Машинное обучение *

Пользователь подключил Claude Code к духовке и научил нейросеть готовить: ИИ‑агент получил доступ ко всем датчикам печи, видеокамере и температурному зонду. По одному промпту ИИ может приготовить ужин и полностью управлять духовкой, помогая хозяину не тратить на это время.

Человек-паук: Новый день. Тот, кого никогда не было.

Питер Паркер – обычный парень из Нью-Йорка. У него есть имя, лицо, документы, друзья, работа, прошлое и убедительная биография. Есть только одна проблема: Питера Паркера никогда не существовало.

В кино это называется персонажем. В антифроде всё чаще приходится иметь дело с похожей конструкцией, только без костюма и паутины: лицо можно сгенерировать, документ подделать, биографию собрать, а цифровой след постепенно нарастить.

В итоге перед системой оказывается человек, у которого есть почти всё, что обычно подтверждает личность. Кроме самой личности.

В статье «Человек, которого никогда не было» разбираем, как появляются такие синтетические личности и почему проверить отдельно лицо и документ уже недостаточно.

И да, главный спойлер: в реальности никакого Питера Паркера в конце может не оказаться.

Представлен открытый проект ИИ‑учёного OmniScientist, который сам пишет статьи, составляет библиографию, таблицы и рисует схемы для любых исследователей:

• анализирует любые файлы: изображения, видео, схемы, таблицы, документы, формулы и даже аудио.

• выдвигает гипотезы как настоящая команда учёных.

• проверяет информацию до последней запятой, чтобы не было ни одной выдумки или неточности;

• строит графики, таблицы и схемы;

• собирает результат в PDF и отдаёт в удобном формате;

• знает русский язык и ориентируется в культурном контексте;

• может подключаться к различным ИИ‑агентам;

• работает на Windows, macOS и Linux.

Представлен открытый проект Zero‑Trust Collaboration for Sandboxed AI Agents — h5i («хай-файв»). Это безопасный форум на базе Git для обмена сообщениями для ИИ‑агентов.

h5i предоставляет агентам ИИ, занимающимся программированием, безопасный форум для обмена сообщениями, позволяющий координировать работу команды, при этом каждый агент находится в своей собственной изолированной среде. Темы, ответы, утверждения, обзоры и голоса синхронизируются через Git, а возможности и учётные данные каждого агента остаются изолированными. В рамках проекта не требуется хостинг h5i и не требуется учётная запись SaaS.

Быстрое сокращение отставания Китая от США в сфере искусственного интеллекта на одном графике. Если ранее Anthropic оценивала разрыв китайских лабораторий от американских в 6–12 месяцев, то теперь разработка Kimi K3 от Moonshot уступает по мощности лишь лидерам вроде Claude Fable 5 и GPT-5.6, оставаясь при этом дешевле в эксплуатации.

Такие компании, как Moonshot, DeepSeek, Alibaba/Qwen и Z. ai/GLM, резко сократили технологическую дистанцию с американскими разработчиками. Дополнительно позицию Китая усиливает свежая модель GLM-5.3, которая часто даже не учитывается в подобных сравнениях.

Я завысил собственный Sharpe. Исправляю публично

Перед стартом торговли реальными деньгами прогнал плановый аудит кода своей ML-системы — и нашёл два бага, из-за которых опубликованные цифры были лучше реальности.

Ошибка 1. Проскальзывание применялось только в live-контуре, но не в историческом бэктесте (комиссии были в обоих). Честный пересчёт: Sharpe системы ~2.7 → ~1.8, доходность за пять лет +75% → +47%. Треть доходности уходила в неучтённые издержки.

Два поворота. Бенчмарк (SMA-кросс) торгует чаще нейросети и пострадал сильнее (Sharpe 0.98 → 0.59) — отрыв системы от него после исправления даже вырос. А LightGBM-бейзлайн, который с одними комиссиями показывал «скромные, но плюсовые» +5%, с полными издержками ушёл в −19%: его кромка была тоньше издержек. «Модель немного зарабатывает после комиссий» — это не результат, а вопрос, какие издержки вы забыли.

Ошибка 2. Я публиковал стресс-тест: замороженная модель на чужой эпохе (2015–2020) теряет −28%, вывод — «в чужом режиме опасна». Аудит нашёл дыру в самом тесте: часть признаков физически существует только с 2020–2021, и загрузчик молча подставлял вместо них нули (виноват except: pass, «удобно» глотавший отсутствующую таблицу). Тест мерил не модель в чужой эпохе, а модель, ослепшую на две трети входов.

