ИИ

Щас вижу что после выхода GPT-5.6 многие используют её как субагентов под управлением Fable 5 Fable планирует и назначает роли, а Codex выполняет, чтобы экономить токены Так что вот собрал самые удобные способы как юзать их в связке и в Claude Code и в Codex: 1/ Fable управляет GPT (в Claude Code) Через официальный OpenAI плагин:

/plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins, затем /codex:setup

Или через простой алиас:

alias claudex=‘CLAUDE_CODE_SUBAGENT_MODEL=gpt-5.6-sol CLAUDE_CODE_ALWAYS_ENABLE_EFFORT=1 claude –model gpt-5.6-sol’

2/ GPT управляет Fable (в Codex) Устанавливаем опенсурсный плагин:

codex plugin marketplace add Cjbuilds/Codex-Orchestration codex plugin add codex-orchestration@codex-orchestration

И дальше примерно так назначаем роли:

@ codex-orchestration advisor: GPT-5.6 Sol Extra High, Executor: Claude Fable 5 High, Designer: Opus 4.8

В обоих случаях всё будет работать чисто на подписках, никаких API. @tips_ai #tools

✔️ Google AI Studio получил возможность импорта с GitHub В среде Google AI Studio теперь можно подключать свои репозитории благодаря новой функции "Import from GitHub". Платформа научилась работать с уже написанной кодовой базой, перестав ограничиваться лишь генерацией проектов с нуля. При загрузке Gemini автоматически адаптирует код под совместимый формат среды выполнения, позволяя сразу же продолжить редактирование, предварительный просмотр и развертывание приложения.

Сейчас интеграция работает только в одном направлении, изменения не сохраняются обратно в исходный репозиторий, но Логан Килпатрик пообещал, что это временное ограничение - полноценная синхронизация с GitHub уже находится в активной разработке.

@ai_machinelearning_big_data #news #ai #ml

😱 Коду не нужна документация!  Когда LLM начали генерировать мне кучу кода, я решил что хорошей идей будет начать вести документацию к этому коду на понятном человеческом языке. Тогда я думал что это поможет мне понять что там написали агенты быстрее и лучше. 🤷‍♂️ В итоге не прокатило  По факту я просто внедрял в систему еще одно тонкое место, за которым нужно следить, которое нужно поддерживать, и, самое главное, которое жрет контекст. 🫠 Тогда я посмотрел на то, как я сам подхожу к изучению и пониманию кода. И оказалось: я просто читаю код. 😅

Когда-то я так разобрался в том как работает Magento, во времена, когда документации к ней практически не было. Я просто открывал исходники и буквально читал как работает этот фрэймворк.

  🤔 И вашему агенту так же не нужна документация. Ему нужен понятный, читаемый и структурированный код.  К такому же выводу пришел и человек со скриншота, Мэт Покок, человек создавший такие скилы как grill-me, to-spec и teach.  Документировать стоит только то, что не описывает код: бизнес домены, архитектурные решения, инфраструктуру и все в таком духе. Экономьте токены, сегодня они не дешевые 😅 Свята место | 10МДК | ВЕБМастер | YHub

Когда AI становится слишком дорогим активом, чтобы играть по правилам Apple подала в суд на OpenAI, и самое интересное тут не сам иск. По версии Apple, бывший глава по железу OpenAI просил кандидатов на собеседованиях приносить физические компоненты устройств и объяснял, как обходить системы безопасности. Другой фигурант нашёл баг в облаке Apple и продолжал качать оттуда документы, уже работая у конкурента. Причём поймали его не детективы - Apple увидела это в собственных логах серверов. Но это только видимая часть. В феврале Anthropic заявила, что три китайские лаборатории - DeepSeek, Moonshot AI и MiniMax - завели 24 000 фейковых аккаунтов и отправили 16 миллионов запросов к Claude. Никакого взлома и никаких инсайдеров, просто API и грамотные промпты. Называется это distillation: ты систематически опрашиваешь чужую модель, собираешь ответы и обучаешь на них свою, получая рабочий клон без долгих лет исследований и без миллиардов на вычисления. Когда Anthropic обновила Claude, MiniMax за сутки перекинула половину своего трафика на новую версию. Получается промышленный шпионаж, где орудием служит твой же публичный API. Такой вор вообще не оставляет следов в системах безопасности - он просто платит по тарифу. Вернёмся к Apple. Она требует не денег, а чтобы OpenAI доказала происхождение каждого инженерного решения в новом устройстве с Джони Айвом. Такой запрет способен заморозить релиз, ради которого заплатили $6,5 млрд. Раньше казалось, что преимущество в AI-гонке даёт скорость найма лучших инженеров, но вместе с людьми из компании уходят её архитектура, процессы и секреты производства, а сегодня всё это можно скопировать вообще без людей. Значит, конкурировать скоро начнут за происхождение знаний и компаниям придётся доказывать уже не что они создали, а каким путём к этому пришли. Clean room development, когда разработка ведётся независимо и история каждого решения задокументирована, вполне может стать таким же обязательным стандартом, как финансовый аудит. Именно это и придётся однажды показывать в суде. @maxvotek | linkedin | substack

