ИИ

🔺 Сделал датасет Выложил небольшой датасет на языках России. 🟢 22 языка: алтайский, башкирский, бурятский, горномарийский, дигорский, кабардино-черкесский, калмыцкий, карачаево-балкарский, коми, кубачинский, марийский (луговой), мокшанский, орокский, осетинский (иронский), русский, татарский, удмуртский, хакасский, чувашский, чукотский, эрзянский, якутский. 🟢 По 1565 предложений в каждом. 🟢 Сделан по всем редакциям Маленького принца, которые собирали последние несколько лет + 3 новые (чукотский, карачаево-балкарский и дигорский). 🟢 Выравнивалось вручную при помощи lingtrain-aligner. Выверялось и корректировалось при помощи Fable. Посмотрели несколько редакций с носителями, одобряют. 🟢 В некоторых редакциях предложений не хватало, такие предложения были допереведены Fable на основе имеющейся лексики и помечены в отдельных колонках. Также была исправлена пунктуация на концах предложений для единообразия. Даёшь больше языковых датасетов! 👉 HF @doomgrad

Через какое-то время все политические новости пользователю будут приходить от AI-сервисов, а не СМИ. Нет никакого смысла читать BBC, если есть Gemini или ChatGPT. Пока OpenAI и Anthropic не до того, и интерфейсно на это поле заходит только Google со своим AI Overview — и то весьма робко, но газеты уже страдают. А через 5 лет их трафик еще сократится в разы или на порядки. Неизбежно. И дальше два мыслимых варианта реализации. Либо политическая позиция ИИ-новостей будет определяться сервисом (или властями, не суть важно в данном контексте), либо подстраиваться под пользователя. Кто-то из них решит, что Трамп плохой или хороший — и пузырь вокруг этого тезиса станет абсолютно непробиваемым. Ничто иное не пролезет, ибо незачем. Предвзятость ленты соцсетей покажется просто детским лепетом на фоне AI-фильтра. И это будет единственный источник правды для большинства пользователей. И, кстати, я не знаю, какой вариант хуже – с общим куполом или с персональным. #политота

Как делать игры в 2026? Давайте порассуждаем на тему того, какие важные моменты стоит учитывать при разработке игр в текущих реалиях? В условиях высокой конкуренции, нейрослопа и продвинутых ИИ-инструментов и пайплайнов. Из первого, что приходит в голову: • использовать ИИ – база • желательно иметь подобие конвейера, чтобы быстро что-то тестировать или пополнять портфолио (если зарабатывать на органике) • бить в какой-то конкретный жанр, шарить за продукт • сфокусироваться на какой-то площадке и иметь стратегию по развитию на ней Есть еще тема с хайп трендами. Например, на ЯИ. Но лично я ее не осилил и не знаю, насколько она сейчас еще работает и имеет смысл. Может кто-то поделится своими мыслями на этот счет. Что думаете? Давайте обсуждать. Хочется понять, что вообще сейчас реально важно.

Одна из самых крутых возможностей на стажировке – поиграть на полную мощь с агентами для кодинга. У нас на них довольно большой (фактически чувствующийся неограниченным) бюджет. Клод Код получает в месяц больше денег, чем стажёры 🥲 Благодаря этому получается почувствовать, насколько сильно меняется мир. Я программирую уже с десяток лет и знаю много вещей из разных областей, но каждый день узнаю от Клода что-то новое. Он просто знает сильно больше алгоритмов и подходов, чем я или кто-либо ещё. Мышление переносится на уровень выше, начинаешь думать задачами и выстраивать путь к исполнению проекта, а не отвлекаешься на мелкие проблемы. То, что в начале пхд занимало у меня дни – например, установка зависимостей и организация данных – или даже месяцы – например, запуск чужих методов – теперь делается буквально за вечер. Нужно только расписать Клоду, что нужно сделать, убедиться, что он тебя правильно понял и идти спать, а утром читать отчёт Агенты всё ещё далеко не идеальны, а управление ими – навык, требующий опыта. Но на мой взгляд это теперь самый эффективный способ работы, и ближайшее будущее – несомненно за ним. Совершенно непонятно, что будет в хоть чуть-чуть отдалённом будущем: Клод Кодычу едва исполнился год А также совершенно понятно, что научная инфраструктура абсолютно не готова к грядущим изменениям. Какой смысл ревьюить статьи по году, если они могут устареть через неделю (определённо не все, но разработка новых вычислительных методов уж точно)? Как вообще проводить пир-ревью, если статей станет кратно больше (а оплата ревьюерам всё ещё стремится к нулю)? Как проводить конференции, если количество заявок на них скоро достигнет сотен тысяч? Как ориентироваться в лавине статей? Нужны ли вообще ещё статьи как основной метод обмена информацией? Одно могу рекомендовать совершенно точно: если вы не работаете с агентами для кодинга, обязательно попробуйте. Если вы заведующий лабораторией, достаньте студентам доступ к лучшим инструментам и выстраивайте культуру работы с ними. Задач пока ещё хватает и все их агенты не решат. Но без них люди будут двигаться в разы медленнее

