✔️ ElevenMusic: стриминг с генерацией и монетизацией ремиксов

ElevenLabs запустила площадку ElevenMusic, где стриминг совмещён с генерацией треков. На бесплатном тарифе доступно 7 генераций в день, подписка за $9,99 в месяц поднимает лимит до 500 композиций.

Треки можно публиковать и слушать только внутри сервиса. Для использования в играх, рекламе и других внешних продуктах нужен тариф ElevenCreative Music.

На старте в каталоге работы более 4000 авторов. Слушатель может менять темп или жанр любого трека из библиотеки и собирать собственные композиции по текстовым промптам.

Платформа платит авторам за прослушивания оригиналов и ремиксов - та же механика, что в библиотеке голосов ElevenLabs, где создатели моделей суммарно получили более $11 млн.
elevenlabs.io

Читать полностью…

✔️ Открытая модель на ретро-данных до 1930 года

Алек Рэдфорд, автор GPT-1, GPT-2 и CLIP, совместно с Университетом Торонто обучил 13B-модель исключительно на текстах, опубликованных до 31 декабря 1930 года.

В сет на 260 млрд токенов вошли: англоязычные книги, газеты, патенты и судебные архивы. Моделью-судьей выступила Sonnet 4.6. В обучающем корпусе нет кода, поэтому модель защищена от протекания бенчмарков. Тем не менее на HumanEval она пишет простые Python-скрипты.

Авторы прогнали модель по архивным сводкам The New York Times: перплексия на материалах после 1930 года растёт, максимум - на текстах 1950–60-х. Летом команда планирует масштабировать датасет до 1 трлн токенов и выпустить ретро-модель, сопоставимую по возможностям с ChatGPT.
talkie-lm.com

Читать полностью…

🔥 Sakana показала, как будут выглядеть AI-команды будущего: один агент больше не решает всё сам

Sakana AI представила работу “Learning to Orchestrate Agents in Natural Language with the Conductor”, принятую на ICLR 2026. Идея простая, но мощная: вместо того чтобы заставлять одну модель тянуть всю задачу на себе, исследователи обучили отдельную 7B-модель быть менеджером для других ИИ.

Этот Conductor не пишет код и не решает задачу напрямую. Он смотрит на проблему и сам решает, кого из агентов подключить, какую подзадачу каждому дать и какой контекст показать. По сути, это не просто роутер между моделями, а мета-промпт-инженер, который собирает рабочую AI-команду под конкретную задачу.

Самое интересное, что поведение появилось не через жёстко прописанные правила, а через Reinforcement Learning. На простых вопросах Conductor может обойтись одним вызовом модели. На сложных задачах он сам выстраивает цепочку: планировщик, исполнитель, проверяющий, исправляющий агент. Очень похоже на то, как сильная команда разбивает сложную работу на роли.

Результаты выглядят серьёзно. 7B Conductor смог обойти каждую отдельную модель из своего пула, включая GPT-5, Gemini, Claude и open-source модели, доступные на момент исследования. В работе заявлены новые рекорды на LiveCodeBench: 83.9% и GPQA-Diamond: 87.5%. При этом система оказалась дешевле тяжёлых multi-agent подходов вроде Mixture-of-Agents.

Отдельная фишка называется Recursive Test-Time Scaling. Conductor может выбрать самого себя как одного из рабочих агентов, перечитать результат своей команды, понять, где всё пошло не так, и собрать новый исправляющий workflow. То есть масштабирование на инференсе происходит не просто за счёт “подумай дольше”, а за счёт самосборки новой команды под ошибку.

Главный вывод тут не в том, что появился ещё один multi-agent фреймворк. Важнее другое: модели начинают учиться не только отвечать, но и управлять другими моделями. Если раньше AI-системы строились вокруг одного “самого умного” агента, то теперь фокус смещается к оркестрации, ролям, проверкам и коллективному мышлению.

И похоже, именно на этом фундаменте Sakana строит свою новую multi-agent систему Sakana Fugu.

sakana.ai/fugu-beta)


OpenReview: https://openreview.net/forum?id=U23A2BUKYt

Читать полностью…

⚡️ 12 крутых вещей, которые умеет Claude

Большинство до сих пор общается с Claude как с обычным чат-ботом. В итоге использует примерно 10% того, что он реально умеет.

Вот остальные 90%.

1. Сайты без кода через Claude Code

Подключаете GitHub, описываете обычным языком, что нужно собрать, и выкатываете в прод. Лендинги, дашборды, внутренние тулзы - это уже не демо, а рабочий сценарий.

2. Доступ к вашему компьютеру

Claude может кликать, открывать сайты и работать на Mac, пока вас нет рядом. Управлять процессом можно с телефона через Dispatch.

3. Skills через /commands

Один раз описываете сценарий, дальше команда вроде /linkedin или /brief запускает его в один клик. Skills можно расшаривать всей команде.

