Искусственный интеллект

Обновил ноутбук. С новым компьютером хочется настроить всё с чистого листа, поэтому решил заменить привычные программы на лёгкие и нативные. Для редактора, браузера и прочего замены нашлись, а вот подходящей программы для диктовки, через которую работаю с агентами, не нашлось.

Раз теперь мы пишем код с ИИ-помощниками, решил попробовать сделать такую программу под себя. Но меня затянуло, и вместо одной маленькой программы родились свой движок распознавания речи на чистом Rust через wgpu, библиотека для кросс-платформенного интерфейса и упаковщик под macOS, Windows и Linux.

Рассказываю по неделям, как это было и что узнал по дороге.

Продолжаем решать интересную RL-задачу: агент должен сам научиться играть в Atari Frostbite по сырым видеокадрам, чтобы набрать 136k+ очков и одолеть SOTA модель MEME-200 [4]. Меня зовут Михаил Кочеров. Я занимаюсь этой задачей, потому что по ходу её решения можно лучше понять, как работает наш мозг. Как будто сама природа подкидывает проблемы и намекает на пути их решения, шепча “Загляни в себя, там все ответы”. Разобраться в работе нашего мозга — мой идефикс.

Во Frostbite нужно управлять эскимосом, собирать иглу, прыгая по льдинам, уворачиваться от врагов, тикает таймер замерзания. Для перехода на новый уровень эскимос должен зайти в собранный иглу. Игра непростая, в среднем после 2-х часов игры новичок набирает около 4 тысяч очков (2-3 пройденных уровня).

В прошлом эпизоде мы собрали простого агента на базе CNN и трансформера. Агент владеет базовыми механиками игры, набирает 779 очков, но не проходит даже первый уровень. При этом улучшения от дальнейших тренировок нет. Очевидно, что агент нащупал локальный минимум и застрял в нём. Его надо как-то вытолкнуть оттуда.

Это не инструкция, как избежать блокировки или как гарантированно вернуть аккаунт. Делюсь личным опытом, который может быть полезен.

В каком образе LLM-беседа является пользователю? Чем форма такого образа определяется? Этот вопрос экспериментально исследовался многими – см. список литературы ниже.

В теории LLM-бесед как лумановских смысловых систем нового типа (полное описание: (Krupkin, 2026)) взаимодействие LLM-беседы с пользователем может быть описано стандартной схемой социального взаимодействия – парой Ego-Alter. Ego – это тот образ, в котором LLM-беседа является пользователю. Alter – её модель пользователя как партнёра по взаимодействию. Обзор экспериментов с LLM / ноосвиками в части Alter был представлен ранее. Данный текст посвящен обзору моделирования LLM / ноосвиками своего Ego.

Я делаю сервис, который отвечает на отзывы покупателей на Wildberries, Ozon и Яндекс Маркете. Покупатель пишет, что часы встали через три дня, а модель с самым серьёзным видом отвечает: «Передадим замечание на производство для проверки партии». Никакую партию никто проверять не будет.

Я сравнил тринадцать моделей — Alice AI LLM Flash, YandexGPT Pro 5.1 и Lite 5, семь GigaChat, два DeepSeek и Qwen — на синтетических отзывах и вопросах, где для каждого примера заранее записано, что считается правильным ответом. Внутри: как и почему модели выдумывают обещания, парный бутстрап, регулярка против «проверки партии», LLM-судья, которому нельзя верить на слово, и почему резерв пришлось выбирать отдельно для каждой задачи.

На GTC Berlin 2026 участники воркшопа NVIDIA смогли ускорить генерацию Qwen3-32B с 16,4 до 24,5 токена в секунду, не меняя оборудование. Для этого использовали FP8 вместо BF16. Общая пропускная способность тоже выросла, хотя и заметно меньше: с 639 до 719 токенов в секунду.

Эксперимент проводили на Kubernetes-кластере с четырьмя NVIDIA A100 по 80 ГБ. У каждого участника был собственный кластер, на котором можно было разворачивать модели, менять конфигурацию и измерять производительность.

Помимо квантизации, на занятии разбирали NVIDIA Dynamo, маршрутизацию запросов с учётом KV-кеша, автоматическое масштабирование и разделение prefill/decode между GPU.

Материал основан на статье инженера Siim Tolk, опубликованной 4 ноября 2026 года.

TL;DR. Пять месяцев ИИ-агент пишет производственное планирование для завода, который раньше жил в Excel. Я не читаю код вообще. Контроль вынесен в четыре вещи: правила, которые агент читает перед каждой задачей; тесты как контракт к каждому жёсткому правилу; храповик, который не даёт тестам слабеть молча; и ТЗ, которое растёт вместе с эксплуатацией. Это всё по отдельности не ново, но агент держит всё это вместе, синхронно при каждой правке. В командах людей обычно такой синхрон рассыпается на втором месяце. Ниже цифры за пять месяцев, включая набитые шишки и два случая, где модели попроще разобрали те же задачи, что и Opus: каждая сторона нашла то, что пропустила другая.

OpenAI анонсировала ChatGPT Wallet — новую платёжную функцию, позволяющую ИИ‑агентам совершать покупки от имени пользователей. Компания начала сотрудничать с такими крупными эмитентами карт, как American Express, Mastercard и Visa. 