Хз как люди пользуется OpenRouter По дурости тестили на нем систему, которая на локалках должна будет работать в контуре клиента, и это такая боль: - низкие лимиты у провайдеров - хрен пойми у кого реально есть поддержка structured output, даже если заявлено - а у кого есть, часто некорректная – натолкнулся на имплементацию с сортировкой ключей в алфавитном порядке 🥴 - нет моделей в целевом кванте - в какой-то момент провайдер просто лег на два часа (а другие не поддерживают норм SO для нужной модели, ага) Да, можно сразу тестить на целевой системе, но а) это нужно получать доступ в контур клиента и б) ждать пока одна его карточка все обработает А у нас autoresearch-like флоу, где агенты в 4 потока эксперименты крутят, нам такое не подходит Короче, надо было сразу арендовать GPU и поднимать там, а не страдать херней. Благо это делается в один промпт (если настроено управление браузером):

Codex, сходи через мой браузер на hf и подними мне vLLM на h200 с <model-name> на <context-len> токенов максимального контекста с <concurrency-num> параллельных запросов. Посмотри в документации и на реддите рекомендации по конфигам и проверь, что мои требования вообще выполнимы или предложи трейдоф

P.s. если нужно часто, установите huggingface_hub и дайте токен админский, чтобы агент через браузер не мучался P.p.s. не забываем потом остановить ноду, а то можно без штанов остаться (если хочется автоматически, юзаем scale_to_zero_timeout=20) Альтернативы: runpod.io, modal.com, cloud.ru (не реклама, а зря) Хз, для кого-то это очевидно, но у нас это первый проект, на котором сошлись локальные модели, отсутствие доступа к железу клиента, и огромный трафик autoresearch подхода

Любимое противостояние десятилетия: Маск vs Альтман Из-за конфликта с Apple Илон Маск снова назвал CEO OpenAI Скамом Альтманом и сказал, что он «выводит обман на другой уровень». На что Альтман упрекнул его в том, что Маск сам собирает инвестиции на сомнительный проект быстрого строительства датацентров в космосе. Ответ Маска убил:

Мы начнем запускать их в следующем году. Может, ты сможешь приехать посмотреть, если твой офицер по условно-досрочному освобождению одобрит. После того как ты украл благотворительную открытую ИИ-организацию, ты еще и украл технологии Apple! Вау. Что ты планируешь на бис? Это трудно переплюнуть.

Бой в клетке когда?

Был в этом году у меня дипломник, написал диплом на тему "мультиагентных систем". Такой пункт добавили в описание паспорта научной специальности "искусственный интеллект" буквально в апреле, чем мы и воспользовались. Очень кратко: студент погонял "скрепку" с целью определить, действительно ли можно сделать стартап из одного человека на 100 миллионов капитализации, и пришел к выводу, что текущий потолок - 10, потому что дальше расход токенов превышает зарплаты вытесняемых людей, а фаундеру перестает хватать часов в рабочем дне даже с оркестратором за всем следить и все подтверждать. Добротная работа, не откровение, но ценные выводы, подкрепленные расчетами. Попал диплом на защиту перед комиссией, комиссия пыталась-пыталась понять, что это за новомодная чертовщина, и в итоге поставила совсем незаслуженно низкую оценку. Я такого уже навидался, так что ругаться не пошел - самого с подобной темой отфутболили с конференции с уничижительной рецензией... но история внезапно получила продолжение. Приглашают молодого специалиста буквально через четыре дня после вручения диплома на собеседование в очень крупную промышленную компанию на должность рядового аналитика. Идет собеседование онлайн, то-се, а чем ты, мил человек, по диплому занимался? Дипломник рассказывает. Собеседник: - Погоди-ка, дай я начальника подключу... Подключается начальник всей аналитики в компании. История повторяется. Начальник: - Так, сейчас я узнаю, где директор... Директор (уровня замглавы компании) подключился, задал пару вопросов по сути дела и исчез. Оставшиеся начальники говорят: мы тоже пойдем, скоро свяжемся снова. Связался через два часа эйчар с оффером. За эти два часа в компании создали новый отдел ИИ-аналитики, куда заведовать моего дипломника и позвали. С задачей перегнать в агентов с оркестраторами всю аналитику и точно выяснить, кого из сотрудников можно уволить, а кому нужно прибавить, чтоб все было по уму и в оптимальном бюджете. Люди сразу врубились, значит, что это такое и для чего им нужно. И кто. "И сбылось по написанному: Камень, который отвергли строители, сделался главою угла". Вот будут мне в следующий раз говорить: вы, Юрий Павлович, и сами хуйней занимаетесь, и студентов хуйне учите - я этот кейс-то и расскажу. Растет копилочка кейсов. 😝 #toldya

