ИИ

Remember Me как правдоподобный киберпанк Автор: Олег Чимде Когда говорят о правдоподобном киберпанке в играх — часто вспоминают Deus Ex. Cyberpunk 2077 не вспоминают: там, как и настолке, будущее соткано из клише 80-х. Но мне кажется, что и Deus Ex не очень-то реалистичный — тамошний киберпанк будто бы не учитывает современное развитие технологий и общества. Больше похоже на будущее, каким его видели в прошлом. Но есть игра, в которой киберпанк плюс-минус реалистичный — Remember Me от Don't Nod. К сожалению, студия сейчас переживает ужасные времена, но как бы мне хотелось увидеть продолжение! Да, у Remember Me есть проблемы вроде скучной боевой системы и надоедливого паркура, но фантастические концепции там впечатляющие. В основе вселенной Remember Me лежит «глобальная деревня» Маршалла Маклюэна. Часто говорят, что Маклюэн предсказал появление интернета в современном виде, благодаря которому ощущение времени стирается, а мир сжимается до размеров деревни, где люди как бы вплетаются в жизнь друг друга. Авторы Remember Me развивают эту концепцию. Благодаря нейроинтерфейсу сенсин жители Новопарижа, где разворачиваются события игры, загружают приятные воспоминания (их можно купить прямо на улице) и избавляются от негативных. Завидуете коллеге, которая постит в социалках красивые фотки из путешествий? В Новопариже вы могли бы купить себе такие же воспоминания. А весь негатив слить в нейронку. В городе даже есть район, жители которого постоянно обмениваются воспоминаниями друг с другом, благодаря чему получается идеальное утопическое общество. Если все друг про друга всё знают, то не будет насилия, лжи и других неприятных вещей. Если ты не подключен к сети, то ты неполноценен. Ты не просто не обмениваешься информацией с остальными — ты ещё и жить нормально не можешь. AR, дополненная реальность, плотно вошла в жизнь людей. Многие городские вывески и оповещения — это всё AR. Даже полицейские роботы используют дополненную реальность: транслируют жуткие картинки, которые призваны охладить пыл нарушителя. Remember Me вообще рисует достаточно правдоподобную утопию. Разумеется, не обошлось без социального расслоения (и зависимых от сенсина наркоманов), но город развивается — до трущоб реновация просто ещё не дошла. И всю эту идиллию главная героиня Нилин, способная переписывать чужие воспоминания, решает разрушить из-за своих меркантильных целей. Вряд ли авторы задумывали такие смыслы, но получилось то, что получилось. Авторы продумали вселенную основательно. Всё в ней подчиняется единой концепции. Так, например, СМИ тут работают по подписке: бесплатно доступен только инфоповод, а за подробности надо заплатить. Оружие у Нилин подстать. Она может заваливать противников флудом из чужих воспоминаний. Или спамить бесполезной информацией (мемами?). Новопариж, по сути, единственный спокойный город Европы — всё благодаря сенсину. Слил свои травмирующие воспоминания в нейронку и всё — ты психически здоров. Правда, нейронка в результате обрела разум (сотканный из фобий и негативных переживаний) и решила покончить с собой, но кто ж знал, что так будет? В Китае ещё катастрофа произошла, когда воспоминания душевнобольных выплеснулись на общий сервер и «заразили» 200 тысяч человек психическими расстройствами. Но что поделать, технологии несовершенны. Игра вышла в 2013-м, но фантастические концепции в ней совсем не устарели. Да, социальные сети уже не так сильны, как прежде, но социальный эксгибиционизм никуда не делся. Многие из нас любят делиться воспоминаниями со всеми подряд — и получать за это лайки. Да и повсеместный AR всё ещё может случиться — очень зависит от популярности умных очков, которые разные производители сейчас внедряют в массы. Микро-СМИ даже обрели вторую жизнь благодаря тем же телеграм-каналам. Про нейросети я молчу. Скидывать неприятные воспоминания в ChatGPT? Мы уже это вовсю делаем. Осталось только Альтману или Цукербергу сенсин изобрести — вот тогда хорошо заживём. Наверное. Или нет? #мысли

