроумные механики манипуляций. На правой стороне, ИИ будет человекоцентричным, он будет получать плату напрямую от человека и он будет взаимодействовать с корпоративным ИИ. И нет, агенты с двух сторон не договорятся, они будут пытаться обойти друг друга и использовать такие механизмы достижения консенсуса, которые нам даже не представляются в общих чертах. И это и будет основой "новой экономики". Еще двадцатью минутами ранее. Мне надевают петличный микрофон. Я смотрю на предыдущего спикера, СЕО ИТ-туроператора. Он завершает свой рассказ о новой платформе для турфирм. Вопрос из зала - а вот у нас стартап и мы строим ИИ, дайте прямой доступ к вашей платформе через API, минуя интерфейсы платформы, это возможно? Волна сомнений на лице спикера, он уходит от вопроса, ссылается на то, что надо подумать, что всё зависит от объема запросов. Вот оно, главное событие дня. В этом простом вопросе из зала - глубокий знак того, что ИИ выходит из облаков и становится самостоятельной сущностью. Знак того, что большая игра между сущностями ИИ началась. Сингулярность грядет.

#Нейропрожарка «Треугольник Пенроуза / Triangle of Penrose» Авторский AI-film project. Сюжет: Канадский наёмник ЧВК Blackwater/Academi из Торонто отправляется на спецзадание в горы Ирана. Обычная военная операция постепенно превращается в суровое испытание... Автор: Илья Малахов / Malahov.Tech Срок: 80+ часов работы Мой эксперимент в формате кинематографичного Surreal survival action с одним главным героем. Хотел проверить, насколько реально собрать связный AI-ролик продолжительностью более 4х минут с единым персонажем, атмосферой, военным реализмом и сюрреалистической историей. 🎬💀 По инструментам: Изображения — Nano Banana / ChatGPT / Recraft Анимация — Seedance 2.0 (тесты в Kling, Runway, Luma и VEO - не пригодилось, ибо так же цензурировано) Звук — Suno / ElevenLabs Монтаж — Movavi (к чему привык к сожалению) Апскейл — Topaz (небольшие куски, база 720р) Головная боль проекта — консистентность. Герой, лицо, нож, ножны, кобура, магазины, жилет, шлем, элементы амуниции — всё это приходилось постоянно вшивать от кадра к кадру, учиться и переделывать. В одном из первых референсов изначально была ошибка одного из ракурса рефа лица, поэтому на некоторых крупных планах у героя лицо местами восковое (сразу не заметил, потом было поздно). Многие первые тестовые кадры позже ушли в топку именно из-за отсутствия консистентности. Долгая часть проекта — сценарий, переписывался 6 раз. Изначально стояла задача добиться максимальной скорости производства, но всё равно вышло долго. Следующая цель — научиться делать 1 минуту видео примерно за 3 часа: от идеи до финала. Не за счёт упрощения, а за счёт грамотного системного алгоритма действий. Интересно ваше мнение, на что в следующий раз обратить внимание?🖤🌫 @cgevent

Ключевое за 3 дня ⚡ Главное • OpenAI + Broadcom: чип Jalapeño — ASIC для AI, разработанный за 9 месяцев с помощью нейросетей. • OpenAI запускает серию GPT-5.6 для ограниченной аудитории — Релиз семейства моделей с флагманской версией Sol. 📈 Рост и Оптимизация • Ускорение Gemini Nano на Pixel — Применение Frozen Multi-Token Prediction для работы на мобильных устройствах. • Модели вознаграждения слишком чувствительны — Метод кластеризации наград от Meta для защиты от reward hacking. • Экономический индекс Anthropic за июнь 2026 — Аналитика корреляции вычислительных затрат AI и экономической ценности. • Отчёт о ценах на память от Stanford — Данные о динамике стоимости систем хранения и памяти. 🛠 Инструменты • Recall — Инструмент создания базы знаний и поиска по прочитанному через API. • PrompTessor — Рабочее пространство для генерации, оценки и оптимизации промптов. • Serno — AI-анализ бизнес-решений для поиска противоречий и слепых зон. • Cursor — Редактор кода с функциями автоисправления багов и генерации по инструкциям. • Leapd — Платформа для автоматизированного управления бизнес-процессами 24/7. • ByThen — Сервис для создания видео без участия реальных актеров. • Cocodly — Инструмент для разработки веб- и мобильных приложений с помощью AI. • Qwen Image Agent — Модель с улучшенной генерацией изображений через систему планирования. • Google тестирует коллекции для NotebookLM — Новый функционал для группировки рабочих блокнотов по темам.

