У классического RAG есть проблема, о которой мало говорят: state blindness. Агент тащит за собой линейную историю, и пока контекст текстовый, это работает.
Но добавь картинки и видео, и все сыпется. Визуал жрет токены, агент ходит по кругу, делает повторные запросы и теряет нить.
Tongyi Lab (Alibaba) предложили VimRAG.
Вместо линейной цепочки рассуждение моделируется как направленный ациклический граф (DAG). Узлы хранят состояния агента и мультимодальные доказательства.
Это позволяет отслеживать пути, убирать дубли и видеть, какие куски контекста реально повлияли на результат.
Для работы с визуалом придумали Graph-Modulated Visual Memory Encoding: значимость узла памяти оценивается по его позиции в топологии графа. Важным доказательствам больше токенов в высоком разрешении, мусору - меньше. Адаптивная аллокация вместо тупого сжатия.
На бенчмарках VimRAG выдает SOTA результат по мультимодальным RAG задачам, включая SlideVQA, MMLongBench, Large-Scale LVBench и другие. При этом graph pruning заметно ускоряет обучение.
Paper: arxiv.org/abs/2602.12735
GitHub: github.com/Alibaba-NLP/VRAG
@ai_machinelearning_big_data
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Cloudflare признали Telega шпионским ПО. Эта отметка появилась на двух доменах мессенджера.
После этого GlobalSign у них отозвали TLS-сертификат для защищенного соединения по HTTPS.
Поэтому клиент и удалили из App Store.
После этого GlobalSign у них отозвали TLS-сертификат для защищенного соединения по HTTPS.
Поэтому клиент и удалили из App Store.
This media is not supported in your browser
VIEW IN TELEGRAM
🚨 Claude Code ускорили в 4 раза на больших кодовых базах
Один и тот же таск. Один и тот же промпт. Меняется только инструмент.
Без него Claude Code 8 минут бродит по коду, читает десятки файлов и всё равно пропускает важные зависимости. В итоге решение сырое.
С ним тот же сценарий занимает около 2 минут и даёт более точный результат.
Речь про repowise.
Инструмент repowise - строит структурную модель проекта. Граф зависимостей с приоритизацией. Историю изменений с зонами ответственности. Автоген документации. И слой решений, который фиксирует, зачем вообще написан код.
Этот слой решает главную проблему. Обычно модель не понимает контекст решений и начинает действовать вслепую.
В тесте на репозитории с 3000 файлов задача была добавить rate limiting во все API.
Без repowise модель читает случайные файлы, не видит ключевые связи и ломает скрытые зависимости.
С repowise хватает нескольких вызовов. Модель сразу находит все зависимости, обнаруживает существующую логику ретраев и даже подсказывает, кто должен ревьюить изменения.
Расход токенов падает примерно на 60 процентов. Модель перестаёт читать всё подряд и работает точечно.
Дополнительно repowise генерирует CLAUDE.md на основе реального состояния репозитория.
Self hosted. Работает локально. Можно использовать с Ollama.
https://github.com/repowise-dev
Один и тот же таск. Один и тот же промпт. Меняется только инструмент.
Без него Claude Code 8 минут бродит по коду, читает десятки файлов и всё равно пропускает важные зависимости. В итоге решение сырое.
С ним тот же сценарий занимает около 2 минут и даёт более точный результат.
Речь про repowise.
Инструмент repowise - строит структурную модель проекта. Граф зависимостей с приоритизацией. Историю изменений с зонами ответственности. Автоген документации. И слой решений, который фиксирует, зачем вообще написан код.
Этот слой решает главную проблему. Обычно модель не понимает контекст решений и начинает действовать вслепую.
В тесте на репозитории с 3000 файлов задача была добавить rate limiting во все API.
Без repowise модель читает случайные файлы, не видит ключевые связи и ломает скрытые зависимости.
С repowise хватает нескольких вызовов. Модель сразу находит все зависимости, обнаруживает существующую логику ретраев и даже подсказывает, кто должен ревьюить изменения.
Расход токенов падает примерно на 60 процентов. Модель перестаёт читать всё подряд и работает точечно.
Дополнительно repowise генерирует CLAUDE.md на основе реального состояния репозитория.
Self hosted. Работает локально. Можно использовать с Ollama.
https://github.com/repowise-dev
Разгребаем завалы macOS — нашел Ghostmoon, который выводит скрытые настройки системы в два клика 😈
Это крошечная утилита заменяет пачку терминальных команд и блуждания по меню настроек.