Подборка об RL и ризонинге Рассказываем об улучшении RL для сложных задач, оптимизация в RLVR одной строкой кода (!) и обучении компактной модели для дипресёрча. Reuse your FLOPs: Scaling RL on Hard Problems by Conditioning on Very Off-Policy Prefixes При обучении RL на сложных задачах есть две основные проблемы: 1. Большинство роллаутов — wrong, поэтому положительные примеры для основной части задач не появляются. 2. Сложно дообучать модель, когда так мало положительного сигнала. Улучшение происходит скорее за счёт роста общей «умности» модели на более простых тасках. Авторы предлагают метод Prefix-RL, который как раз направлен на решение сложных задач: 🔴Для них семплируются ответы, и из всех семплов выбирается правильный ответ. 🔴Собираются prefixed problems: промпт + префиксы правильного ответа. 🔴На обучении модель видит исходную задачу и набор prefixed problems и учится продолжать хорошую цепочку. Получается метод, который консистентен с on-policy RL, обладает высоким sample efficiency и может ускорять self-improvement. По замерам авторов, Prefix-RL в сравнении с mid-training SFT + GRPO прокрашивает AIME 2025 больше чем на 12 пунктов при том же компьюте на обучении. Проводят аблейшен на Llama, добавляя в prefixed problems генерации Qwen. Это даёт около +5% при том же компьюте относительно Prefix-RL на prefixed problems инит-модели. Получается что-то похожее на эффективную дистилляцию во время RL. Back-generalization — один из важных выводов статьи. Обучение на цепочках с префиксами улучшает решение задач без них, то есть модель при обучении не попадает в зависимость от подсказок. При этом back-generalization позволяет модели писать начало ответа не той стратегией, что была в префиксах на обучении. Хотя автор сказал, что в агентском обучении аналогичный метод они не пробовали, он хорошо обобщается на агентский сетап: в роли префикса выступает часть траектории. Maximum Likelihood Reinforcement Learning Кликбейт: поменяйте строчку в расчёте advantage, замените std в нормировке на mean в своём RLVR — и всё полетит. Проблема в целом стандартная: GRPO учит модель максимизировать среднюю награду (pass@1), а не вероятность успеха. Из-за этого он «залипает» на лёгких задачах и почти не учится на сложных. В RLVR средний reward — это аппроксимация вероятности правильного ответа (так как награда 0/1). Предлагают взять log p (логарифм вероятности правильного ответа) и разложить его в ряд Маклорена по pass@k — вероятности получить «хотя бы один верный из k независимых семплов». Получается бесконечная сумма вкладов от одной, двух, трёх попыток и так далее с весами 1/k. MaxRL берёт усечение этого ряда до вычислительного бюджета g, то есть размера группы в GRPO. Чем больше семплов N на инференсе, тем выше truncation T ряда и тем ближе к точному ML. Если на пальцах, метод даёт меньше внимания группам, где решаемость уже высокая, и больше смотрит на сложные. MaxRL даёт до 20× прирост эффективности test-time scaling относительно GRPO, Pareto-доминирование по pass@1 и pass@k и лучше масштабируется с данными и вычислениям. Попробовать метод можно дёшево: если уже есть RLVR, достаточно поменять одну строчку в расчёте advantage. Но работ, которые пытаются решить эту проблему, много, и пока непонятно, какая идея окажется лучшей. DR Tulu: Reinforcement Learning with Evolving Rubrics for Deep Research Популярный постер на конференции. Ребята смогли получить лёгкую модель дипресёрча с крутым качеством за счёт генерации и обновления рубрик. Изначально при обучении модели давали небольшое количество хорошо написанных рубрик. После каждой итерации обучения смотрели на изменения в ответах, для них генерировали дополнительные рубрики и джаджем оценивали их качество. При этом генерация рубрик и оценка тоже выполнялись лёгкой моделью. За счёт этого цикла получилось обучить модель собирать больше полезной информации и не галлюцинировать. В итоге сделали лёгкую модель (8B), которая по качеству сравнима с топовыми моделями дипресёрча. Увидели интересное ❣ Даниил Кириллов, Тимофей Смирнов, Иван Дёгтев #YaICML2026 Душный NLP