Что важнее для кредитного скоринга: 50 000 заявок или 500 реальных дефолтов?

Я сравнил TabPFN-2.5 и CatBoost на 3 млн обезличенных банковских заявок. Эксперимент показал: при одинаковом количестве дефолтов увеличение обучающей выборки в 25 раз практически не меняет ROC AUC.

В статье 60 экспериментальных конфигураций, сравнение двух моделей, анализ ошибок и попытка найти баланс между качеством предсказаний и вычислительными затратами.

Почему количество редких событий может оказаться важнее объёма данных — разбираемся на реальном банковском скоринге.

Индекс поисковика Brave — отдельный вход в ответы нескольких нейросетей: Brave продаёт доступ к нему ИИ-компаниям и сам называет Perplexity среди клиентов. Если страница не выходит в Brave Search, этим сервисам её взять неоткуда, и в их ответы она может не попасть, как бы хорошо ни стояла в Google и Яндексе. В замерах видимости в ответах ИИ-моделей я сохраняю, на какие источники Perplexity ссылается в каждом ответе, и эти логи удобно сверять с выдачей Brave. Сама проверка занимает несколько минут: одну страницу смотрят вручную, список — запросом к Brave Search API.

Исправление ошибок с помощью ИИ становится всё более распространённой практикой при разработке ядра Linux, заявил основатель проекта Линус Торвальдс. Он отмечает, что в только что выпущенной версии 7.4-rc2 присутствует всё больше исправлений, подготовленных с участием ИИ.

Все повсеместно внедряют ИИ‑агентов где надо и где нет. Периодически сеть развлекают новости о том, как очередной из них сначала выполняет rm -fr /* или что‑то в этом роде, а потом пишет: «Извините, я все удалил. Хотите помогу начать проект с чистого листа?»  

Решение напрашивается само собой.

ИИ-фильтр Роскомнадзора за 2,27 млрд рублей: что известно, а что пока только догадки

13 ноября 2026 года Forbes, а за ним Meduza, 3DNews и SecurityLab сообщили, что Роскомнадзор внедрил систему фильтрации трафика на основе машинного обучения. Источник один: паспорт ведомственной программы цифровой трансформации Роскомнадзора на 2026 год и плановый период 2027–2028 годов. Разберём, что в нём названо прямо, что добавляют эксперты, и где начинаются догадки.

У человека был старый ноутбук. На нём он навайбкодил себе fb2-читалку, чтобы читать прямо из браузера, с тёмной темой и настройками под себя. Пользовался постоянно. Потом купил новый ноутбук, а перенести читалку со старого было лень - пара движений руками, но лень.

Он не перенёс. Он навайбкодил вторую. “Ещё лучше”.

Кто-то в комментариях не удержался, “Fbreader уже существует. Можно просто установить и пользоваться. Неблагодарите :)”. Ответ был коротким и по существу, “FBreader какой-то устанавливать, пыхтеть мириться с его странностями - не моё. Двадцать минут вайбкода и у меня есть необходимый минимум, всё остальное от лукавого”.

Это не спор про читалки. Это спор про то, чем вообще стал персональный софт за последний год.

Mozilla закрывает Solo — сервис для создания и хостинга веб‑сайтов на базе больших языковых моделей. Все сайты и данные будут удалены 30 ноября.

Apex Compute выпустила открытую бета-версию генератора кадров Apex Neural Rendering. Инструмент работает поверх прослойки OptiScaler, подменяет штатный вызов NVIDIA DLSS Frame Generation и позволяет запускать синтез промежуточных кадров на видеокартах GeForce RTX™, GeForce^® GTX 16, AMD Radeon™, Intel^® Arc™ и чипах Apple Silicon. 

Пока вы ищете, куда пропала задача, ChatGPT уже может найти дубли, собрать отчёт и разобраться, почему проект буксует. Собрал 7 готовых промптов для работы с задачами и аналитикой — с примерами, видео и минимумом ручной возни.

Сегодня (14 ноября) в 13:00 мск ИИ-платформа нейросетей GPTunneL проведёт в Zoom открытый эфир для участников хакатона Skillout.

Подключиться и задать вопросы можно через бота SKILLOUT.

Формат – серия знакомств с брендами хакатона: команда расскажет о сервисе и поможет разобраться с брифом до старта работы над рекламными роликами.

В эфире:

• Ирина Янакова – продакт-менеджер GPTunneL;
• Денис Мищенко – организатор SKILLOUT.

Почитав обсуждение «Хабр проиграл войну с нейрослопом» @orchidfiles, подумал, как иронично, что в борьбе с «нейрослопом», то есть для задачи отличать машинно-сгенерированные тексты от человеко-сгенерированных, люди сразу после появления chatgpt начали также полагаться на машины («детекторы» и прочее). 

Это такой неожиданный перехлёст «теста Тьюринга», в котором люди не просто уже не способны распознать машину в собеседнике, а начинают полагаться на машину, чтобы та для них определяла человечность.

Хотя реальная проблема никогда, на самом деле, не покидала сферу «человечного»: решением проблемы плохих текстов является подготовка более лучших читателей.

Протестим GPT Image 2 и Gemini Omni 1.2 Flash в паре для генерации динамичных ассетов в стиле пиксельарт, которые нужно анимировать.