Что умеет:
— Сброс сетевого стека (актуально😂 ) и чистка «упрямой» корзины;
— Массовое извлечение дисков и моментальное переключение аудио;
— Запрет сна и быстрый килл процессов без релога.
Приложение весит копейки и не жрет ресурсы. Пока это pre-release, так что придется разок повоевать с Gatekeeper, но оно того стоит.
Бесплатный мастхэв😊
Это крошечная утилита заменяет пачку терминальных команд и блуждания по меню настроек.
Что умеет:
— Сброс сетевого стека (актуально
— Массовое извлечение дисков и моментальное переключение аудио;
— Запрет сна и быстрый килл процессов без релога.
Приложение весит копейки и не жрет ресурсы. Пока это pre-release, так что придется разок повоевать с Gatekeeper, но оно того стоит.
Бесплатный мастхэв
Please open Telegram to view this post
VIEW IN TELEGRAM
Появился новый тариф Pro за $100 в месяц, заточенный под Codex.
По словам компании, он дает в 5 раз больше лимитов на Codex по сравнению с Plus и рассчитан на длинные, ресурсоемкие сессии. Все существующие фичи Pro никуда не делись: эксклюзивная Pro-модель, безлимитный доступ к Instant и Thinking моделям.
До 31 мая подписчикам нового Pro дают до 10x использования Codex относительно Plus - чтобы люди могли распробовать и привыкнуть.
А вот для Plus-подписчиков новости менее радужные. Промо-период с расширенным доступом к Codex закончился, и OpenAI ребалансирует лимиты: теперь упор на больше коротких сессий в течение недели вместо длинных марафонов за один день. По сути, если вы активно пользовались Codex на Plus и вам хватало - готовьтесь к тому, что лимиты стали жестче. OpenAI прямо говорит, что Plus за $20 остается лучшим вариантом для повседневного использования, а для тяжелой работы с Codex теперь нужно переходить на Pro.
https://chatgpt.com/ru-RU/pricing/
@ai_machinelearning_big_data
#openai
Please open Telegram to view this post
VIEW IN TELEGRAM
Теперь можно бесплатно дообучать Gemma 4 31B прямо в ноутбуке 🚀
Обучение модели на 31 миллиард параметров полностью бесплатно с использованием Kaggle и Unsloth.
GitHub: https://github.com/unslothai/unsloth
Гайд: https://unsloth.ai/docs/models/gemma-4/train
Ноутбук: https://kaggle.com/code/danielhanchen/gemma4-31b-unsloth
Обучение модели на 31 миллиард параметров полностью бесплатно с использованием Kaggle и Unsloth.
GitHub: https://github.com/unslothai/unsloth
Гайд: https://unsloth.ai/docs/models/gemma-4/train
Ноутбук: https://kaggle.com/code/danielhanchen/gemma4-31b-unsloth
Daniel Lemire, эксперт по производительности софта из топ-2% ученых мира (по рейтингу Stanford/Elsevier 2025) и топ-1000 разработчиков на GitHub, опубликовал статью про эволюцию языков программирования семейства C. Разбираем ключевые тезисы.
Всё началось с трех языков: Fortran (1957), Pascal (1970) и C (1972). Fortran создавался для числодробилки и научных расчетов. Pascal намеренно ограничивал низкоуровневый доступ, потому что задумывался как учебный язык для структурного программирования. А вот C победил именно потому, что позволял работать с указателями, прямым доступом к памяти и при этом оставался достаточно универсальным для системной разработки вроде Unix.
В 80-е и 90-е объектно-ориентированное программирование стало чем-то вроде религии. Lemire прямо пишет: это превратилось в секту. Но C не был объектно-ориентированным. Так появился C++, который начинался как «C with Classes». C++ принес шаблоны, обобщенное программирование и метапрограммирование на этапе компиляции. Это сделало язык мощным, но и сложным для освоения (с безумными сообщениями об ошибках).
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
C и C++ стали дико успешными, но писать кроссплатформенные приложения было больно. Приходилось целиться в Windows или конкретный Unix. Это было проблемой для Sun Microsystems, которая продавала Unix-машины и хотела конкурировать с Microsoft.