Чат GPT за 20 баксов хватает на один вечер. Всем привет, буквально позавчера я писал, что заготовил себе агентство выходного дня. И что, думаете, Chat GPT на SOL у меня опять кончился за один вечер — недельный лимит, и я опять ничего не успел сделать. А сделать я придумал интересное: я решил попробовать сделать ритм-игру. Я люблю музыку, люблю вайбить, и почему бы не объединить две эти идеи и сделать интерактивную игру, в которую можно играть с вашей музыкой? Идея показалась мне интересной, но вот лимит подписки за 20 баксов кончился, даже не дойдя до рабочего демо. Тут я вспомнил про Kimi K3, которые выпустили недавно свой собственный харнес, и я решил его протестировать. Скачал фирменный харнес, залогинился, запустил — не работает, много говорит про очередь. Пришлось оплатить подписку за 20 баксов, дело пошло, разобрался достаточно быстро в задаче и подхватил доделку за Chat GPT SOL. По расходу токенов пока непонятно. Но вот что понятно — харнес у них ну прям ооочень базовый. В нём нет буквально ничего: в нём есть агентность, есть чат, и на этом, собственно, всё. Ни сплит-вью всяких, ни красивых логов, ни аудиоввода или прослушивания сообщений — это всё ещё не завезли. Так что юзать фирменный харнес с ясовременно точно не советую. Но для чистоты эксперимента решил попробовать. Хотя если вы не притязательны и не знаете, что харнесы бывают разные, может, вам и подойдёт для базовых задач. Но я пробовал уже почти все харнесы, и пока всё ещё считаю самым прикольным Claude Desktop. Что ещё из забавного: Kimi K3 спавнит агентов с человеческими именами — это странно. А вы уже пробовали Kimi K3? Как вам? И какой ваш любимый харнес — пишите в комментариях.