4. Слайды с ресёрчем из одного промпта

Claude изучает тему, собирает структурированный бриф и превращает его в презентацию через Gamma. Без ручной копипасты между вкладками.

5. Расписание

Регулярные задачи запускаются автоматически. Например, сводка по конкурентам каждый понедельник в 7 утра. Настройка занимает пару минут.

6. Excel-файлы из текста

Описываете, какая таблица нужна, и получаете финансовую модель, дашборд или аналитику. Без ручного написания формул.

7. Connectors

Claude можно подключить к Slack, Gmail, Google Drive, Notion и десяткам других сервисов. Он не просто пересказывает данные, а работает внутри ваших инструментов.

8. Cowork как AI-сотрудник

Указываете рабочую папку, дальше Claude сам читает файлы, задаёт уточняющие вопросы и выдаёт готовые документы, отчёты и черновики.

9. Projects с памятью

Cowork Projects помнят прошлые сессии. Пишете «продолжи отчёт с прошлой недели», и контекст подтягивается без повторного объяснения.

10. Плагины под роль

Есть готовые наборы для Sales, Marketing, Legal, Finance и Data. Каждый даёт специализированные workflow, команды и шаблоны под конкретную работу.

11. AskUserQuestion

Claude сам задаёт нужные уточняющие вопросы в виде кликабельной формы. Не нужно писать километровый промпт и пытаться заранее предусмотреть всё.

12. Claude Design

Лендинги, pitch decks, прототипы приложений, экспорт в Canva, PDF или сразу в Claude Code на доработку.

Главная мысль простая: Claude давно перестал быть чат-окном с текстом. Это связка из агента, инструментов, расписаний, памяти и доступа к вашим сервисам.

Вопрос уже не в том, что он умеет. Вопрос в том, какие из этих 12 возможностей вы реально подключили.

Читать полностью…

🚨 Искусственный интеллект Anthropic взломан: модель Mythos вышла из-под контроля!

Модель Claude Mythos от Anthropic, которую компания скрывала, называя её «слишком опасной для общественности» из-за её способностей к кибератакам и взлому операционных систем, была захвачена хакерами!

Благодаря утечке данных через партнёра по обучению Mercor хакеры расшифровали схему именования модели, предсказали структуру URL и проникли внутрь.

Заявления Дарио Амадео о том, что «у нас самая безопасная лаборатория», рухнули из-за этой масштабной утечки. Речь идёт не только о Mythos — вся линия разработки (pipeline) Anthropic теперь может быть в руках пиратов.

Самый мощный «ключ» цифрового мира теперь в руках тёмных сил за дверью!

Читать полностью…

🧭 LLMRouter - умная маршрутизация запросов между LLM

UIUC (ULab) выложили LLMRouter - проект про то, что скоро станет стандартом в AI-продуктах:

не выбирать “одну лучшую модель”,
а маршрутизировать запросы между несколькими LLM так, чтобы было:
- дешевле
- быстрее
- точнее

Идея простая:
разные модели сильны в разном.

Одна лучше пишет код, другая - рассуждает, третья - дешёвая для рутины.
Но большинство продуктов до сих пор делают тупо:
“все запросы → одна LLM”.

LLMRouter делает наоборот:
- анализирует входной запрос
- оценивает сложность / тип задачи
- выбирает подходящую модель
- может учитывать цену, latency, качество, политики

В итоге:
✅ обычные вопросы идут в дешёвую модель
✅ сложные reasoning-задачи - в сильную
✅ код/инструменты - в специализированную
✅ и всё это автоматически

Почему это важно:
как только у тебя 3-5 моделей (OpenAI/Anthropic/Gemini/open-source),
маршрутизация превращается в экономию десятков тысяч долларов в месяц.

Короче: это “load balancer” для LLM, но с мозгами.

GitHub: https://github.com/ulab-uiuc/LLMRouter
#LLM #AI #Routing #Agents #MLOps

Читать полностью…

Секунда - и ты уже не понимаешь, что произошло: два силуэта в белом, вспышка, очко. Фехтование всегда было спортом быстрее человеческого глаза.

Японцы это изменили!

Система Fencing Visualized (https://dentsulab.tokyo/en/works/fencingvisualized/) превращает бой в читаемую картинку: компьютерное зрение в реальном времени отслеживает кончик шпаги и рисует за ним цветной след. Теперь видно не просто “кто выиграл”, а как именно был нанесён укол.

Раньше это выглядело как хаос. Теперь - как дуэль на световых мечах из Star Wars.

И внутри никакого железа:

без датчиков
без маркеров
только видео и нейросети
Система сама вытаскивает движение из потока и накладывает визуал прямо во время трансляции. Плюс - уже умеет распознавать приёмы фехтовальщиков.

AI делает сложный спорт понятным.

Теперь вопрос времени, когда в футболе появится огненный след за мячом и полоска стамины над игроками.