Так в 1995 году появилась Java. Безопасная, портативная альтернатива C++: без арифметики указателей, с обязательной сборкой мусора, проверкой границ массивов и виртуальной машиной (JVM) с JIT-компиляцией для производительности. Обещание «write once, run anywhere» напрямую закрывало боль портируемости C/C++. До сих пор Java остается сильным решением для enterprise и серверного кода.
В том же 1995-м появился JavaScript, который, несмотря на название, семантически почти ничего общего с Java не имеет. Lemire считает, что его лучше рассматривать отдельно от ветки C/C++. Python тоже стоит особняком.
Microsoft в 2000 году выкатила C#. Синтаксически он из того же семейства, что C++ и Java, но с поддержкой AOT-компиляции в современном .NET и возможностью работать с указателями в явно помеченных unsafe-блоках. По сути, C# можно назвать «C++ со сборкой мусора». Он даже конкурирует с C++ в геймдеве благодаря Unity.
Google создал Go как упрощенный современный C: со сборкой мусора, встроенной проверкой границ для слайсов и массивов, с указателями, но без произвольной арифметики в безопасном коде (пакет unsafe существует для низкоуровневых нужд).
Apple ответила Swift. Производительность и цели синтаксиса как у C++, но с современными фичами безопасности (проверка границ по умолчанию, паника при переполнении целых чисел в debug-режиме) и автоматическим подсчетом ссылок (ARC) для управления памятью. Swift заменил Objective-C, но Lemire рассматривает его как наследника C++.
Примерно тогда же появились Rust и Zig. Rust, как и Swift, отказался от поколенческой сборки мусора из Java, C# и Go. Вместо этого он полагается на систему владения и заимствования на этапе компиляции, с компромиссом: через циклические ссылки можно допустить утечку памяти. Zig делает работу с памятью полностью явной.
Интересный тезис Lemire: Rust и Zig правильнее считать потомками C, а не C++. Оба, конечно, намного мощнее C, но по духу они именно C-подобные языки.
Доминирующими языками для перформанс-критичных, системных, enterprise- и инфраструктурных задач до сих пор остаются C, C++, Java и C#. По эффекту Линди (чем дольше что-то существует, тем дольше оно, вероятно, просуществует), эти языки, особенно C, которому уже больше 50 лет, будут с нами еще очень долго.
https://vc.ru/dev/2860450-yazyk-c-i-vliyanie-na-c-java-rust-go-swift-i-zig
Please open Telegram to view this post
VIEW IN TELEGRAM
Почему теорема Байеса до сих пор рулит в AI: от спам-фильтров до глубокого обучения
В мире, где каждый день появляются новые архитектуры нейросетей, трансформеры переписывают правила игры, а компании вливают миллиарды в AGI, легко забыть про фундамент. Между тем одна формула, которой больше 260 лет, продолжает работать внутри самых современных AI-систем. Речь о теореме Байеса.
Суть теоремы укладывается в одно предложение: обнови свои убеждения, когда получил новые данные. Формально это выглядит так: P(H|E) = P(E|H) * P(H) / P(E).
Здесь P(H|E) - апостериорная вероятность гипотезы при наблюдении данных, P(E|H) - правдоподобие, P(H) - априорное знание, а P(E) - нормирующий множитель. Но за сухой записью скрывается мощная интуиция.
Представьте: вы проверяете кошелек и обнаруживаете, что денег меньше, чем ожидали. Мозг мгновенно начинает перебирать варианты. Вы были на рынке, где много карманников. Но вы также могли потратить деньги и забыть об этом. Мозг автоматически взвешивает вероятности, учитывает контекст и обновляет оценку. Это и есть байесовский вывод в чистом виде, только без формул.
Теперь перенесем это в реальную задачу. Допустим, вы строите спам-фильтр. Приходит письмо со словом "lottery". Нужно понять: спам или нет?
Из 1000 писем 400 оказались спамом, и в 120 из них встречалось слово "lottery". Среди 600 нормальных писем это слово было только в 18. До анализа вероятность спама - 40%. После применения формулы Байеса вероятность подскакивает до 87%. Одно слово радикально меняет оценку, и это не магия, а математика.
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
Именно на этом принципе работает Naive Bayes - один из самых простых и при этом удивительно эффективных классификаторов. Его называют "наивным", потому что он предполагает независимость признаков. В реальности признаки почти всегда коррелируют, но модель все равно дает отличные результаты в задачах классификации текстов, анализа тональности и детекции спама. Быстро обучается, не требует GPU и часто используется как базовая линия, которую потом сложно побить.