Перемер зрячей версией (только признаки, существующие в обеих эпохах): +22% вместо −28%, все шесть лет от −1% до +8.5%. Катастрофы не было — минус рисовали нули в данных, а не смена режима.

И каскадное следствие: раньше казалось, что от «катастрофы» спасает еженедельное переобучение (walk-forward на той эпохе давал +17%). Теперь видно: зрячая замороженная модель даёт +22% — переобучение ничего не спасало, спасать было нечего.

Чек-лист, если хотите проверить свой бэктест на те же грабли:

1. Все ли слои издержек применяются во всех симуляторах, или только в одном?

2. Бенчмарк несёт те же издержки? Частота сделок разная — эффект несимметричен.

3. Существуют ли все признаки модели на всём периоде стресс-теста?

4. Есть ли в загрузчиках данных молчаливые except, превращающие отсутствующую таблицу в нули?

5. Стресс-тест показал катастрофу — сначала проверьте тест, потом модель.

Подробный разбор — в UPD к статье про сидовый шум. Цифры в старых текстах не правил — только явный UPD: тихая правка убила бы весь смысл протокола честности.

Не является индивидуальной инвестиционной рекомендацией.

MCP-сервер, который не тратит лишние токены

Пересобрали Timeweb Cloud MCP и выложили описание новой версии на GitHub.

С MCP-сервером агент сразу видит ваши ресурсы и может ими управлять: создавать, менять и настраивать. Раньше все инструкции при подключении уходили в контекст и тратили слишком много токенов. Сейчас вместо полного набора действий — три команды:

1️⃣ search_tools — найти нужную операцию по описанию задачи

2️⃣ get_tool_definition — получить ее параметры

3️⃣ execute_tool — выполнить операцию с этими параметрами

Итог: агент не держит в памяти весь каталог действий, а ищет нужное под конкретную задачу. Контекст остается компактным, токены не сгорают впустую — а список доступных действий стал больше.

Работает с Cursor, Claude Code, Codex и любым агентом с поддержкой удаленных MCP-серверов. Из настройки только API-токен и адрес сервера в конфиге ассистента. Готовые инструкции есть в доке.

Передать управление облаком агенту →

Средняя стоимость токенов для ИИ резко упала с пика в $2,07 за миллион токенов 28 мая до $1,02 за миллион токенов. Основными причинами являются снижение цен на китайские модели ИИ от Kimi и DeepSeek, которые в несколько раз дешевле моделей с закрытым исходным кодом из США.

х2 работы для ваших AI-агентов

За неделю выкатили сразу несколько релизов — собрали все в один пост. Суть у всех одна: агенты забирают на себя больше задач в ваших проектах.

Теперь можно:

1️⃣ Делиться с агентом файлами в Telegram 

Отправляете файл в чат вместе с запросом — агент сделает сводку по CSV с данными или найдет ошибку на скриншоте с логами.

Особенно удобно для тех, кто уже настроил ИИ-помощников в чатах поддержки.

2️⃣ Управлять облаком через команды

Выложили репозиторий со скиллами (инструкциями) для работы с Timeweb Cloud MCP. С ними агент получит готовые сценарии, например, как поднять сервер или настроить DNS. Меньше ошибок и лишних действий. 

В Claude Code скиллы ставятся как плагин в две команды, в Cursor, Codex и OpenCode — через npx skills.

3️⃣ Передавать агенту файлы через API

Добавили Files API — отдельный механизм для работы с файлами в API агентов. Он снял прежние ограничения по формату и размеру, и вы можете принимать любые файлы от своих пользователей.

Схема простая: пользователь вашего сервиса прикрепил файл в чате → сервис передал его агенту через API → агент ответил с учетом содержимого.

А еще выкатим новые локальные модели с низкой стоимостью — подробности скоро.