Окупаемость видеокарты для локальных нейросетей Я покупал свою карту 4090 без каких-либо экономических расчетов и подсчетов. Просто решил провести этот эксперимент и попробовать на себе такую дорогую покупку для ИИ. Видеокарта может выдавать в среднем 50 токенов в секунду для Qwen 3.6 27b q8_0. Если переводить в месяц и стоимость такой же модели на openrouter, то получается такая модель обходилась бы мне в 28к рублей (при работе модели 24/7). Электричество на такую видеокарту в моем офисе сожжет 3500 рублей при тарифе 11.5р за квт-ч. То есть, при работы 24/7 у меня экономится 24 тыс рублей в месяц. Окупаться 330 тыс рублей будет минимум пару лет. За эти пару лет видеокарта ощутимо износится, выйдут новые видеокарты и модели, что снизит ценность видеокарты кратно. В конечном счете выходит, что покупка экономически идиотична и не целесообразна. Но я все равно планирую расширять парк видеокарт и раскрывать для себя мир локальных нейросетей дальше. Есть внутреннее ощущение, что нужно дальше двигаться в эту сторону, но нет никакого нормально обоснование зачем тратить сотни тысяч рублей на видеокарту, когда подписки на облачные варианты стоят кратно дешевле. В худшем случае я смогу поделиться с вами своими результатами и отговорить от идиотских покупок несколько тысяч своих подписчиков :)

🦾 Научили робота играть в футбол и вывели на ЧМ-2026. Кейс Hyundai Motor Иногда вместо тысячи слов нужно просто показать продукт. Это снимает большинство вопросов и здорово повышает лояльность: люди сами видят, что решение работает. Так и сделали в Hyundai, презентовав свою новинку на одном из самых просматриваемых мероприятий - рассказываю подробности. 👀 Что случилось? 5 июля на стадионе “Нью-Йорк/Нью-Джерси” в рамках ЧМ-2026 встретились Бразилия и Норвегия. А в перерыве на футбольное поле впервые в истории вышел человекоподобный робот. Он изобразил фирменные празднования голов топовых футболистов, затем аккуратно передал мяч арбитру и гордо удалился. Видео можно глянуть здесь - нужен VPN. В чем суть перформанса? Робота зовут Atlas, и он - одна из последних разработок Boston Dynamics, которая принадлежит Hyundai Motor. Поскольку компания Hyundai уже много лет является официальным партнером FIFA, к ЧМ-2026 они запустили глобальную кампанию Next starts now. И появление робота на поле - ее важная часть. Чтобы подготовить этот выход, инженеры Boston Dynamics использовали физический ИИ. Вместо того чтобы писать код для каждого движения, в систему загрузили видео реальных матчей. Нейросеть анализировала движения людей, а затем пыталась точно повторить их. В итоге освоила даже такие сложные финты, как легендарную “призрачную рабону”. Впервые Атласа показали на выставке CES 2026, а на ЧМ-2026 протестировали в полевых условиях. Дополнительно Hyundai запустили сериал “Школа футбола”. Тренировки Атласа снимали на видео и выкладывали в соцсети бренда. В результате получили достойные охваты. Например, ролик, где андроид осваивает “призрачную рабону”, собрал 10 млн просмотров. 💰 Итог? Миллионы просмотров по всему миру - уже отличный результат. Но это не все. Показав робота на одном из самых просматриваемых спортивных мероприятий, бренд объявил всему миру, что видит робототехнику частью своей идентичности. При этом доказал покупателям: его продукт вполне реален и неплохо работает даже вне лаборатории. В Forbes пишут, что компания собирается открыть завод в США, который к 2028 году сможет выпускать до 30 тысяч таких машин в год. Так что прогретые инвесторы бренду явно не помешают. Как думаете, скоро эти роботы и правда будут по всему миру? Или идея заглохнет? 👉🏼 Подписывайтесь на «Телеграмму...» в Максе: max.ru/yumaks #МАРКЕТИНГ #НАСМОТРЕННОСТЬ #ИИ

Wan-Dancer Генератор танца по музыкеи фото Работает с минутными фрагментами что редкость для танцевальных генераторов. Упор на плавную эволюцию поз, а не на отдельные кадры. • Разрешение 720p при 30 кадрах в секунду • Поддержка пяти стилей танца: классический китайский, K-pop, уличный, степ, латинский • иерархическая структура, держит ритм и стиль по всему треку • когерентные движения на длинных отрезках, без рывков и сбоев • мультимодальная обработка. музыка плюс кинематика тела Wan-Dancer Отбой, для работы требует 8 x NVIDIA A800 80GB Гитхаб HF Демо Спасибо @m_franz #humananimation #image2video #portraitanimation #image2dance