Читать полностью…

⭐️ Opus 4.7 перестал угадывать. И в этом вся разница.

4.6 выглядел умным, потому что додумывал за тебя.
4.7 больше так не делает.

Если ты не сказал, он не будет предполагать.
Если инструкция неочевидна, он не будет «догадываться».

И это сначала ощущается как деградация.
Но на деле это убрали галлюцинации под видом «интеллекта».

Есть два типа неопределённости, и они теперь ведут себя по-разному.

Когда задача размытая, но цель понятна - 4.7 справляется лучше.
Когда формулировка кривоватая - он не пытается угадать, что ты имел в виду.

Раньше модель закрывала это фантазией.
Теперь возвращает контроль тебе.

Тебе не нужно писать длинные инструкции.
Нужно чётко задать:

• что ты строишь
• зачем это нужно
• что считается хорошим результатом

Дальше модель сама достраивает остальное.

И меняется сам процесс разработки.

Сначала смотри план, а не код.
Ошибки появляются не в реализации, а в понимании задачи.

plan mode позволяет поймать это до генерации кода
/ultrareview уже проверяет результат

Точка контроля - не строки кода
а изначальное намерение

• 4.6 казался умным
• 4.7 стал честнее.

Читать полностью…

Роскошный максимум: получить приглашение в команду SberAds за один день! 😉

Сделать это можно на One Day Offer* для Data Analyst**, который пройдёт уже 25 апреля. Сбер ждёт специалистов, которые готовы:

✔️ создавать и улучшать модели для real-time аукционов
✔️ трансформировать SberAds — вывести на пик эффективности, качества и релевантности рекламы
✔️ стать частью команды из 8000+ коллег (это вау! 🤩)

Занимай место в проекте мечты!

* One Day Offer — предложение о работе за один день.
** Data Analyst — аналитик данных.

Читать полностью…

GitHub stars больше не показатель. Их просто покупают

Исследование показало: около 6 миллионов звёзд, поставленных недавно на GitHub могут быть накрученными. Это 18 617 репозиториев и 300 000+ аккаунтов.

Рынок уже сформировался:
• звезда стоит от $0.03 до $0.85
• продаётся через фриланс-платформы, вроде Fiverr и через Telegram
• накрутка делается пачками под запуск или «рост» проекта

Проблема в том, что инвесторы и алгоритмы до сих пор смотрят на звёзды как на сигнал качества и популярности.

Реальный показатель сейчас - разрыв между метриками:

• если звёзд много, а форков и watchers почти нет
• если никто не копирует код и не следит за обновлениями
• если нет активности в issues и PR

https://awesomeagents.ai/news/github-fake-stars-investigation/

Читать полностью…

Невероятное открытие: Математики тихо провернули безумную вещь: нашли «универсальную операцию» для всей математики
Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу.

Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов.

Так вот здесь сделали то же самое, только для непрерывной математики.

Вместо кучи операций вводится одна:

eml(x, y) = e^x - ln(y)

И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку.

Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано.

И вот тут начинается самое интересное.

Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется.

С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом.

А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети.

То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу.

Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных.

www.alphaxiv.org/abs/2603.21852v2

Читать полностью…

🔥 Инженер из Google автоматизировал 80% работы с помощью Claude Code

Разработчик из Google с 11-летним стажем собрал систему, которая взяла на себя 80% его рутинных задач. В основе - Claude Code и три компонента, каждый из которых закрывает конкретную боль. Разбираемся, как это устроено и почему вам стоит попробовать уже сегодня.

CLAUDE.md по правилам Карпати: как один файл снижает ошибки с 40% до 3%
Андрей Карпати - один из самых влиятельных AI-исследователей в мире - задокументировал типовые ошибки, которые допускают LLM при работе с кодом. Кто-то взял эти наблюдения и превратил их в один-единственный файл CLAUDE.md на 15 000 слов. Идея простая: если ошибки предсказуемы, их можно предотвратить правильными инструкциями.

Внутри четыре принципа: Simplicity First (не усложняй), Surgical Changes (меняй точечно), Think Before Coding (сначала подумай, потом пиши), Goal-Driven Execution (работай на результат). Никаких фреймворков и сложного тулинга - один файл, который меняет поведение Claude на уровне проекта. Без CLAUDE.md Claude нарушает конвенции примерно в 40% случаев. С ним - нарушения падают до 3%. Настройка занимает 5 минут.

На GitHub появился репозиторий everything-claude-code (github.com/affaan-m/everything-claude-code), который набрал уже более 153 000 звезд. Это не просто коллекция промптов, а полноценная операционная система для разработки продуктов с помощью AI. Внутри: planner.md для планирования фич, architect.md для принятия системных решений, tdd-guide.md для тестирования, более 30 специализированных агентов, свыше 180 скиллов и встроенный AgentShield с 1282 тестами безопасности.