Нагрузить агента контентом →

Figma запустила собственный генератор скиллов для встроенного ИИ:

• better‑interface — делает UI в разы удобнее и читабельно;

• superfuture‑design‑review — делает полное ревью дизайна и предложит свои правки;

• component‑handoff — составит полную документацию по нужному компоненту;

• desktop‑to‑mobile — быстро конвертирует дизайн в мобильный формат;

• create‑anatomy — создаёт полную визуальную анатомию выбранного элемента;

• find‑animation‑opportunities — упрощает работу с анимацией;

• spacing‑audit — фиксит проблемы с расположением элементов и пропорциями;

• balise‑ux‑writing — перерабатывает, генерирует и приводит к единому стилю тексты;

• analyze‑components — делает полный аудит всех компонентов на странице;

• design‑system‑gen — генерирует компоненты по простым стилевым вводным.

Представлен проект MathCode — это терминальный помощник по программированию с ИИ со встроенным механизмом формализации математических формул. «Дайте ему математическую задачу на простом языке, и он автоматически преобразует её в теорему Lean 4 и попытается дать формальное доказательство — с помощью постоянно доступной интерактивной среды Lean REPL, многократно используемых библиотек теорем и аксиом, агентного доказательства и графа знаний Obsidian», — пояснили в команде проекта.

DeepSeek запустил агентскую среду Harness. Ключевая фича: плагином может быть всё. Модели, сессии, скиллы, песочницы, циклы и даже просто интерфейс. В Harness всё выдаётся в качестве готового к работе агента:

• у среды своя архитектура на Cordis, которая позволяет менять компоненты в любое время;

• схема простая: любая модель + любой компонент = готовый агент;

• работает вообще с любыми компонентами;

• по факту, это новый способ создания ИИ‑агентов, простой и максимально эффективный.

В сообществе разработчиков также представили 6000 готовых скиллов для DeepSeek Harness.

ИИ запустил гонку увольнений — два экономиста математически вывели формулу, по которой многие сотрудники останутся без работы в ближайшие годы:

• логика простая: компания заменяет сотрудников на ИИ и забирает 100% экономии на зарплатах;

• но уволенные люди теряют доход, меньше покупают — и продажи падают уже у множества других бизнесов;

• сама компания ощущает лишь крошечную долю ущерба. Если на рынке N фирм, ей условно достаётся только 1/N потерь от общего падения спроса, а остальное размазывается по конкурентам.

• поэтому увольнять выгодно даже тогда, когда массовые сокращения делают беднее весь рынок. Главное — быть в этом деле первым;

• остальные видят снижение издержек и тоже подключают ИИ. Никто не хочет остаться последним бизнесом с «раздутым» штатом;

• начинается гонка увольнений: сотрудники остаются без работы, что вызывает падение доходов, затем спроса и как итог — новые сокращения;

• это классическая дилемма заключённого: каждая компания принимает рациональное решение, но вместе они приходят к провальному результату: товары стало дешевле производить, зато покупать их постепенно становится некому;

• авторы исследования предлагают налог на автоматизацию, равный ущербу спросу, который фирма перекладывает на остальных. Полезный ИИ он не остановит: если внедрение действительно сильно экономит деньги, оно всё равно окупится. Зато исчезнет стимул увольнять людей только потому, что последствия оплатит весь рынок.

Представлен робот‑пылесос Matic за $1245, которому можно указать пальцем на грязь, а нейросеть устройства считает команду и пылесос поедет в то место. Благодаря ИИ робот понимает десятки команд, но при этом ничего не отправляется на внешние сервера — внутри чип Nvidia, на котором и крутится нейросеть.

Google запустил бесплатный курс по вайбкодингу, который доступен на русском языке — он учит создавать приложения с нуля без опыта. Курс AI for App Building занимает около 2 часов и входит в Google AI Professional Certificate, а после прохождения можно получить сертификат.

Ошибки при работе с ИИ. Часть 2

Продолжаем разбирать частые ошибки при работе с ИИ вместе с Константином, экспертом по ИИ в Naumen.

В первой части говорили о контексте, постановке задачи и конфиденциальных данных. Теперь смотрим шире: как работать с актуальной информацией, что делать, если застряли в диалоге с ИИ, и почему хороший результат часто требует экспериментов с подходами.

4️⃣ Верим, что ИИ знает все

Используем языковую модель как всезнающего помощника или как справочник: просим найти свежие факты и актуальную информацию и воспринимаем ответ как достоверный.

В чем суть

Изолированная языковая модель опирается на данные, на которых обучалась, и контекст текущего диалога. Сама по себе она не ищет информацию в реальном времени. Если нужной информации в доступных данных нет, модель может заполнить пробел правдоподобными, но вымышленными деталями.