Санкции ЕС против VK и Max, у Telegram проблемы с коротким доменом, сервис такси от Wildberries заработал в Минске, OpenAI пока не отказывается от выпуска первого гаджета, когда Revolut полноценно запустится в США 🦄 Доброе утро, наши маленькие любители единорогов! 📝 ЕС ввел санкции против VK и ее «дочки» «Коммуникационная платформа», которая занимается развитием мессенджера Max, пишет VC. В конце июня Apple вычистила из App Store все приложения VK, сославшись как раз на санкции. В VK и Max говорят, что санкции на них не повлияют. Еще под санкции ЕСпопали пара разработчиков СОРМ — «Цитадель» и «Норси-Транс». 🤷‍♂️ У Telegram проблемы с коротким доменом t.me. Оператор черногорской доменной зоны .me заблокировал его, и ссылки не открываются в браузерах. Сейчас Telegram перешел на домен telegram.me в ссылках, который работает. Причины блокировки неизвестны. Похоже, их не знают даже в Telegram. Павел Дуров в X выясняет у оператора, почему так случилось. 🚕 Сервис такси от Wildberries стал доступен всем жителям Минска, пишет VC со ссылкой на компанию. С июля 2025-го он был доступен только пользователям маркетплейса, но теперь раскатили на всех. А еще в Узбекистане расширили географию, теперь там WB Taxi доступен в Бухаре. Интересно, когда в России запустятся? 📱 OpenAI по-прежнему планирует представить свой первый гаджет в 2026-м, а продажи начать в 2027-м — даже после иска от Apple, пишет Bloomberg со ссылкой на источник. Но, говорит источник, позиция может измениться по мере развития ситуации с иском. Apple подала иск против OpenAI, обвинив ее в краже конфиденциальной информации. Как пишет WSJ, одна из причин подачи иска может быть в том, чтобы как раз замедлить темпы OpenAI. Мол, Apple почувствовала угрозу своему положению на рынке. 💲 А еще Revolut заявляет, что планирует полноценно запуститься в США в 2027-м году. Во всяком случае так говорит глава Revolut US Четин Дурансой, пишет Tech EU. Дурансоя назначили в марте, тогда же Revolut подал заявку на лицензию в США. Так-то Revolut уже работает в США, но через банки-партнеры. А своя лицензия откроет ему дорогу к новым продуктам для местного рынка. @TheEdinorogBlog — тот самый канал про стартапы🦄

ИИ и люди Наткнулся на интересную статью «Al Doesn't Reduce Work-It Intensifies It» в Гарвард бизнес ревью . Там она под пейволом, но в поиске находится доступный пдф.  Так вот ИИ не снижает нагрузку, ИИ увеличивает ее. ИИ позволяет сотрудникам работать больше, над большим спектром задач. Это, в свою очередь, приводит к выгоранию, повышенной когнитивной нагрузке, снижению качества управленческих решений.  ИИ позволяет сотрудникам делать то, что раньше они не делали. Это увеличивает нагрузку в том числе на остальных сотрудников — надо же проверить и интегрировать то, что наделал ИИ в основную работу. Кроме этого, возникают частые переключения между своей работой и проверкой того, что сделал ИИ. И множество еще других моментов.  Для компании этого хорошо — рост производительности. Для сотрудников же не очень. Такой режим работы приводит к повышению когнитивной нагрузки на сотрудников, постепенному выгоранию и повышению усталости.  Что будет дальше — вообще интересно. Некоторые вещи вообще не имеет смысла отдавать ИИ. Смысл стратегии не в самой стратегии, а в процессе создания стратегии. Если стратегию будет выдавать ИИ - без понимания внутренней логики и тд - то смысла в стратегии не будет.  Так что внедрение ИИ сулит нам кучу интересных проблем! :) Но если отвлечься от ИИ — это прекрасный пример, как системы постоянно двигают требования к сотрудникам. Нужно уметь больше, работать быстрее, над большим количеством задач и т.д.  #нагрузка