Но спам-фильтры - это только начало. Байесовские сети позволяют моделировать зависимости между переменными в виде направленного графа. Каждый узел хранит таблицу условных вероятностей, и теорема Байеса связывает все это воедино. Такие модели применяют в медицинской диагностике, обнаружении неисправностей и анализе рисков. В отличие от черных ящиков нейросетей, байесовские сети прозрачны и объяснимы.
Отдельная история - байесовская оптимизация. Когда нужно подобрать гиперпараметры модели (learning rate, количество слоев, размер батча), перебирать все комбинации слишком дорого. Байесовская оптимизация строит вероятностную модель целевой функции и на каждом шаге выбирает наиболее перспективную точку для проверки. Это на порядок эффективнее grid search и random search.
Пожалуй, самое интересное направление - байесовское глубокое обучение. В классических нейросетях модель учит фиксированные веса. В байесовском подходе вместо одного значения веса модель учит распределение вероятностей. Это дает нечто бесценное для критических задач: оценку неопределенности. Модель может сказать не просто "это кот", а "я на 95% уверена, что это кот" или "я не уверена, лучше позвать человека". В медицине и автопилотах такая честность спасает жизни.
Байес также работает за кулисами рекомендательных систем. Когда Netflix предлагает вам фильм или Spotify подбирает плейлист, за этим часто стоят байесовские методы. Они помогают справляться с проблемой холодного старта, когда о новом пользователе почти ничего не известно. Априорная информация и постепенное обновление убеждений позволяют выдавать релевантные рекомендации с первых взаимодействий.
В NLP байесовские методы используются в языковом моделировании, POS-теггинге и машинном переводе. Каждый раз, когда система определяет наиболее вероятное следующее слово или тег, она опирается на условные вероятности, то есть на ту самую теорему Байеса.
https://vc.ru/id5074146
В мире, где каждый день появляются новые архитектуры нейросетей, трансформеры переписывают правила игры, а компании вливают миллиарды в AGI, легко забыть про фундамент. Между тем одна формула, которой больше 260 лет, продолжает работать внутри самых современных AI-систем. Речь о теореме Байеса.
Суть теоремы укладывается в одно предложение: обнови свои убеждения, когда получил новые данные. Формально это выглядит так: P(H|E) = P(E|H) * P(H) / P(E).
Здесь P(H|E) - апостериорная вероятность гипотезы при наблюдении данных, P(E|H) - правдоподобие, P(H) - априорное знание, а P(E) - нормирующий множитель. Но за сухой записью скрывается мощная интуиция.
Представьте: вы проверяете кошелек и обнаруживаете, что денег меньше, чем ожидали. Мозг мгновенно начинает перебирать варианты. Вы были на рынке, где много карманников. Но вы также могли потратить деньги и забыть об этом. Мозг автоматически взвешивает вероятности, учитывает контекст и обновляет оценку. Это и есть байесовский вывод в чистом виде, только без формул.
Теперь перенесем это в реальную задачу. Допустим, вы строите спам-фильтр. Приходит письмо со словом "lottery". Нужно понять: спам или нет?
Из 1000 писем 400 оказались спамом, и в 120 из них встречалось слово "lottery". Среди 600 нормальных писем это слово было только в 18. До анализа вероятность спама - 40%. После применения формулы Байеса вероятность подскакивает до 87%. Одно слово радикально меняет оценку, и это не магия, а математика.
Показываю как профессионально работать с Claude и другими ИИ у себя в телеге! И зеркало Max, если тг не работает(
Именно на этом принципе работает Naive Bayes - один из самых простых и при этом удивительно эффективных классификаторов. Его называют "наивным", потому что он предполагает независимость признаков. В реальности признаки почти всегда коррелируют, но модель все равно дает отличные результаты в задачах классификации текстов, анализа тональности и детекции спама. Быстро обучается, не требует GPU и часто используется как базовая линия, которую потом сложно побить.
Но спам-фильтры - это только начало. Байесовские сети позволяют моделировать зависимости между переменными в виде направленного графа. Каждый узел хранит таблицу условных вероятностей, и теорема Байеса связывает все это воедино. Такие модели применяют в медицинской диагностике, обнаружении неисправностей и анализе рисков. В отличие от черных ящиков нейросетей, байесовские сети прозрачны и объяснимы.