Важно различать две задачи: работу с информацией, которую вы уже дали модели, и поиск актуальных фактов. В первом случае источниками знаний могут быть ваш текст, документ, таблица или код. Во втором нужны внешние источники и инструменты для работы с ними.

Как исправить

1. Учитывайте сильные и слабые стороны модели — она хорошо форматирует, извлекает и сокращает данные, переводит на любые языки.

2. Для проверки и поиска актуальных фактов используйте внешние инструменты — поисковые модули, RAG, MCP или другие подключения к источникам данных.

3. Не перегружайте контекст и подключайте нужные модули.

В связке с внешними инструментами модель получает данные из источника и помогает их обработать и структурировать.

• Плохой промпт: «Какая сейчас актуальная версия библиотеки X и какие методы в ней устарели?».

• Хороший промпт: «Используй официальную документацию библиотеки X, подключенную через MCP. Проверь актуальную версию и методы, которые помечены как устаревшие. Укажи дату релиза и добавь ссылки на соответствующие разделы документации».

5️⃣ Не спрашиваем ИИ, как с ним работать

Когда не понимаем, как подступиться к задаче или почему модель выдает не тот результат, часто ищем инструкции где угодно, только не в самом чате.

В чем суть

Мы привыкли искать помощь во внешних источниках. Но при работе с ИИ часть вопросов можно задать прямо модели: как лучше сформулировать запрос, каких вводных не хватает, почему ответ мог получиться неудачным или с чего начать задачу.

Как исправить

1. Опишите ИИ, что хотите сделать и что не получается.

2. Спросите прямо в чате, как лучше подступиться к задаче.

3. Если сложно сформулировать запрос, попросите ИИ задать уточняющие вопросы и помочь собрать ТЗ.

6️⃣ Не экспериментируем с подходами

Пробуем один и тот же способ работы для разных задач и, если результат не устраивает, решаем, что ИИ нам не подходит.

В чем суть

Работа с ИИ — это навык, которому нужно учиться, как когда-то работе с Word или Excel. Он развивается через практику, изучение возможностей и поиск своего рабочего формата.

Как исправить

1. Пробуйте разные подходы к задачам.

2. Тестируйте разные модели и связки инструментов.

3. Ищите свой рабочий формат и продолжайте экспериментировать.

Нет одного идеального способа работы с ИИ. Кому-то достаточно базовых возможностей модели, а кому-то нужно несколько открытых вкладок и интеграции в IDE. 

ИИ-агента Manus предлагают протестировать бесплатно на две недели без ограничений до 25 августа (без карты, без номера телефона, только регистрация на сайте):

• выполняет задачи без подсказок от начала до конца и по расписанию;

• одновременно исследует сотни сайтов, книг, статей и других ресурсов;

• команда ИИ‑систем внутри: планирование, задачи, проверка;

• ИИ‑агент сам заходит на сайты, может заказать еду, забронировать билеты или спланировать отпуск;

• работает с таблицами Excel, PDF, документами;

• правит картинки прямо на экране;

• подключается к Gmail, Slack, GitHub и другим платформам;

• показывает свои действия в реальном времени и отчитывается о них.

Представлен ресурс Claude Watermark Remover для удаления криптометок из Claude от Anthropic.

Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.

OpenAI объявила о доступности предварительной версии десктоп-приложения ChatGPT для платформы Linux, предоставляющего интерфейс для использования ChatGPT, ChatGPT Work и ИИ-агента Codex. Приложение доступно для загрузки в форматах deb и rpm в сборках для архитектур x64 и ARM64. Заявлена поддержка дистрибутивов Ubuntu 24.04/26.04, Debian 13 и Fedora 43/44.