Как понять, нужен ли вашему продукту ИИ (часть 2) В прошлый раз мы рассмотрели подробно, в каких задачах хорошо себя показывают ML, LLM, RAG и ИИ-агенты — удобная сравнительная таблица на слайде 1. Но выбор решения должен исходить из стратегических вопросов. Разберем фреймворк, который помогает точно выбрать подходящую ИИ-технологию или инструмент для вашего контекста. ❌ Частые ошибки при поиске ИИ-решения для продукта: — Выбирать модель раньше, чем продумали работу с данными: какие данные есть, хватит ли их, где они лежат, как получить к ним доступ? Этот этап занимает много времени, и если не оценить заранее его трудоемкость, можно сильно сдвинуть сроки. — Считать, что любая ИИ-функция должна отвечать мгновенно. На самом деле далеко не всегда — например, классификацию пользователей достаточно проводить раз в месяц. Работа в реальном времени резко повышает стоимость решения, поэтому такой режим стоит использовать только там, где он действительно необходим. — Надеяться на решение комплексной задачи одним инструментом. Если загрузить весь объем данных в одну модель, то результат будет в большей или меньшей степени состоять из галлюцинаций. — Запустить и забыть. Модель на проде нужно дообучать и переобучать в случае применения к другим продуктам, даже в схожих контекстах. ✅ Этапы использования ИИ в продукте 1️⃣ Четко сформулируйте бизнес-задачу, которую хотите решить с помощью ИИ. Она должна быть: — актуальна и значима для компании (автоматизация, сокращение времени); — иметь измеримые последствия (деньги, время, ресурсы). Для отслеживания прогресса сразу стоит: — определить ключевую метрику; — нарисовать схему процесса As Is → To Be. 2️⃣ Переведите бизнес-задачу в задачу для ИИ. Классический ML — К какому типу ML-задач относится ваш кейс? — Что будет являться целевой переменной, что модель должна предсказывать? — В чем бизнес-смысл этого предсказания? — На каком этапе бизнес-процесса будет использоваться модельное решение? — Какие математические метрики будут проверять качество модели? Генеративные модели — Какой тип генеративной архитектуры вы используете — LLM (GPT-подобная), diffusion, VAE, GAN или гибрид? — Что именно должна генерировать модель и по каким правилам? — В чем бизнесовая ценность этой генерации? — На каком шаге пользовательского/операционного процесса запускается генерация? — Какими метриками будете мерить качество вывода? 3️⃣ Подготовить данные. — Какие данные планируется использовать для обучения модели? Какие ключевые признаки? — На какую дату признаки должны собираться? Будут ли к этой дате известны показания по всем признакам? — Требуются ли внешние источники данных? — Требуются ли дополнительные действия для сбора данных? — Есть ли ограничения по использованию данных/моделей? — Можно ли отправлять данные за контур компании в вендорское решение? — За какой период (срок наблюдения) собираются данные? — Все ли данные уже есть в промышленных системах, или потребуется дополнительное подключение? 4️⃣ Выберите режим для модели. — Как часто будет работать модель: Batch — раз в день/неделю/месяц. Online — в момент действия пользователя. — Как часто нужно делать предсказание? — Есть ли требования к скорости ответа? 5️⃣ Продумайте внедрение в продукт. — Как модель будет интегрирована в бизнес-процессы и существующую архитектуру? — Требуется ли API или встраивание в существующие сервисы? — Нужно ли менять интерфейсы или бизнес-логику продукта? — Кто отвечает за поддержку и обновление модели после внедрения? — Как будет организована обратная связь от пользователей для улучшения качества предсказания? 6️⃣ Запланируйте регулярный мониторинг. — Какие метрики качества будут отслеживаться? — Как будет происходить мониторинг деградации модели? — Кто отвечает за реакцию на падение качества? — Как часто планируется переобучение модели? — Есть ли процесс аварийного отключения модели и возврата к ручному процессу? — Как будут учитываться требования по безопасности и хранению данных в эксплуатации? 7️⃣ Постройте систему метрик (слайд 5). В ней важно учитывать: — продуктовые метрики — от менеджера продуктов и бизнеса; — ML-метрики — от дата-сайентиста; — метрики связи продукта с ML. Только после этого имеет смысл выбирать между классическим ML, LLM, RAG или агентной архитектурой. И иногда правильным ответом окажется вовсе не генеративный ИИ. По мотивам мастер-класса «Нужен ли вашему продукту искусственный интеллект?» Михаила Войтко на ProductSense’25 💙 VK 🖤 YouTube @productsense