Отдельная история - байесовская оптимизация. Когда нужно подобрать гиперпараметры модели (learning rate, количество слоев, размер батча), перебирать все комбинации слишком дорого. Байесовская оптимизация строит вероятностную модель целевой функции и на каждом шаге выбирает наиболее перспективную точку для проверки. Это на порядок эффективнее grid search и random search.
Пожалуй, самое интересное направление - байесовское глубокое обучение. В классических нейросетях модель учит фиксированные веса. В байесовском подходе вместо одного значения веса модель учит распределение вероятностей. Это дает нечто бесценное для критических задач: оценку неопределенности. Модель может сказать не просто "это кот", а "я на 95% уверена, что это кот" или "я не уверена, лучше позвать человека". В медицине и автопилотах такая честность спасает жизни.
Байес также работает за кулисами рекомендательных систем. Когда Netflix предлагает вам фильм или Spotify подбирает плейлист, за этим часто стоят байесовские методы. Они помогают справляться с проблемой холодного старта, когда о новом пользователе почти ничего не известно. Априорная информация и постепенное обновление убеждений позволяют выдавать релевантные рекомендации с первых взаимодействий.
В NLP байесовские методы используются в языковом моделировании, POS-теггинге и машинном переводе. Каждый раз, когда система определяет наиболее вероятное следующее слово или тег, она опирается на условные вероятности, то есть на ту самую теорему Байеса.
https://vc.ru/id5074146
Cursor изменил схему тренировки Bugbot, ИИ-инструмента для код-ревью. Раньше модель обновляли редкими офлайн-итерациями, теперь она дообучается в процессе ревью реальных PR.
Bugbot собирает 3 типа сигналов: дизлайки на собственные замечания, ответы разработчиков с разбором ошибок модели и комментарии людей, которые указывают на пропущенные баги. На основе этой обратной связи бот формулирует кастомные инструкции, подстраивающие его под бизнес-логику целевого репозитория.
После перехода на непрерывное обучение доля валидных срабатываний выросла до 78%. Это выше, чем у Greptile, CodeRabbit и GitHub Copilot. Включить генерацию правил и прогнать ретроспективное обучение можно в дашборде Cursor.
cursor.com
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
Anthropic перевела Claude Cowork для macOS и Windows из статуса превью в общий доступ. Агент теперь доступен на всех платных тарифах. Главное в релизе - набор корпоративных функций для развертывания Cowork внутри компаний.
Администраторы получили ролевую модель доступа с синхронизацией пользователей через SCIM и возможность задавать лимиты расходов по командам. Закрыт пробел в аудите: теперь через расширенную поддержку OpenTelemetry система логирует вызовы инструментов, операции с файлами и подтверждения действий, а телеметрию можно отгружать в SIEM.
Отдельно появился гранулярный контроль над MCP-коннекторами: на уровне организации можно, например, оставить агенту только чтение и заблокировать любые операции записи. Каталог интеграций пополнился официальным коннектором Zoom.
claude.com
ByteDance представила SeedDuplex, которая продолжает слушать пользователя, пока сама говорит. Модель обрабатывает звук и смысл слитно, поэтому умеет адаптивно определять границы реплик, она отличает реальный конец фразы от паузы на обдумывание.
Отдельный модуль шумоподавления отсекает фон и посторонние голоса. По замерам ByteDance, задержка отклика сократилась на 250 мс, а число неуместных перебиваний упало на 40%.
Seeduplex уже полностью раскатана в приложении Doubao - основном потребительском продукте ByteDance
bytedance.com
Google добавила в Gemini новый формат ответа: вместе с текстом чат-бот может отдавать интерактивные визуализации. На запрос смоделировать физическую систему или показать структуру молекулы Gemini соберёт рабочий виджет прямо в окне диалога.
Визуализациями можно управлять. Например, в ответе про орбиту Луны появляются ползунки для начальной скорости и силы гравитации — значения можно тянуть мышью или вбивать вручную, а траектория и устойчивость орбиты пересчитываются на лету.
Обновление уже раскатывается на всех пользователей приложения Gemini, за исключением корпоративных аккаунтов Workspace и Education. Чтобы попробовать, нужно переключиться на модель Pro и добавить в промпт команду «помоги визуализировать».
blog.google
LM Studio объявила о поглощении проекта Locally AI, разработчика приложений для локального инференса на iPhone, iPad и Mac. Основатель стартапа Адриен Грондин переходит в LM Studio и возглавит направление кросс-платформенных интерфейсов.