Работает на Claude, Codex, Cursor, OpenCode, Gemini - одна система везде. Можно установить через plugin marketplace или вручную скопировать нужные компоненты в .claude/ вашего проекта. Только не грузите все сразу - берите то, что реально нужно.

Кто-то настроил HTTP-прокси и перехватил полные API-запросы четырех разных версий Claude Code. Выяснилось занятное: версия v2.1.100 отправляет меньше байт, но списывает на 20 000 токенов больше, чем v2.1.98. Инфляция происходит целиком на стороне сервера - вы ее не видите в клиенте.

Почему это важно не только для кошелька: эти 20 000 токенов попадают в реальное контекстное окно Claude. Ваши инструкции из CLAUDE.md разбавляются скрытым контентом, качество ответов падает, а вы даже не понимаете почему. Временное решение - откатиться на v2.1.98 командой npx claude-code@2.1.98. Фикс занимает 30 секунд.

Кейс: как выглядит полная автоматизация на практике
Тот самый инженер собрал трехступенчатый пайплайн. Dotnet-приложение обращается к GitLab API каждые 15 минут. Claude читает задачу и решает, готова ли она к работе. Если да - пишет код, прогоняет тесты, открывает merge request. Результат через неделю: вместо 8 часов кодинга в день - 2-3 часа на ревью и тестирование. Качество кода при этом не упало, потому что он проверяет каждый коммит.

Никакой магии: CLAUDE.md + правильные агенты + 15-минутный цикл. Это не требует гениальности или опыта из FAANG. Нужно просто потратить один вечер на настройку и перестать спорить, заменит ли AI разработчиков, и начать использовать его как инструмент.

Ссылки:

Репозиторий Everything Claude Code: https://github.com/affaan-m/everything-claude-code

Читать полностью…

⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!

Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?

Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.

И 90% таких систем ломаются между ноутбуком и продом.

AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.

На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.

👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/

Читать полностью…

⚡️ 8 хуков Claude Code, которые автоматизируют то, что вы вечно забываете

Вы говорите Claude Code отформатировать файл, а он этого не делает. Просите не трогать .env, а он лезет туда первым делом. Напоминаете прогнать тесты перед завершением, а он забывает.

Знакомо?

Все потому, что CLAUDE.md по сути является рекомендацией. Claude читает его и следует ему примерно в 80% случаев. Хуки работают иначе.

Это автоматические действия, которые срабатывают каждый раз, когда Claude редактирует файл, выполняет команду или завершает задачу.
Ниже разберем 8 готовых хуков, которые можно скопировать прямо в settings.json и больше о них не вспоминать.

https://uproger.com/8-hukov-claude-code-kotorye-avtomatiziruyut-to-chto-vy-vechno-zabyvaete/

Читать полностью…

🔥 5 главных AI coding агентов 2026 года: https://www.youtube.com/shorts/cvs93C4k-IQ

Сравнили всё: модели, контекст, цены, автономность
Claude Code, Codex, Cursor Agent, Gemini CLI, Deepagents. Пять инструментов, которые определяют, как пишется код прямо сейчас. Разложили по полочкам.

Claude Code работает на Sonnet/Opus, контекст 200K (1M на Max), закрытый код, $3/$15 за миллион токенов. Лучше всего для сложных мультифайловых задач.

Codex от OpenAI - терминал + облако, GPT 5.3/5.4 Codex, миллион токенов контекста, высокая автономность.

CLI открыт, облако нет. $1.50/$6. Заточен под асинхронные фоновые задачи.

Cursor Agent - единственный, кто встроен в IDE. Работает с несколькими моделями (Claude, GPT, Gemini), но автономность низкая, больше интерактивный. Закрытый код. ~$1.25/$6. Для повседневного кодинга.

Gemini CLI от Google - полностью open source (Apache 2.0), бесплатный (1K запросов в день), Gemini Flash/Pro, миллион токенов. Средняя автономность. Лучший бесплатный вариант.

Deepagents - MIT-лицензия, работает с любой LLM, SDK + CLI, конфигурируемая автономность. Бесплатен (платишь только за свою модель). Для кастомных пайплайнов.

Два опенсорсных, два закрытых, один гибрид. Выбор зависит от задачи, бюджета и того, насколько вы готовы отдать контроль агенту.

https://www.youtube.com/shorts/cvs93C4k-IQ

Читать полностью…

Baidu выкатили ERNIE 5.1 Preview

Модель уже доступна и сразу залетела на 13-е место в мире в Text Arena от Arena. Среди китайских лабораторий - первое место.

По отдельным направлениям результат ещё интереснее: Math - 9-е место, Legal & Government - 1-е место, Business, Management & Financial Ops - 4-е место, Software & IT Services - 7-е место.

ERNIE 5.1 Preview построена на базе ERNIE 5.0, но Baidu ужала общее число параметров примерно до одной трети, а активируемые параметры - примерно до половины от прошлой версии.