Вот именно по следам этих кейсов и не только авторы статьи выше предлагают подход к оценке пользы от внедрения ИИ. OpenAI предлагает перейти к инженерному подходу - измерять не затраты на ресурс, а эффективность преобразования ресурса в полезный завершённый результат. В центре стоит метрика "полезный интеллект за доллар", которая раскладывается на четыре вопроса. Каждый вопрос - это не просто пункт в отчёте, а целая система сбора данных и принятия решений: 1. Выполняет ли ИИ действительно важную работу? Первый шаг - перестать измерять активность и начать измерять результат. Ценность создается не количеством сгенерированного текста, а завершенными полезными действиями. Важно  "определение завершенности" для каждого бизнес-процесса. Тот самый эффект который я называл ещё в 2019ом value в бизнес ноде. Например, для отдела продаж полезной работой будет не "сгенерировать 100 писем", а "отправить клиенту финальное письмо, которое утверждено руководителем". Это меняет фокус с процесса на результат. 2. Сколько стоит одна успешно выполненная задача? Это самый технический и важный пункт. Забудьте про цену за токен, она обманчива. Нужно считать полную стоимость одного принятого результата. И тут как раз вы можете фиксануть ROI, как я говорил выше. Формула простая: (Стоимость API-вызовов + Время персонала на промпты и правки + Время на проверку + Стоимость инфраструктуры) / Количество задач, принятых без доработок. Дешевая модель может давать много ошибок, требовать постоянных правок и в итоге обойтись дороже, чем более дорогая, но точная. Именно поэтому OpenAI выпускает GPT-5.6 с тремя моделями: Sol (для сложных задач, где ошибка дорога), Terra (золотая середина) и Luna (для рутинных операций). Выбор модели - это всегда поиск баланса между ценой и качеством конечного результата. Снова привет fusion или Fugu оркестрации. 3. Можно ли доверять результатам? Этот вопрос напрямую влияет на стоимость. Чем выше доверие к ИИ, тем меньше времени тратится на проверку. OpenAI выделяет тут три уровня зрелости: · Черновик. ИИ предлагает вариант, человек все перепроверяет. · Поиск и рассуждение. ИИ находит информацию и строит цепочки, но решения принимает человек. · Автономное действие. ИИ выполняет операции сам (отправляет письма, вносит данные). Для перехода на новый уровень нужно измерять доверие. Классифицируйте каждый ответ ИИ: · Зеленый –принят без изменений. · Желтый – требует легкой правки. · Красный – полностью переделан. Если доля "зеленых" ответов растет, значит, доверие повышается, а стоимость контроля снижается. 4. Растет ли ценность при масштабировании? Последний вопрос – про динамику. Даже если сегодня все хорошо, нужно следить, не ухудшается ли экономика при росте объемов. Ключевая метрика: Эффективность = Объем полезной работы / Совокупные затраты на ИИ Неплохая замена ROI в моменте, этакий аналог биржевого индикатора. Если вы увеличиваете использование ИИ в два раза, а затраты растут тоже в два раза - вы на месте. Если затраты растут медленнее - вы в выигрыше. OpenAI утверждает, что их модели постоянно улучшаются, а стоимость снижается. Но компаниям все равно нужно вести собственный счёт – собирать данные по каждому процессу и регулярно пересчитывать эффективность. Вот вам и новые задачи вашим аналитикам. 👍 Практический чек-лист для внедрения от OpenAI: 1. Выберите 3–5 ключевых процессов, где используется ИИ. 2. Для каждого четко определите «завершенную задачу». 3. Начните собирать данные о всех затратах (не только API, но и время сотрудников). 4. Ведите классификацию ответов (зеленый/желтый/красный). 5. Пересчитывайте стоимость за задачу и сравнивайте разные модели. 6. Раз в квартал оценивайте динамику эффективности. А как вы оцениваете вклад ИИ в своих проектах? Делитесь опытом в комментариях 👇👇👇

Время на "мы просто пробуем ИИ" уже закончилось. Как измерять реальную ценность от внедрения ИИ? Именно с этого отрезвляющего тезиса стартует статья от OpenAI. Теперь вы не можете как в 2023-2024, а кто-то все ещё сейчас просто экспериментировать ради любопытства, сегодня ИИ - это реальная производственная мощность, и нужно её измерять также, как электроэнергию или выч ресурсы. 📦 помнится, как оценивали качество от автоматизации ручных процессов или поддержки с ИИ: 1. Общий трафик DAU, MAU, WAU и тп. 2. Интерес, через возвращаемость ака retention rate. На самом деле, не так важно, что в первый день запуска вы вывалили большой трафик, как то, что если сервис полезен к вам будут возвращаться снова и снова. 3. Число принятых подсказок с ИИ - ака acceptation rate. К примеру, вы работаете с ИИ суфлером или код агентом копайлотом и вот число принятых подсказок по ответу оператора или коду можно было измерить так. 4. Польза в конечной бизнес ветке или ноде. Если вы работали с сценариями поддержки, на самом деле, автоматизация должна считаться не только числом закрытых вопросов в чате без перевода на оператора, но и измеряться закончился ли диалог на самом деле решением проблемы пользователя или он через час снова придёт с этой темой в чат (а тут уже retention rate работает против вас). Да это можно проксироват через CSI, NPS, но в век LLM и агентов можно верифицировать и без оценки человека, достигнуто ли было намерение юзера и решена проблема с которой он придёт. А ещё у нас была система штрафов за возвращаемость юзера по проблеме ещё раз в чат или к оператору. 5. Фин эффекты в лице ROI. Тут просто (на самом блин деле, ни фига не просто) отношение прибыли к затратам на ИИ сервис, фичу, решение, проект и тп. - скок заработали к тому сколько потратили на разработку, аммортиазцию железа и токены на эксплуатацию. Обычно измеряется в %, умножаетсы естественно на 100. Однако помимо этого, мало посчитать таким образом потенциал, ещё нужно посчитать срок окупаемости. ROI показывал, что мы имеем такой потенциал, а срок окупаемости за какое время мы его можем достичь. 6. Рост эффективности труда. Вот моё "любимое", что над именно считать на сколько уменьшится время на выкатку фичи, сервиса, продукта или нового кода/программы, ускориться принятие решения и тп. Ака Lead Time, Time to Market и аналоги. И да современный ИИ тут помогает. Почитали? Интересно? А теперь забудьте все не так радужно. Начну с ROI прям сразу - компании не умеют, а некоторые оунеры решений и не хотят считать это честно (не в смысле врут, а в смысле не все переменные учитывают). Часто в текущей реальности заканчивается оценкой скорости а-ля ТТМ, но никто не хочет посчитать деньги в конечной бизнес ноде. К примеру, вы смогли автоматизировать аналитику, сказали что ускоритель на К%, но почему-то не получаете оценку оборачиваемости капитала или out-of-stock (упущенные продажи) в денежках, на которые и повлияет ускорение принятия решения от внедрения ИИ. Но окей, вы посчитали это, но в знаменатель забудете положить кроме фот на разработку, ещё токен экономику и аммортизацию ваших мощностей (если они онпрем). Почти все не понимают, сколько токенов они будут кушатс. На самом деле, ну и не должны, вопрос ж в динамическом изменении этого, особено с МАС под капотом. Но раз тут у нас динамический показатель, то ROI не будет фиксой, как и поправки в срок окупаемости придётся вносить. Ну и мякотка, все хотят на старте это посчитать, а в вводных выше мы понимаем, что посчитать можно только по факту в начале (порой пальцем в небо) или за период (на конец отчетного), а без этого даже стартовать порой отказываются. Второе любимое это про экономию на ФОТ через автоматизацию. Ну тип дали людям огонь Claude Code и ща кааак начнём сокращать разрабов и экономить на дорогих манки кодерах. В итоге хороший agent developer с инструментом на max подписке кушает за себя и за Сашку. Те вы почти не экономите на ФОТ, тк сопоставимо тратите на токены.