Мой топ бэнчмарков

Какую модель запустить на 2xV100, 2x32 GB VRAM: Gemma-4-26B или Qwen-3.6-35B. Обе современные. Обе от топовых компаний, обе мультимодальные, у обеих качественный маркетинг. Количество параметров и требования к железу - аналогичные. Но Gemma абсолютно неконкурентна и в любом типе задач измеримо хуже. В таких грубых случаях бенчмарки отлично описывают модели. Они и в менее грубых помогают, но там уже есть некоторое отклонение от реальности.

https://artificialanalysis.ai/ - Топ-1 по популярности и взвешенности решения. Состоит из 9 бенчмарков и составляет 3 индекса на их основе: интеллект, кодинг и агентные способности. Содержит все модели и добавляет их в течение 2 дней после выхода. Модели OpenAI добавляет день в день. Поменял свой индекс, чтобы показать, что GPT-5.6 Sol лучше Opus 4.8, но если вы пользуетесь только одним бенчмарком - пусть это будет он.

https://deepswe.datacurve.ai/ - бенчмарк SOTA-моделей на реальных задачах программирования. Основной формат представления - процент решённых задач против цены на одну задачу. То есть даже лучше, чем цена за токен, ведь одни модели используют больше токенов, чем другие. Задачи максимально продуманы и глубоки. На данный момент не переполнен и реально показывает полезность моделей для программирования.

https://arena.ai/leaderboard - так же, как и Artificial Analysis, не один бенчмарк, а целая коллекция. Начинал со сравнения пользовательских предпочтений, но сейчас имеет куда больше разделов. Упал в популярности, но всё ещё полезен для нишевых вопросов вроде сравнения качества поиска или генерации картинок

Делаем профессиональное ревью кода и не пропускаем ни одного бага — вышел открытый инструмент Rеjudge, который проверяет код с помощью трех ИИ-агентов, а затем ИИ-судья выносит вердикт в готовый отчёт:

• каждая ИИ-модель проверяет один и тот же запрос, разбирая его в изолированном контексте. При этом ни одна модель не видит, что делают другие;

• ИИ-судья затем проверяет все три ответа, задаёт уточняющие вопросы там, где расходятся независимые проверки;

• затем судья выдает один готовый отчет, где указывает все риски, баги и уязвимости в коде.

Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.

Для файлов компания использует другой механизм — цифровые метаданные о происхождении контента по стандарту C2PA. Они могут добавляться, например, к изображениям.png и.jpg и позволяют проверить, обрабатывался ли файл Claude и не изменялся ли он после этого.

Маркировка распространяется не только на веб-версию Claude: она применяется к поддерживаемым моделям в API, Claude Code, Claude Cowork и Claude Tag, а также при использовании Claude через AWS, Google Cloud и Microsoft Foundry, где технические возможности платформы это позволяют.

При этом водяной знак не станет стопроцентным способом доказать, что текст написал именно ИИ. Если Claude, например, только отредактировал, перевёл или сократил текст человека, итоговый материал тоже может получить метку. А после сильной переработки, перефразирования, перевода или смешивания с другим текстом её можно потерять. Отсутствие метки также не доказывает, что контент был создан человеком. Anthropic обещает отдельно опубликовать инструменты и техническую документацию для обнаружения таких водяных знаков.

Нововведение связано с требованиями европейского закона об ИИ: для новых моделей, запускаемых в ЕС после 2 августа 2026 года, должна быть предусмотрена маркировка ИИ-контента. При этом Anthropic решила применять технологию не только в Европе, но и по всему миру.

Вариант, как можно вычистить маркировку контента, созданного Claude:

• Текст — отредактируйте, перефразируйте или переведите на другой язык. Вам нужно внести как можно больше изменений. Другого способа спрятаться от детекторов пока нет.

• Картинка — уничтожьте все метаданные. Несколько раз пересохраните в разных форматах или сделайте скриншот картинки.

• Код — поменяйте название 3–4 ключевых переменных, перепишите архитектуру функций своими руками или прогоните весь код через форматировщик (например, Prettier или Black).

В Anthropic отправили экспериментальную модель Claude изучать гипотезу Римана — математическую задачу, которую кожаные математики безуспешно пытаются решить с 1859 года. Саму гипотезу Claude не решил, зато нашёл способ поднять доказанную долю подходящих функций с 41,6% до 67,2% — это прорыв, который сэкономит научному сообществу десятки лет. Руководивший экспериментом Джаред Самнер не создавал сложных промптов — большую часть времени он просто для ИИ писал «продолжай» и «верь в себя».

Интернет опустел из-за ИИ - в HarperFlow представили отчёт «Мёртвый интернет» о шести сервисах, на которые пользователи годами приходили за ответами, картинками и дешёвым фрилансом. Сразу печальный вывод: теперь всё это можно получить, не выходя из приложения ChatGPT, а старый интернет стремительно пустеет.