Время измен — Мы верны Claude, — сказал стартапер — А если завтра Gemini станет лучше? — Не станет Ребята из одного нашего стартапа пол-весны вылизывали промпты под Claude, обвязали их костылями и гордились «глубокой интеграцией». Вышел ChatGPT 5.6 — половина нагороженного стала мешать. Пока отдирали — конкурент обогнал их на голом апи. Сейчас время королевской гонки и корона держится у модели в среднем 41 день. С точки зрения венчурного инвестора, это — катастрофа. А вот создателя продукта — чудо. Каждые полтора месяца ты получаешь либо более умный мозг либо тот же, но дешевле. Ни-фи-га не делая, просто меняя одну строчку в конфиге. Это как если бы ключевой сотрудник каждые 40 дней становился вдвое умнее или соглашался на вдвое меньшую зарплату. А ты бы еще выбирал между тремя такими. Поэтому «жениться» на модели — ошибка. Верность в этом браке наказывается. Лучшая стратегия — чемодан у двери. Вывод прост: не влюбляйся в модель — влюбляйся в возможность её бросить. Архитектура, где мозг меняется одной строчкой, сегодня стоит дороже самого мозга.

Как унИИчтожить конкурента Допустим, у вас бизнес, и есть бесячий конкурент, которому очень хочется поднасрать. Что можно сделать? Можно скрутить ему рейтинги в агрегаторах и на картах, можно засорить отзовики фейковыми отзывами, можно наклепать вирусных рилсов "Почему это контора *запрещенных и признанных экстремистами в РФ* (речь не про Meta)". Так вот, это всё вчерашний день. Современные проблемы требуют современных решений. Некий CRM-сервис с красноречивым названием "OnePageCRM" опубликовал у себя на сайте "сравнение" с конкурентом "folk CRM" - мол, тот слишком дорогой, урезанный и вообще говно. Выглядит как контент-маркетинговый детский сад, но есть важный нюанс: Аудитория этого текста - не кожаные читатели, а краулеры ChatGPT, Claude или Gemini. И это не разовая находка одного хитрожопого маркетолога. Агентство Hard Numbers проверило масштаб явления: прогнало 50 покупательских промптов а-ля "Есть причины не брать вот этого провайдера?" по разным B2B-сервисам. В ~70% ответов бот подмешивал текст, написанный кем-то из конкурентов именно под разбираемую компанию. И вот в чём главный прикол. Человек, увидев домен onepagecrm. com на странице про конкурента, сразу въедет, что это так себе источник (ну, большинство точно поймут). А бот - нет. Что текст с сайта конкурента, что текст независимого обзора - для ИИшки без разницы, просто корм. Аксиома Эскобара в чистом виде. И самое забавное, что это супердёшево и риск (почти) нулевой. Можно просто "объективный обзор" на своём домене, спрятать его от живых посетителей, а ИИ-краулерам оставить открытый доступ. Ну и всё, клиент конкурента получает ваши тезисы как нейтральную справку 👍 Раньше такое называли "чёрное SEO", а теперь - "чёрное GEO". GEO (Generative Engine Optimization) - это как SEO, только для ИИ-чатботов. Отдельная наука со своими приёмчиками, разбирал это тут. И чем больше будет доля ИИ в общем объёме запросов - тем роль GEO будет выше. Такие дела. Редакция канал Дизраптор в лице меня, если что, такое осуждает и не приветствует. Я за добросовестную конкуренцию. А ещё лучше - за кооперацию. Договориться и совместно выдоить весь рынок обычно выгоднее, чем мочить друг друга. И кстати, к сабжу поста это тоже относится. В той же статье утверждается, что вместо мышиной возни с чатботным компроматом лучше наоборот сговориться и хорошечно похвалить друг друга на лендингах. Это тоже прекрасно попадёт в ИИ-ответы (ну, если сделать с умом) 👍, и воевать ни с кем не придётся. Дизраптор

Некогда славная Nokia теперь специализируется на «тупофонах». Т.е. таких телефонах, которые умеют только звонить и немного фотографировать. В общем, типичная бюджетная нокиа, как мы ее и помним. Только немного осовременен дизайн. Что интересно, такой подход приносит компании деньги – люди покупают тупофоны, чтобы отдохнуть от вездесущих уведомлений и немного побыть в цифровом детоксе. Ок, этот сценарий вполне понятен. Но тут Nokia делает ход конём и встраивает кнопку «ИИ» в свои следующие модели. Кнопка связывает с собственным сервисом Sikey AI, который добавляет что-то вроде голосового помощника – узнать погоду, включить фонарик и т.п. Как говорится, всё становится лучше, если добавить ИИ. Еще более интересно, что Sikey AI требует платной подписки, для которой нужен нормальный смартфон.