Сделка нужна, чтобы вывести LM Studio за пределы десктопа: до сих пор клиент работал только на macOS, Windows и Linux. На базе наработок Locally AI разработчики смогут запускать локальных агентов на мобильных устройствах.
В ближайших планах LM Studio - связать десктопную и мобильную версии в одну экосистему, чтобы модели и чаты синхронизировались между устройствами пользователя.
lmstudio.ai
Cursor изменил схему тренировки Bugbot, ИИ-инструмента для код-ревью. Раньше модель обновляли редкими офлайн-итерациями, теперь она дообучается в процессе ревью реальных PR.
Bugbot собирает 3 типа сигналов: дизлайки на собственные замечания, ответы разработчиков с разбором ошибок модели и комментарии людей, которые указывают на пропущенные баги. На основе этой обратной связи бот формулирует кастомные инструкции, подстраивающие его под бизнес-логику целевого репозитория.
После перехода на непрерывное обучение доля валидных срабатываний выросла до 78%. Это выше, чем у Greptile, CodeRabbit и GitHub Copilot. Включить генерацию правил и прогнать ретроспективное обучение можно в дашборде Cursor.
cursor.com
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
🚨 Google показали, как строить multi-agent системы, которые реально работают в проде
Вышел разбор от Google Cloud, где они собирают полноценную multi-agent систему под генерацию экспертного контента.
Ключевая идея простая. Один агент уже не тянет сложные задачи. Нужна команда.
В их примере система разбита на несколько специализированных агентов. Один ищет данные в Reddit и источниках. Другой проверяет факты через документацию. Третий генерирует контент. Четвёртый отвечает за визуал.
Связывается всё через MCP. Это протокол, который позволяет агентам безопасно дергать внешние инструменты и сервисы без кастомного клея.
Сами агенты пишутся через ADK. Это фреймворк от Google, который даёт базу для логики, памяти и orchestration.
Деплой идёт в Cloud Run. Серверлесс, автоскейлинг, без управления инфраструктурой.
Архитура в итоге выглядит как пайплайн.
Пользовательский запрос попадает в координатора.
Он решает, какие агенты подключить.
• Агенты ходят в инструменты через MCP.
• Собирают данные.
• Формируют ответ.
Модель перестаёт быть центром. Центром становится orchestration между агентами и инструментами.
И это направление сейчас быстро становится стандартом для production-систем.
https://cloud.google.com/blog/topics/developers-practitioners/build-a-multi-agent-system-for-expert-content-with-google-adk-mcp-and-cloud-run-part-1
Вышел разбор от Google Cloud, где они собирают полноценную multi-agent систему под генерацию экспертного контента.
Ключевая идея простая. Один агент уже не тянет сложные задачи. Нужна команда.
В их примере система разбита на несколько специализированных агентов. Один ищет данные в Reddit и источниках. Другой проверяет факты через документацию. Третий генерирует контент. Четвёртый отвечает за визуал.
Связывается всё через MCP. Это протокол, который позволяет агентам безопасно дергать внешние инструменты и сервисы без кастомного клея.
Сами агенты пишутся через ADK. Это фреймворк от Google, который даёт базу для логики, памяти и orchestration.
Деплой идёт в Cloud Run. Серверлесс, автоскейлинг, без управления инфраструктурой.
Архитура в итоге выглядит как пайплайн.
Пользовательский запрос попадает в координатора.
Он решает, какие агенты подключить.
• Агенты ходят в инструменты через MCP.
• Собирают данные.
• Формируют ответ.
Модель перестаёт быть центром. Центром становится orchestration между агентами и инструментами.
И это направление сейчас быстро становится стандартом для production-систем.
https://cloud.google.com/blog/topics/developers-practitioners/build-a-multi-agent-system-for-expert-content-with-google-adk-mcp-and-cloud-run-part-1
Пока в России не работает мобильный интернет — в Южной Корее его сделали бесплатным и базовым вообще для всех. 👀
То есть всем гражданам гарантируют сеть на скорости в 400 кб/с. Если у абонента закончится трафик, он автоматически будет переведён на «государственный безлимит».
Все крупные операторы в стране уже поддержали инициативу.