Sakana AI показали “умные кирпичи”, которые понимают свою форму и находят повреждения Звучит как sci-fi, но это уже опубликованная работа в Nature Communications. Исследователи собрали простые кубические модули. У каждого — одинаковая маленькая нейросеть, связь только с соседними блоками и никакой карты всей конструкции. Но вместе они могут определить, во что собраны: стол, лодку, самолёт, гитару и другие формы. Cистеме не нужен центральный контроллер. Ни один “кирпич” не знает, где он находится. Глобальная картина появляется из локальных сообщений между соседями. Что умеют Smart Cellular Bricks: * распознавать общую 3D-форму * работать при шумной связи * переживать отказ части модулей * находить, где структура повреждена * подсказывать, куда нужно добавить новые блоки для восстановления Это похоже на то, как живые ткани самоорганизуются и восстанавливаются после повреждений. Пока это не “здание, которое само себя чинит”, а исследовательский прототип. Но направление мощное: материалы и конструкции, которые сами понимают свою конфигурацию, замечают поломки и помогают себя ремонтировать.

Ещё больше классных постеров из Сеула — с ICML 2026 RE-TRAC: REcursive TRAjectory Compression for Deep Search Agents Сейчас очень много агентов работает в ReAct парадигме (последовательные reasoning + acting). Авторы считают, что такой подход с длинными линейными цепочками плохо подходит для сложных задач, потому что deep search больше похож на дерево гипотез: модель может наметить несколько веток, но потом забыть часть из них, застрять в локальном направлении или зациклиться. Re-Trac отличается от ReAct: после каждой траектории собирают compressed_state, в котором хранят лучший ответ на текущий момент, список проверенных фактов, логические выводы и список того, что осталось неизвестным. На следующих траекториях авторы стартуют с этого состояния. Благодаря этому авторы получили 53 пункта на BrowseComp с 8 rollout’ами. Прочитав статью, я нашёл подвох: init для sft — это Tongyi-DeepResearch 3A30B, у которого и так 43 пункта на BrowseComp, а замера pass@8 — бейзлайна за схожий compute — для него нет. То есть идея интересная, но реальный эффект Re-Trac для лучшей модели из статьи не указан. Training-Trajectory-Aware Token Selection Исследователи изучают дистилляцию ризонящих моделей. Обычно SFT или дистилляция на reasoning-траекториях не улучшает модель, а иногда даже ухудшает её. Во время обучения loss монотонно падает, а реальные метрики сначала резко проседают (Imitation Shock), но затем постепенно восстанавливаются, при этом не всегда до конца. Авторы заметили расслоение токенов во время обучения на две группы, «полезные» и «вредные», причем одни подавляются другими. Поэтому стандартная дистилляция тратит ранние градиенты на токены, которые мешают обучению более полезных токенов. Как решили проблему: замаскировали «вредные» токены и не добавляют их в loss. Чтобы понять, какие токены маскировать, придумали алгоритм T3S — Training-Trajectory-Aware Token Selection. Сначала модель проходит короткую фазу дистилляции, по ней находят Imitation Shock и затем сравнивают влияние токенов между началом и на чекпоинте, где всё взорвалось. Least-Loaded Expert Parallelism: Load Balancing An Imbalanced Mixture-of-Experts В MoE-модели каждый токен не проходит через весь FFN-блок, вместо этого роутер выбирает для него несколько экспертов. В Expert Parallelism эксперты распределены по GPU: условно, GPU-0 хранит экспертов 0–3, GPU-1 хранит 4–7 и так далее. Проблема возникает, когда роутер выбирает экспертов неравномерно. Например, на math/code данных один эксперт может стать очень популярным, потому что он специализировался на таких токенах. Тогда GPU, на которой лежит этот эксперт, получает слишком много токенов, считает дольше всех и определяет latency всего MoE-слоя. LLEP решает это не изменением роутера, а изменением исполнения. Перед MoE-слоем система смотрит, сколько токенов попало в каждого эксперта и насколько загружена каждая GPU. Если дисбаланс маленький, используется обычный Expert Parallelism. Если дисбаланс большой, LLEP выбирает наименее загруженные GPU и отправляет туда не только токены, как в EP, но и веса перегруженного эксперта. Smaller Models are Natural Explorers for Policy-Level Diversity in GRPO Авторы говорят, что GRPO живёт за счёт разнообразных rollout’ов, но по ходу обучения они становятся однородными, advantage-сигнал слабеет, а прогресс встаёт. Вывели инсайт: GRPO нужно policy-level diversity — когда целые траектории структурно разные, но при этом логически связаны. Обнаружили, что меньшие модели из этого же семейства дают гораздо больше policy-level разнообразия и предложили на ранней стадии обучения часть rollout’ов для большой модели генерировать маленькой замороженной моделью — так можно получить структурно разнообразные траектории на старте. Затем долю маленькой модели постепенно снижали, плавно возвращаясь к стабильному on-policy режиму большой модели. Результаты: на AIME24/25 получили выигрыш 23.8/22.5 против GRPO-базы 15.0/12.1. Увидели и записали полезное для вас ❣ Даниил Кириллов, Иван Сапожков, Аркадий Альшан и Кристина Гуртова #YaICML2026 Душный NLP