При этом заявленный pre-training cost - всего около 6% от стоимости сопоставимых моделей. То есть Baidu пытается играть не только в «кто больше», а в «кто дешевле, компактнее и всё ещё достаточно силён».

Попробовать можно здесь: https://ernie.baidu.com

Читать полностью…

SenseNova-U1: мультимодальная модель без привычной «склейки» зрения и языка

SenseNova-U1 вышла на ModelScope под Apache 2.0. Это native multimodal модель, которая объединяет понимание и генерацию в одной архитектуре.

Внутри NEO-Unify: без visual encoder и без VAE. Вместо отдельной обработки картинки и текста модель работает с языком и визуальными данными как с единым end-to-end представлением.

На практике одна модель закрывает сразу несколько задач: text-to-image, редактирование изображений, interleaved generation и visual QA.

Заявлены две версии: 8B-MoT dense и A3B-MoT MoE. По словам разработчиков, SenseNova-U1 показывает SOTA на open-source бенчмарках для понимания и генерации.


https://modelscope.cn/models/SenseNova/SenseNova-U1

Читать полностью…

Claude можно превратить из «чат-бота» в полноценного агента, если правильно организовать проект.

Вся магия - в структуре папки:

your-project/
├── CLAUDE.md → инструкции для команды (сохраняется в репозитории)
├── CLAUDE.local.md → личные настройки (игнорируется git)

├── .claude/ → центр управления
│ ├── settings.json → права доступа и конфигурация (в репозитории)
│ ├── settings.local.json → локальные настройки

│ ├── commands/ → кастомные slash-команды
│ │ ├── review.md → /project:review
│ │ ├── fix-issue.md → /project:fix-issue
│ │ └── deploy.md → /project:deploy

│ ├── rules/ → модульные инструкции
│ │ ├── code-style.md
│ │ ├── testing.md
│ │ └── api-conventions.md

│ ├── skills/ → авто-запускаемые workflow
│ │ ├── security-review/
│ │ │ └── SKILL.md
│ │ └── deploy/
│ │ └── SKILL.md

│ └── agents/ → субагенты (роли)
│ ├── code-reviewer.md
│ └── security-auditor.md


Фактически ты собираешь мини-систему из агентов внутри репозитория.

https://www.youtube.com/shorts/ej5qiDJ0Ibo

Читать полностью…

⚡️ Вы слышали про Rust. Знаете, что он быстрый, безопасный и что за ним будущее.

Осталось одно: сесть и выучить.

Этот курс со Stepik- кратчайший путь от «знаю что такое Rust» до «пишу на нём».

6 модулей, 50 уроков, 143 теста. Ownership, borrowing, traits, async, Tokio, Axum, макросы, WASM — всё разложено по полочкам и закреплено практикой.
Никакого видео на 40 минут ради одной мысли. Подробный текст, много кода, реальные задачи после каждого урока. На выходе — портфолио из 10+ проектов: от CLI-утилит до REST API с базой данных.

48 часов действует скидка 55 процентов: stepik.org/course/269250

Читать полностью…

🌟 Google выпустила Deep Research и Deep Research Max

Компания представила 2 новых автономных агента в Gemini API - Deep Research и Deep Research Max. Оба построены на Gemini 3.1 Pro и доступны через Interactions API.

Главное изменение по сравнению с декабрьским превью - поддержка MCP: теперь агент умеет выходить за пределы открытого веба и работать с закрытыми корпоративными источниками данных.

🟢Deep Research оптимизирован под скорость и низкую стоимость. Он заменяет декабрьскую preview-версию и предназначен для интерактивных сценариев, где ответ нужен быстро.

🟠Deep Research Max использует расширенный test-time compute, итеративно рассуждает, ищет и уточняет финальный отчёт.

Типичный сценарий: асинхронные фоновые процессы, например ночной cron-job, готовящий аналитикам к утру набор подробных аналитических отчётов.

По внутренним замерам Google, Max консультируется с заметно большим числом источников и точнее взвешивает противоречивые свидетельства, чем декабрьская версия. Все отчёты полностью сопровождаются ссылками (от документов SEC до открытых рецензируемых журналов).

Инструменты агента можно включать одновременно: Google Search, URL Context, Code Execution, File Search и произвольные удалённые MCP-серверы. Веб при желании отключается (тогда поиск идёт только по пользовательским данным). В качестве опорных данных принимаются PDF, CSV, изображения, аудио и видео.

Отдельное новшество - нативная генерация графиков и инфографики прямо в теле отчёта через HTML или Nano Banana, без внешних библиотек.

Для интерактивных интерфейсов предусмотрен стриминг промежуточных рассуждений и результатов в реальном времени.

Появился и режим совместного планирования: план исследования можно просмотреть и скорректировать до того, как агент начнёт его выполнять.

Deep Research и Deep Research Max доступны в режиме public preview на платных тарифах Gemini API.