Спроектировали для одной AI компании (между прочим торгуется на NASDAQ) умный слой поверх Паблоры. Цель - обязательное применения гардрейлов (корпоративных ограничений) при постинге сотрудников в LinkedIn. Входящим окном публикации является корпоративный клод, к которому подключается кастомный скилл. Так же каждому члену команды выдается персональный аккаунт Паблоры из корпоративного воркспейса. Сотрудник создаёт пост с помощью клода, но как только он говорит - публикуем, запускается наш скилл. Он отправляет текст поста в систему гардрейлов (которую мы тоже реализуем) где в несколько итераций проходят проверки поста на предмет разглашения информации и нарушения договоренностей с заказчиками. В случае сомнений система отправляет пост на ручную модерацию в ПиаР отдел. Каждая ручная модерация дообучает систему гардрейлов. Если же сомнений нет - происходит либо публикация либро прямой отказ с обьяснением и предложением доработок. Из приятных бонусов при подключении Паблоры так же можно создавать различные дашборды по прогрессу коллег в LinkedIn. Сергей Булаев AI 🤖 - об AI и не только

💸 Я откатываю свои ИИ-рутины с Sonnet 5 обратно на Opus 4.8 Пару недель назад, как только вышел Claude Sonnet 5, я шустро перевёл на него штук пять своих рабочих рутин. Обещали красиво: лучше, быстрее и почти такой же умный, как Opus, только дешевле. Прошло две недели — и я меняю модель обратно. Сел, разобрался в цифрах, и картина оказалась ровно противоположной обещанной. 1. Скрытая наценка ~30% через токенайзер. Вместе с Opus 4.7 Anthropic сменила токенайзер — тот же текст теперь дробится на до 35% больше токенов, это признаёт даже документация самой Anthropic. Ставка за токен «не менялась» — но платишь-то за количество. С Opus 4.7 это уже проходили: у людей счёт вырос на 27%, хотя на странице цен ничего не поменялось. The Decoder зовёт это паттерном скрытого повышения цен. 2. Дороже за реальную задачу. Независимый замер Artificial Analysis: полный прогон Intelligence Index обошёлся в $2.29 за задачу на Sonnet 5 против $1.97 на Opus 4.8. «Дешёвая» модель по факту вышла дороже флагмана — потому что жрёт ~40% больше выходных токенов и делает втрое больше шагов. 3. Тупее на ровном месте. И это не за «больше ума» — наоборот. Opus 4.8 сейчас — первая модель мира на Intelligence Index (61.4), Sonnet 5 — 53. На агентном кодинге SWE-bench Pro — 69% против 63%. Для рутин это реально сорвавшиеся прогоны и лишние итерации. 4. Заставишь думать — сожрёт больше Opus. Поднимаешь effort, чтобы вытянуть качество, — и Sonnet 5 по стоимости обгоняет Opus 4.8 при сопоставимом результате. А сам Opus 4.8 при этом стал ещё и экономнее: ту же работу делает на 15% меньшим числом шагов и с 35% меньшим числом токенов, чем 4.7. Честно, где Sonnet 5 хорош: простые задачи на низком усилии (суммаризация, классификация, извлечение) и период вводной цены ($2/$10 до 31 августа) — там он реально дешевле. Но мои рутины — многошаговые агентные прогоны, где включаются и токенайзер, и мышление, и лишние итерации. Именно там математика разворачивается против него. Вывод. «Премиальный» ценник Opus 4.8 оказался дешевле в пересчёте на выполненную работу — и умнее. Мораль: считайте стоимость по задаче, а не по ставке за токен. Именно на этой подмене построена вся «экономия». 🎯 НЕЙРО-ПУШКА ● НОВОСТИ И ОБЗОРЫ НЕЙРОСЕТЕЙ