Рады за них, но не от всего сердца😭 😭 😭
То есть всем гражданам гарантируют сеть на скорости в 400 кб/с. Если у абонента закончится трафик, он автоматически будет переведён на «государственный безлимит».
Все крупные операторы в стране уже поддержали инициативу.
Рады за них, но не от всего сердца
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 Qwen Code обновился - теперь это почти автономный DevOps-агент
Вышли версии v0.14.0 – v0.14.2 и это уже не просто тулза, а полноценная система для управления задачами, агентами и инфраструктурой.
Что добавили:
• Channels - управляешь Qwen Code прямо из Telegram, DingTalk или WeChat
Пишешь с телефона - выполняется на сервере
• Cron Jobs - регулярные AI-задачи
Тесты каждые 30 минут, билд по утрам, мониторинг логов по расписанию
• Qwen3.6-Plus - новый флагман
1M контекста и до 1000 бесплатных запросов в день
• Sub-agent Model Selection - разные модели под разные задачи
Тяжёлую модель на основную логику, быструю на подзадачи
Экономия токенов без потери качества
• /plan - режим планирования
Сначала AI строит план по файлам и шагам, потом ты подтверждаешь и он исполняет
• Follow-up Suggestions - после задачи предлагает следующие шаги
Типа «добавить тесты?» или «проверить похожие файлы»
• Adaptive Output Tokens - умный вывод
По умолчанию 8K, но сам расширяется до 64K если не хватает
• Ctrl+O - переключение режима ответа
Подробный для дебага или компактный для работы
https://github.com/QwenLM/qwen-code/releases
Вышли версии v0.14.0 – v0.14.2 и это уже не просто тулза, а полноценная система для управления задачами, агентами и инфраструктурой.
Что добавили:
• Channels - управляешь Qwen Code прямо из Telegram, DingTalk или WeChat
Пишешь с телефона - выполняется на сервере
• Cron Jobs - регулярные AI-задачи
Тесты каждые 30 минут, билд по утрам, мониторинг логов по расписанию
• Qwen3.6-Plus - новый флагман
1M контекста и до 1000 бесплатных запросов в день
• Sub-agent Model Selection - разные модели под разные задачи
Тяжёлую модель на основную логику, быструю на подзадачи
Экономия токенов без потери качества
• /plan - режим планирования
Сначала AI строит план по файлам и шагам, потом ты подтверждаешь и он исполняет
• Follow-up Suggestions - после задачи предлагает следующие шаги
Типа «добавить тесты?» или «проверить похожие файлы»
• Adaptive Output Tokens - умный вывод
По умолчанию 8K, но сам расширяется до 64K если не хватает
• Ctrl+O - переключение режима ответа
Подробный для дебага или компактный для работы
https://github.com/QwenLM/qwen-code/releases
This media is not supported in your browser
VIEW IN TELEGRAM
Китайцы выпустили нейросеть, которая может генерировать КИНО — новая SeeDance 2.0 от разрабов ТикТока создаёт до жути реалистичные видео.
Нарезка того, как Месси обводит Роналдо с нуля создана в новой нейронке — артефакты почти незаметны невооружённым взглядом, а движения выглядят плавно и четко. При этом в SeeDance 2.0 почти нет цензуры: она спокойно создаёт ролики с политиками и знаменитостями.
Попробовать можно бесплатно — здесь.
Нарезка того, как Месси обводит Роналдо с нуля создана в новой нейронке — артефакты почти незаметны невооружённым взглядом, а движения выглядят плавно и четко. При этом в SeeDance 2.0 почти нет цензуры: она спокойно создаёт ролики с политиками и знаменитостями.
Попробовать можно бесплатно — здесь.
Lamborghini Urus стал самым продаваемым новым люксовым автомобилем в России — по итогам первого квартала 2026 года продано 44 машины, сообщает «Автостат». @ecotopor
Дмитрий Медведев стал главным редактором школьных учебников по обществознанию для 9–11 классов в России — Минпросвещения.
Работа была проделана на безвозмездной основе.
😒 😒 😒
Работа была проделана на безвозмездной основе.
Please open Telegram to view this post
VIEW IN TELEGRAM
Убираем все следы ИИ из любого текста! Нашли сервис The AI Text Humanizer, который отредактирует текст настолько мощно, что вас не спалит ни один детектор нейронок.