В ближайшее время оба агента появятся в Google Cloud для корпоративных клиентов.

@ai_machinelearning_big_data

#news #ai #ml

Читать полностью…

Как мы автоматизировали Code Review с помощью LLM ⚡️

В Авито большой поток пул-реквестов. Разработчики регулярно отвлекаются на ревью чужого кода, отчего быстрее устают. К тому же у каждого ревьюера своё представление о том, как делать правильно.

Мы автоматизировали часть проверок с помощью LLM, чтобы освободить разработчиков от этой задачи. Модель анализирует код и находит максимум потенциальных ошибок, но благодаря валидации оставляет комментарии только по делу. Разработчики получают полезную обратную связь и могут сосредоточиться на основной работе.

О том, как устроена система, почему выбрали селфхостинг и какие метрики отслеживаем, рассказывает Марк Каширский, DS-инженер команды LLM Авито.

Прочитать подробности на Хабре

Читать полностью…

Как подросток заработал $70 000 за месяц на ИИ книгах
Как подросток заработал $70 000 за месяц на ИИ книгах

Пятнадцатилетний парень за один месяц поднял $70 000 на книгах, которые никто в здравом уме не стал бы читать. Весь механизм держится на одной цифре: Amazon платит авторам Kindle Unlimited около<b> $0.0041 за каждую прочитанную страницу</b>. Если книга на <b>3000</b> страниц получает тысячу фейковых прочтений в день, это уже <b>$12 000</b> в месяц. Сто таких книг одновременно дают больше миллиона долларов в месяц.

Схема до смешного простая. Открываешь любой ИИ инструмент, просишь сгенерировать книгу на 3000 страниц, ждёшь пару минут, добавляешь обложку и заливаешь в Amazon KDP. Включаешь раздачу через Kindle Unlimited, и книга моментально становится доступна миллионам читателей. Дальше идёт самая интересная часть.

Автор платит клик ферме пару сотен долларов, и тысячи фейковых аккаунтов Kindle начинают круглосуточно имитировать чтение этой книги. Некоторые ребята крутили сотни книг одновременно, каждая под разным именем, каждая ровно на максимальных 3000 страницах, каждая прокачивалась ботами 24/7. Отдельные умельцы вставляли на первую страницу поддельные ссылки вроде "выиграй Kindle Fire", которые одним кликом уносили реального читателя сразу на последнюю страницу и засчитывали полное прочтение.

Amazon в итоге спохватился и срезал лимит страниц в Kindle Unlimited с 10 000 до 3000. Под раздачу попали и настоящие авторы: боты маскировали свою активность, читая случайные легитимные книги, из за чего живых писателей начали банить вместе с мошенниками.

Вся эта история показывает неприятную изнанку связки ИИ и платформ с автоматическими выплатами. Генеративные модели превратили написание тысяч страниц в дело пары минут, а системы монетизации по прочтениям до сих пор не умеют отличать бота от человека. Пока платформы учатся защищаться, кто то спокойно делает на этом миллионы.

https://vc.ru/money/2874629-kak-podrostok-zarabotal-dengi-na-ii-knigakh-i-kindle-unlimited

Читать полностью…

⚡️ Курс по Deep Learning (Fall 2024) от MIT выложили в открытый доступ.

Один из преподавателей — Phillip Isola, исследователь в области Computer Vision, известный по работе над CycleGAN (2017).

В курсе есть всё:
- видеолекции
- слайды
- дополнительные материалы
- домашние задания

Домашки можно попробовать выполнить самостоятельно — это хороший способ закрепить материал.

Курс подойдёт тем, кто уже знаком с основами и хочет лучше разобраться в Deep Learning, а не только использовать готовые инструменты.

Скачать и смотреть:
https://ocw.mit.edu/courses/6-7960-deep-learning-fall-2024/video_galleries/lecture-videos/

Читать полностью…

Ты до сих пор пишешь промпты как «сделай пост про AI» и удивляешься, что получается мусор?

Проблема не в модели. Проблема в том, что ты сразу просишь результат, минуя самый важный этап — выравнивание контекста.

Продвинутый хак: перестань писать промпты как команды. Начни писать их как процесс.

90% людей делают так:
«Напиши пост для LinkedIn про AI»

1% делают так:
«НЕ начинай писать. Сначала задай вопросы, чтобы понять аудиторию, цель, стиль и уровень глубины»

И это полностью меняет качество ответа.

Почему это работает

LLM не читает твои мысли. Она достраивает недостающий контекст сама.
И почти всегда делает это неправильно.

Когда ты заставляешь модель сначала задавать вопросы:
- она сама собирает контекст
- снижает вероятность галлюцинаций
- подстраивается под задачу до генерации

Фактически ты превращаешь её из генератора текста в аналитика перед генерацией.

Но есть уровень выше.