Полгода назад я писал, что ИИ в неумелых руках — это обезьяна с гранатой. Сегодня десять агентов делают за меня первый проход почти по всей работе. И я всё ещё так считаю. Потому что вопрос не «доверять или не доверять». Вопрос — ГДЕ ГРАНИЦА. Отдаю целиком и не глядя (ну почти): 🔹 обложки 🔹 поиск информации 🔹 презентации 🔹 первый проход по документации Отдаю, но читаю каждую строчку: 🔹 код и тесты — агент отлично пишет тесты под уже готовую реализацию, и ровно поэтому они выходят тавтологическими: проверяют, что код делает то, что делает 🔹 код-ревью — это первый проход, а гейт всё равно я 🔹 аналитика и медийная стратегия Без моего апрува не уезжает никуда: 🔹 рассылки — они улетают живым людям, Ctrl+Z там нет 🔹 деплой Про деплой отдельно. Агент ходит на сервер напрямую — но учётка, под которой он туда ходит, обрезана до минимального набора разрешений. Не потому что модель тупая. А потому что в июле 2025 в Replit агент снёс продовую базу во время code freeze — ВОПРЕКИ прямым инструкциям — а потом ещё и соврал, что откат невозможен. Откат был возможен. Необратимое агенту не отдаём. Точка. А теперь про то, как агент облажался у меня. Попросил написать сценарий для ролика. Написал. Настолько общими словами, что переписывать пришлось практически всё. Но СТРУКТУРУ я оставил — она оказалась хорошая. Отсюда правило, по которому теперь живу: агенту отдаю КАРКАС, мясо пишу сам. Что реально изменило жизнь — это Notion через MCP-серверы (по сути переходники). Раньше разгребание этих конюшен занимало часы. Сейчас управляюсь за 5 минут. Но кайф даже не в этом: беспорядок больше НЕ КОПИТСЯ. Гигиена держится сама. И самое главное — декомпозиция больших задач. Работает не подпись «ты у нас аналитик, а ты разработчик». Работают три вещи: 🔹 явные ГРАНИЦЫ роли — что агент делать не должен 🔹 критерии готовности — по какому признаку задача считается закрытой 🔹 termination criteria — когда остановиться и не молотить дальше Без этого мультиагентка разваливается. По исследованию MAST (arXiv 2503.13657) ~42% отказов мультиагентных систем — это вообще не «модель тупая», а кривая спецификация ролей. Ещё 37% — координация. То есть в 4 случаях из 5 виноват не ИИ, а ТЗ. Да, на днях я нанял ассистента. Человека, не агента. Не потому что «масштабируюсь», а потому что упёрся: куча времени уходила на работу, которую агенту нельзя отдать в принципе. Она вся про договорённости с живыми людьми и про репутацию. Формулировка, к которой я пришёл: делегировать можно задачу и полномочия. Ответственность — нельзя. Агент вообще не субъект ответственности. Косякнул агент — косякнул Я. Поэтому всё, что создаёт обязательства перед людьми или необратимо на масштабе, к нему не едет. И для этого не нужен бюджет на ассистента — нужна честная разметка своей же работы. А теперь вопрос к вам. Не «что агенты не могут» — это скучно. Что вы уже пробовали отдать агенту — и ЗАБРАЛИ ОБРАТНО? У меня это сценарии роликов: каркас — да, текст — нет. Бомбите в комментарии, самое злое соберу в отдельный пост. Мчим дальше!

8 месяцев назад вышла Kimi K2 Thinking, и мы слышали то же самое: «Chinese open-source model is #1». Через 3 месяца после релиза я собрал аналитику по 16 бенчмаркам, вышедшим после релиза модели, и сравнил с GPT-5 / Sonnet 4.5. Модель была хуже на 13 (!!!) из них, причём на 7 — более чем на 10 процентных пунктов (пп). Повторится ли это с Kimi K3? Свои мысли и предсказания я напишу в конце, а пока пришла пора ретроспективно оценить DeepSeek v4 Pro (Preview) — с его релиза прошло почти 3 месяца. За это время я смог найти 32 новопоявившихся бенчмарка. В релизном блогпосте v4 Pro сравнивали с Opus 4.6 и GPT-5.4, и модель якобы «была лучше» в 4 и 3 бенчмарках из 6 соответственно. Surely результаты на новых будут сопоставимы? Нет. Opus 4.6 и DeepSeek v4 Pro обе были замерены на 10 бенчмарках — на 9 из них китайская модель проигрывает, и на 5 — более чем на 20 (!) относительных процентов. Сравнение с GPT-5.4 выглядит чуть менее жестким: DeepSeek v4 Pro оказался лучше на 3... но всё равно хуже на 13. (Количество бенчмарков разное потому, что не каждый бенчмарк замеряет цифры и для GPT, и для Claude). На 6 бенчмарках разница больше 20 относительных процентов. Но вообще-то стоит вспомнить, что и GPT-5.5, и Opus 4.7 вышли ДО DeepSeek v4 (на самом деле впритык, но всё же). И если добавить эти модели, как будто мы сравниваем со всеми моделями, доступными на момент релиза v4, то ситуация становится просто мрачной. Все 32 бенчмарка проиграны, и средняя разница в абсолютных оценках составляет -18.6 пп. Эта разница вырастает до -23 пп, если брать только те бенчмарки, которые я классифицировал как Agentic Coding (SWE-bench style), где казалось бы падение должно быть не таким существенным. Только подумайте: модель не решает четверть задач, которые решали проприетарные модели, доступные на момент релиза DeepSeek V4 Pro. Повторится ли эта ситуация с Kimi K3? Ведь ей предстоит пережить сравнение с GPT-5.6-Sol и Fable 5. Я уверен, что да — по сумме показателей на десятках бенчмарков мы точно увидим разницу, хотя, возможно, не настолько значительную. В конце концов по тем веб-сайтам, что я вижу в своей твиттер-ленте, модель действительно не хуже Fable на фронтенд-задачах, даже на очень креативных промптах. Вполне возможно, что на широком наборе других задачах на программирование модель тоже конкурентна или хотя бы отстаёт не так сильно. Может быть даже сможет потягаться в подготовке презентаций и экселек. Условно, если снова соберётся 30 бенчмарков, мы можем увидеть, скажем, 8 побед за Kimi, 5 ничьих и 17 поражений. А может быть, она покажет себя даже лучше — поживём увидим. Главное то, что Kimi K3 может быть той моделью, которая покажет, что существуют некоторые поддомены, в которых Китайские модели действительно не отстают систематически. Это не качество по всемнаправлениям, и "в среднем" проприетарные всё равно будут лучше — речь именно про поддомены (например, «вебсайты с 3D-графикой на three.js» или «веб-игры», по которым многие делают слишком далекоидущие выводы). (Не воспринимайте этот текст как «Kimi / DeepSeek говно и никто не должен их использовать». Пожалуйста, прочитайте детали моей позиции в блогпосте по ссылке). Все графики и данные тут: ссылка.