Qwen-AgentWorld новая world models с 🛍 Команда Qwen выпустила не просто очередную LLM, а world models 😎 (точнее Language World Model) - по сути это модель, которая симулирует последствия действий агентов в 7 доменах: терминал, веб, Android, OS, SWE, поиск, MCP😜 Модель уже доступна с контекстом до 262K токенов. В чём суть? Обычные агенты решают, что делать в среде, в RL это зовётся политикой (policy), а Qwen-AgentWorld же предсказывает, что произойдёт после действия. Это как симулятор "реальности" в голове ИИ, позволяющий планировать без постоянных обращений к реальной среде. Крч становится доступна "осмысленная" многоходовочка. 🧠 Ключевые факты из статьи: 🤍 Архитектура: уже знакомая 35B параметров, активируется только 3B за счёт MoE - 256 экспертов, 8 активных. Гибрид из Gated DeltaNet 75% слоёв для скорости и Gated Attention 25%, для точности. 📚 Обучение: >10 млн реальных траекторий из 7 доменов + 3-этапный пайплайн: - CPT – закладка знаний о динамике сред - SFT – активация рассуждений для next-state prediction. - RL (GSPO) – оттачивание точности с гибридной наградой рубрики + правила. Помните рубрики обсуждали тут. 🏆 Бенчмаркинг AgentWorldBench: результаты на уровне GPT‑5.4 и Claude Opus 4.8, а 35B-версия превосходит более крупные модели. 🤙 Где применять? 1. Симулятор для RL – ожидаемо, можно обучать агентов в тысячах виртуальных сред без развёртывания инфраструктуры. 2. Горячий старт ака warm‑up для агентных моделей, что улучшает результаты на 7ми downstream‑задачах. Это не просто LLM – это шаг к ИИ, который понимает мир через причинно-следственные связи. Следующий шаг - это VLA с алиэкспресс 👍

✔️ Худший сценарий для США в ИИ-гонке уже не выглядит фантастикой Китай делает ставку не на один прорыв, а на сборку всей ИИ-инфраструктуры внутри страны. Open source здесь не про альтруизм. Это способ быстро набрать пользователей, занять рынок, снизить зависимость от западных API и давить на американские закрытые модели ценой и доступностью. Параллельно Китай тянет модели на свой стек. Huawei-чипы пока сильно уступают NVIDIA, но для Пекина важна не только максимальная производительность на один ускоритель. Важны объём, контроль поставок и возможность разворачивать модели без критической зависимости от США. У Америки проблема не только в конкуренции моделей. Спрос на дата-центры растёт быстрее, чем вводятся новые мощности. Даже если GPU есть, их нужно где-то разместить, охладить и подключить к сети. Следующая волна ИИ требует огромной стабильной генерации и мощной электросети. Китай отвечает на это строительством: солнечные станции, новые энергомощности, атомные проекты. В 2025 году он добавил солнечных мощностей примерно столько, сколько США строили много лет. Риск в том, что Китай может взять масштабом, дешёвым доступом к вычислениям, локальной инфраструктурой и скоростью ввода мощностей. США всё ещё впереди по frontier-моделям, чипам, капиталу и исследовательской экосистеме. Но лидерство становится дороже поддерживать. Если одна сторона упирается в дата-центры и сеть, а другая параллельно строит энергию, железо и open-source-канал распространения, разрыв начинает сжиматься не на уровне красивых демо, а на уровне физической инфраструктуры.

Magnific Plugin для Premiere Pro, After Effects, DaVinci Resolve и Final Cut Pro Еще одна новость от Магнифика. Они вслед за Хиггсами бахнули плагины для монтажек и композа. Не выходя из софта можно делать generate, upscale, relight, reframe, remove background. А также добавлять к видео AI music and voice Упор на том, что все это внутри софта. Нужен аккаунт Магнифика - именно оттуда будут списываться кредиты. Магнифик - это агрегатор моделей, у них свой - только апскейлер (с не очень понятной историей с кодом). Поэтому модели могут использоваться разные. На сайте указана еще поддержка Photoshop and Figma. Все подробности тут: https://www.magnific.com/plugins Пользователи, правда пишут, что пока все сыровато, особенно для Финала и Резолва. И что вроде просто взять кусок на полторы секунды на таймлайне и перегенерить именно эти полторы секунды нельзя. Надо пробовать. @cgevent

Клиенты Anthropic и OpenAI нашли миллионы долларов лишних списаний за токены Стартап Vaudit, который проверяет счета за AI-сервисы, изучил инвойсы 60 компаний на 34 миллиона долларов. В них нашли около 1.7 миллиона долларов ошибочных переплат, в основном за Claude Code. Типовая проблема — клиент использовал дешевую модель, а счет приходил как за более дорогую. Иногда списания шли за запросы, которые завершились ошибкой, или за retry storm, когда агент не справился с задачей, но продолжал снова и снова пытаться ее выполнить. Anthropic говорит, что не берет деньги за незавершенные запросы и ошибки, а OpenAI заявляет, что не видит таких проблем у своих клиентов. При этом, по словам Vaudit, 80% найденных переплат уже вернули. https://www.theinformation.com/newsletters/applied-ai/anthropic-customers-find-errant-charges-auditing-startup-says