Топовый промпт выглядит так:

«Хочу написать пост для LinkedIn про AI инструменты, которые использую каждый день.
Не начинай писать.
Сначала задай уточняющие вопросы.
После этого предложи структуру поста.
Согласуй её со мной.
И только потом напиши финальный текст»

Ты разбиваешь задачу на этапы:
контекст → структура → результат

Это и есть настоящая работа с моделями.

Самое интересное

Такой подход:
- уменьшает количество итераций в 2-3 раза
- дает текст, который реально можно публиковать
- экономит токены, потому что нет переписываний

Вывод простой

Плохой промпт просит ответ.
Хороший промпт управляет процессом мышления модели.

Именно это и есть разница между новичком и тем, кто реально выжимает из LLM максимум.

Читать полностью…

Трансформация профессии разработчика в эпоху ИИ

Профессия разработчика меняется прямо сейчас: ИИ уже пишет код, предлагает архитектуру и собирает прототипы за минуты. Но без фундаментальных знаний архитектуры, алгоритмов, сетей, безопасности и DevOps использовать такие инструменты рискованно.
Центральный университет запускает серию бесплатных вебинаров о том, как меняется роль разработчика в 2026 году, какие навыки остаются критически важными и как безопасно и эффективно использовать нейросети в разработке.

На вебинарах разберем:
— почему ИИ не заменит программиста, но изменит его роль;
— какие навыки и языки будут востребованы;
— чего ждут работодатели от разработчиков сегодня;
— почему магистратура по бэкенд-разработке может стать преимуществом;
— как вырасти в техлида и тимлида, не теряя технических экспертных знаний.

Спикеры — лидеры индустрии из Центрального университета, Авито и cloud. ru.
Даты вебинаров: 21, 23 и 27 апреля 2026, 19:00 мск.

Регистрируйся по ссылке

Читать полностью…

✔️ Т-Банк использует ML-модели в своей рекламной платформе.

По словам Василия Разумных, CTO «Т-Рекламы», рекламная платформа Т-Банка изначально строится вокруг ML. Модели используются не только для предсказания кликабельности, а для всего целиком: от формирования аудитории до генерации креатива в реальном времени. Вместо статичного баннера система динамически собирает офер — комбинирует условия партнера, продукты экосистемы, персональные скидки прямо в момент запроса.

От ручного управления ставками отказались, потому что поведение пользователей и контекст меняются слишком быстро. Автоматизация на данных повысила эффективность, снизила нагрузку на менеджеров и число ошибок. В аукционе ставка перестала быть единственным фактором победы — добавилась многокритериальная оптимизация с прогнозом вовлеченности и качеством креатива.

Главные инженерные сложности были не в самих моделях, а в низкой задержке при обработке данных и сохранении их актуальности. Пришлось объединять разрозненные источники из разных вертикалей экосистемы (финансовые сервисы, Шопинг, Путешествия) в единое хранилище и feature store, соблюдая приватность. Отдельная задача — холодный старт новых кампаний: для этого сделали механизмы быстрого сбора статистики и предварительных оценок.

Принятие решения о показе выглядит так. На запрос рекламодателя система формирует пул кандидатов, ранжирует их скоринговой моделью, которая учитывает экономику, вероятность целевого действия, качество креатива и репутацию рекламодателя. Вес факторов адаптируется под контекст и конкуренцию. Побеждает не самое дорогое объявление, а то, которое лучше всего подходит пользователю в текущий момент.

От классической ручной сегментации постепенно отходят в сторону динамического формирования аудиторий на основе ML-таргетинга. Система сама находит пользователей, склонных к целевому действию, исходя из заданных целей кампании. При этом ручные уточнения сохраняются для брендовых стратегий. Развиваются look-alike и другие инструменты расширения аудиторий.

Что меняется в запросах рекламодателей? Растет спрос на перформанс и измеримые действия, а не просто на охваты. Сохраняется запрос на брендинг, но в форме брендформанса. Увеличивается интерес к автоматизированным стратегиям закупки и self-service-инструментам, чтобы запускать кампании быстрее и без ручной оптимизации. Бюджеты смещаются в ретейл-медиа и внутренние площадки экосистем, где есть близость к покупке и прозрачная атрибуция.

📌AdIndex: https://adindex.ru/publication/interviews/agency/2026/04/13/344156.phtml

Читать полностью…

🧠 OpenClaw Medical Skills: Библиотека ИИ для медицины

OpenClaw Medical Skills — это обширная коллекция из 869 навыков для ИИ, охватывающая биомедицинские и клинические исследования. Эти модули преобразуют универсальных ИИ-агентов в мощных помощников для медицинских и научных задач, обеспечивая доступ к реальным базам данных и инструментам.

🚀 Основные моменты:
- 869 специализированных навыков для медицинских исследований
- Поддержка биоинформатики, геномики и клинической документации
- Интеграция с реальными API и базами данных
- Открытый код и сообщество для совместного использования ресурсов

📌 GitHub: https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills

#python

Читать полностью…

🚀 OpenAI выкатили набор бесплатных скиллов для Codex — можно сильно разгрузить разработку

Теперь часть задач можно просто отдать агенту: от генерации презентаций до полноценной разработки приложений.

- Внутри уже готовы рабочие воркфлоу:
- агент умеет собирать презентации
- помогает с iOS и macOS разработкой
- интегрируется с Figma и работает с дизайном
и это только базовый набор

Устанавливается всё в один клик — без долгой настройки и шаманства.

Фактически это превращает Codex из “помощника” в полноценный инструмент, который закрывает куски реальной работы.

https://developers.openai.com/codex/use-cases

Читать полностью…

ИИ подсадил нас на «гипсовые яйца»: почему алгоритмы работают как сверхстимулы Тинбергена

Почему птицы бросали собственные яйца ради гипсовых подделок?
В 1950-х годах голландский биолог Нико Тинберген обнаружил нечто тревожное: птицы бросали собственные яйца ради гипсовых подделок, если те были крупнее и ярче настоящих. Мать-кулик игнорировала своих птенцов и садилась высиживать раскрашенный муляж. Тинберген назвал это «сверхнормальными стимулами» и получил за свои исследования Нобелевскую премию. Прошло 70 лет, и мы сами стали теми птицами. Только вместо гипсовых яиц у нас - алгоритмические ленты, генеративные модели и рекомендательные системы.

Идея простая, но бьет точно: каждое уведомление, каждая курируемая лента, каждый отфильтрованный снимок - это реальность с выкрученной на максимум насыщенностью. Наша нервная система просто не рассчитана на такой уровень стимуляции. И мозговые центры вознаграждения реагируют на цифровые раздражители сильнее, чем на живой сенсорный опыт.

Рекомендательные алгоритмы - это, по сути, машины по производству сверхстимулов. Они обучены на метриках вовлеченности: кликах, времени просмотра, паттернах скроллинга. Их задача не показать тебе что-то полезное, а удержать внимание любой ценой. TikTok, YouTube Shorts, лента X - все это оптимизировано командами нейросайентистов и ML-инженеров, чтобы триггерить дофаминовый отклик сильнее, чем реальный мир.

С генеративными моделями ситуация еще интереснее. GPT, Claude, Midjourney - они генерируют контент, который по определению «ярче» среднего. Модель обучена на лучших текстах и изображениях человечества, и ее выход - это всегда чуть более отполированная, чуть более идеальная версия реальности. Когда ты привыкаешь читать тексты, написанные LLM, обычная человеческая речь начинает казаться корявой и скучной. Когда насматриваешься на картинки из Midjourney, реальные фотографии теряют свою привлекательность. Мы буквально строим генераторы сверхстимулов на промышленном уровне.

Тинберген описывал, как система распознавания паттернов у животных ломается при столкновении со сверхстимулом. У нас происходит то же самое, только масштаб другой. Наши предки развивали распознавание паттернов, наблюдая за облаками, читая следы животных, замечая сезонные изменения. Сейчас та же нейронная механика работает на мемы, тренды и алгоритмические рекомендации. Та самая система, которая когда-то помогала ориентироваться в реальности, теперь помогает ориентироваться в фидах.

Есть и практическая сторона. Когда ты ешь, уставившись в экран, мозг учится связывать питание с пассивным потреблением, а не с осознанным опытом. Когда гуляешь с подкастом в ушах, пространственная навигация начинает опираться на чужие мысли вместо собственных наблюдений. Это не метафора - это нейропластичность в действии. Мы в буквальном смысле переучиваем собственные нейронные контуры.

Когда исследователи убирали гипсовые яйца, птицы тут же возвращались к настоящим. Инстинкт никуда не делся, просто был перегружен искусственным сигналом. Физический мир по-прежнему здесь. Потрогай что-нибудь с текстурой. Поешь без экрана перед глазами. Пройдись без наушников. Твоя настоящая жизнь ждет под тем гипсовым яйцом, на котором ты сидишь.

Читать полностью…

📊 Модель EchoJEPA для эхокардиографии 🚀

EchoJEPA — это мощная модель, обученная на 18 миллионах эхокардиограмм, которая эффективно выделяет анатомические структуры, игнорируя шумы. Она демонстрирует выдающиеся результаты в оценке сердечных функций, превосходя существующие методы на 20% в точности. Модель также показывает высокую эффективность при использовании всего 1% размеченных данных.

🚀 Основные моменты:
- Обучение на крупнейшем наборе данных эхокардиограмм.
- Превосходит конкурентов в оценке сердечной функции.
- Высокая эффективность с минимальным количеством размеченных данных.
- Устойчивость к физическим искажениям.
- Отличные результаты в нулевом режиме на детских пациентах.

📌 GitHub: https://github.com/bowang-lab/EchoJEPA

#python

Читать полностью…