Вы пройдете таких мастодонтов, как ZeroGPT, QuillBot и даже Антиплагиат ВУЗ.
• Работает максимально просто: вставили текст — получили результат за пару секунд.
• Убирает все следы ИИ: построение текста, абзацы, слова и выражения, синтаксис и даже фразеологизмы.
• Сделает из вашего сгенерированного текста по-настоящему живую работу, которую не поймают ни строгие преподы, ни детекторы.
• Сервис постоянно обновляется: разрабы добавляют новые паттерны и не бросают детище.
😶 😶 😶 😶 😶 😶 😶 😶 😶
Мастхев-сервис пробуем — тут.
Вы пройдете таких мастодонтов, как ZeroGPT, QuillBot и даже Антиплагиат ВУЗ.
• Работает максимально просто: вставили текст — получили результат за пару секунд.
• Убирает все следы ИИ: построение текста, абзацы, слова и выражения, синтаксис и даже фразеологизмы.
• Сделает из вашего сгенерированного текста по-настоящему живую работу, которую не поймают ни строгие преподы, ни детекторы.
• Сервис постоянно обновляется: разрабы добавляют новые паттерны и не бросают детище.
Мастхев-сервис пробуем — тут.
Please open Telegram to view this post
VIEW IN TELEGRAM
Media is too big
VIEW IN TELEGRAM
20-летний мужчина метнул самодельное зажигательное устройство в дом Сэма Альтмана в Сан-Франциско, спровоцировав пожар. Скрывшись с места преступления, злоумышленник направился к штаб-квартире OpenAI, расположенной в 5 километрах от дома.
Спустя час полиция задержала его возле главного офиса компании - там молодой человек угрожал сжечь здание дотла.
В результате инцидентов никто не пострадал и полиция пока не уточняет, находился ли руководитель OpenAI дома в момент нападения.
ft.com
Министр финансов США и председатель ФРС провели закрытую встречу с руководителями Citigroup, Morgan Stanley, Bank of America и Goldman Sachs. Темой срочного совещания стали риски кибербезопасности, спровоцированные релизом модели Mythos от Anthropic.
Опасения властей связаны с техническими возможностями модели. Mythos способен находить и самостоятельно эксплуатировать уязвимости нулевого дня во всех основных операционных системах и веб-браузерах. Для системно значимых банков, от которых зависит глобальная экономика, это означает переход киберугроз на принципиально иной уровень автоматизации.
Цель экстренного совещания - убедиться, что финансовый сектор осознает масштабы проблемы и готов перестроить защиту внутренних сетей под новые реалии.
bloomberglaw.com
В новой версии улучшили качество сведения и следование инструкциям. Теперь через промпт можно точно задавать BPM, тональность, порядок вступления партий и выстраивать сложную эмоциональную дугу трека.
Проведена глубокая оптимизация средних и низких частот. Для работы с готовым материалом появилась функция Cover. Она извлекает мелодический каркас из загруженного аудио и позволяет полностью изменить жанр или аранжировку, сохранив исходный мотив и ритмику.
Кроме этого, представлены три новых Music Skills. Они позволяют интегрировать генерацию музыки в сторонние сервисы, собирать динамические плейлисты на основе предпочтений пользователя и наделять виртуальных ассистентов вокалом для импровизаций. Модель доступна в стадии беты с 14-дневным бесплатным использованием.
minimax.io
По данным инсайдеров, новая флагманская модель DeepSeek V4 дебютирует во второй половине апреля. Ожидается, что архитектура будет насчитывать триллионы параметров, а размер контекстного окна расширится до миллионов токенов.
Намеки на скорый релиз уже появились в веб-интерфейсе платформы, где разработчики добавили быстрый и экспертный режимы для обработки сложных комплексных запросов. DeepSeek пока воздерживается от официальных комментариев.
finance.sina.com.cn
Разведывательное управление США подготовило первый отчет, сгенерированный ИИ. По словам заместителя директора ведомства, в ближайшие годы ИИ-ассистенты будут встроены во все аналитические платформы ЦРУ. Нейросети возьмут на себя подготовку черновиков, верификацию разрозненных данных, машинный перевод и выявление скрытых трендов.
За последний год управление уже протестировало 300 подобных проектов. Активнее применять генеративные модели начнет и Центр киберразведки, курирующий скрытые хакерские операции, хотя право принятия ключевых решений ведомство обещает оставить за людьми.
politico.com
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM