пов: ты купил VIP-билет на Канье за 160 000 рублей и 10 октября видишь это

🌳 Как сделать поведение AI предсказуемым: Bonsai строит логику через Behavior Trees

Bonsai — open-source реализация Behavior Trees на Rust для детерминированного AI, робототехники и игровых систем. Недавно у проекта появились и Python bindings.

Вместо огромного количества if/else поведение собирается из узлов: Sequence, Select, If, While, WhenAll, WhenAny, Race. Каждый узел возвращает Success, Failure или Running, а дерево само решает, что выполнять дальше.

Такой подход удобен там, где нужна не «магия» LLM, а жёстко контролируемая логика: NPC, автономные роботы, игровые агенты, навигация и сложные реактивные системы. Долгие задачи можно выносить в фоновые потоки, чтобы дерево не блокировалось.

Для Rust:

bonsai-bt = "*"

Для Python:

pip install bonsai-bt

GitHub: github.com/Sollimann/bonsai

💰 NVIDIA начала финансировать спрос на собственные GPU

OpenAI арендует огромный AI-кампус в Огайо, который строит SB Energy. NVIDIA инвестирует $1,5 млрд и помогает снизить стоимость финансирования проекта.

Схема интересная: SB Energy строит площадку, OpenAI платит по мере ввода мощностей, а NVIDIA получает эксклюзивное размещение своего AI-железа.

То есть NVIDIA конкурирует уже не только FLOPS и ценой чипов - она помогает клиентам финансировать инфраструктуру под свои же GPU.

Риск тоже есть: если спрос OpenAI ослабнет, NVIDIA может одновременно получить давление и на продажи GPU, и на стоимость поддержанной инфраструктуры.

\

Знаете ли вы, что в #Python можно делать перегрузку функций с помощью functools?

Вот пример!

📚 Бесплатная 700-страничная книга MIT по алгоритмам принятия решений

Algorithms for Decision Making - большой учебник про то, как строить системы, которые принимают решения в условиях неопределённости. Книга вышла в MIT Press и доступна в open access.

Внутри:

* вероятностные модели и неопределённость;
* последовательные решения;
* planning;
* reinforcement learning;
* частично наблюдаемые среды;
* multi-agent задачи;
* примеры и алгоритмы на Julia.

Это не «лёгкий гайд по AI», а полноценный университетский учебник на 700 страниц с математикой, примерами и упражнениями.

Скачать бесплатно:
https://algorithmsbook.com/decisionmaking/

Cursor выпустили конкурента GitHub – Origin

Репозитории с GitHub можно засинкать напрямую за минуту, также можно создавать репозитории с нуля.

Основная идея в том, что Origin должен стать гитхабом для агентов. GitHub архитектурно рассчитан на человеческий темп: один разработчик, одна ветка, PR раз в несколько часов. Агенты же пушат постоянно, и под такой сценарий и делается Origin. Для понимания, Cursor демонстрировали 22.6 коммита в секунду в один репозиторий.

Пока никаких фичей для автоматического разрешения конфликтов слияния или обработки параллельных агентов нет, сейчас в продукте только база + привычные агенты. Но есть интересные вещи вроде интеграции Vercel: подключаешь к репе, и каждый PR автоматически получает preview-деплой.

https://cursor.com/changelog/origin-code-hosting

Обучение Anthropic Mythos 2 завершено, но Anthropic не собирается его выпускать.

По словам Пателя, внутренний цикл разработки, который уже работает над Mythos 3, не остановлен.

Сейчас основной фокус компании - на внутренних улучшениях. Когда появятся какие-либо публичные релизы, пока неясно.

🚀 DeepSeek V4 Pro внезапно стал заметно сильнее - без переобучения модели

К DeepSeek V4 Pro 0813 подключили harness под названием J-Space, который снижает ошибки в длинных цепочках reasoning и tool use.

По опубликованным результатам прирост местами очень серьёзный:

* Terminal Bench: 87.9 → 90.1
* NL2Repo: 61.5 → 73.4
* CyberGym: 83.3 → 86.8
* DeepSWE: 62.7 → 72.0
* Toolathlon: 74.1 → 79.5

В ряде agentic/coding тестов такая связка якобы обходит даже Fable 5 и Opus 4.8.

https://github.com/Tiger3807861189/DeepSeek-V4-J-Space-Capability-Realization-Report

Google Research показала PhotoScan, исследовательскую ИИ-систему, которая по обычным фото человека спереди и сбоку оценивает состав тела и риск инсулинорезистентности.

Модель смотрит не только на общий процент жира, но и на его распределение: соотношение жира в области живота и бедер, а также висцерального и подкожного жира. Именно эти показатели могут дать больше информации о метаболическом здоровье, чем один BMI.

PhotoScan предварительно обучили на данных более 35 тысяч участников UK Biobank, а затем дообучили на 677 людях с реальными фотографиями со смартфона и результатами DXA.

На независимой выборке система определяла процент жира со средней ошибкой около 2,13 процентного пункта. Для выявления инсулинорезистентности модель с PhotoScan получила AUROC 0,760 против 0,773 у клинического DXA-сканирования.

То есть несколько фотографий со смартфона в эксперименте приблизились по информативности к дорогому медицинскому сканированию. Но пока это именно исследовательский прототип, а не инструмент для самостоятельной диагностики.

https://research.google/blog/seeing-beyond-bmi-estimating-cardiometabolic-risk-with-smartphone-imagery/

Qwen3.8-27B-Uncensored теперь доступна почти под любое железо.

Семейство сборок закрыли полностью: FP8, GGUF, MLX и BF16 в полной точности.

То есть модель можно запускать на GPU, Apple Silicon или локально через популярные рантаймы для GGUF, просто выбрав подходящую квантизацию под своё железо и объём памяти.

Для тех, кому не хочется поднимать модель самостоятельно, есть и готовый API через OrcaRouter.

BF16: https://huggingface.co/orcarouter/Qwen3.8-27B-Uncensored
API: https://orcarouter.ai/models/obsidian/qwen3.8-27b

Плачу $60 в месяц, а в итоге всё равно гоняю один и тот же баг через все три аккаунта.