• Stack Overflow: самый жесткий пример — число новых вопросов упало со 109 301 в месяц запуска ChatGPT до 1 624 в июле 2026-го — онлайн просел на 98,5%;

• Chegg: сервис продавал студентам готовые решения за $15–20 в месяц. После признания CEO, что ChatGPT мешает росту, акции рухнули на 48% за день, а студенты давно выяснили, что на те же вопросы ChatGPT ответит бесплатно;

• Shutterstock: лицензировал свою библиотеку картинок OpenAI и запустил собственный генератор, но всё равно подешевел со $121 до $5,40 за акцию — в 22 раза;

• Fiverr: площадка для фрилансеров держалась дольше других. Первые два года ИИ‑эпохи компания сидела на пороховой бочке, но как только научились прилично писать, переводить, рисовать логотипы и связывать эти действия в цепочки, сработал двухлетний запал и акции рухнули;

• Quora: интерес к ответам снизился на 43% с 2022 по 2025 год. Все вопросы просто переехали в окно ИИ-чата;

• Getty Images: вместо дружбы с ИИ этот фотобанк выбрал тропу войны и начал судиться со Stability AI из‑за Stable Diffusion. Как итог: сервис потеряла 98,6% стоимости с момента выхода на биржу.

Попросил ИИ чат нарисовать ИИ агента

На платформе Higgsfield открылась академия с бесплатными курсами по генерации видео. Доступно два образовательных трека. Все лекции оформляют в презентации с реальными примерами, лайфхаками и советами. В учебном материале авторы подсказывают, какую модель выбрать для той или иной задачи, дают практику, готовые промпты и проекты для реализации.

Nvidia представила открытый проект Nemotron VoiceChat. Это голосовой ИИ‑агент, способный открывать любые инструменты по команде пользователя в реальном времени:

• Nemotron говорит с вами без пауз и умеет в эмоции;

• разрешает вам перебивать себя с задержкой всего 480 мс;

• умеет вызывать инструменты посреди диалога — поиск в сети, календарь и так далее;

• поддерживает сложные сценарии использования;

• обучен на 550 тысячах часов речь;

• умеет слушать, говорить, прерывать ответы и вызывать инструменты в рамках одного диалога.

Ошибки при работе с ИИ. Часть 1

Бывает, что ИИ выдает совсем не тот результат, который мы ожидали. И дело не всегда в возможностях самой модели: даже хороший инструмент может отвечать хуже, если смешать контекст, нечетко поставить задачу или передать лишние данные.

Пообщались с Константином, экспертом по ИИ в Naumen, и собрали несколько частых ошибок, которые встречаются в работе с нейросетями. 

В первой части нашего материала говорим о контексте, постановке задачи и конфиденциальных данных: почему не стоит решать все в одном чате, как задавать рамки и что проверять перед загрузкой рабочих материалов.

1️⃣ Решаем все задачи в одном чате

Чем больше разных тем и задач накапливается в диалоге, тем сложнее модели понять, какая информация сейчас действительно важна.

В чем суть

У модели есть ограниченный рабочий контекст. И дело не только в его объеме: важно, насколько информация внутри него связана с текущей задачей.

Как исправить

1. Открывайте новый чат под новую тему.

2. Большую задачу делите на этапы.

3. Перед следующим этапом делайте выжимку.

2️⃣ Ставим задачу без необходимых рамок

Расплывчатые или перегруженные запросы не помогают модели понять, какой результат вы ожидаете.

В чем суть

Модель не знает ваших целей и критериев, пока вы их не обозначили. Хороший запрос — это не обязательно длинный промпт. В нем просто должно быть достаточно информации, чтобы понять задачу и ожидаемый результат.

Как исправить

Укажите, что нужно сделать, зачем и для кого, какие данные использовать, что исключить и в каком виде нужен результат.

• Плохой промпт: «Вот документ с заметками, таблицами и ссылками. Проанализируй его и выдели главное».

• Хороший промпт: «Проанализируй документ и выдели: ключевые показатели, отклонения, возможные причины и риски. Не используй информацию из черновых заметок и внешних ссылок. Результат собери в таблицу: показатель → значение → отклонение → комментарий».

Если контекста много, лучше всего надиктовать задачу своим голосом. По опыту, модели лучше справляются с подробным, пусть и сырым описанием, чем с коротким запросом, в котором не хватает контекста.

→ Полезный инструмент для голосовой надиктовки задач и контекста для ИИ.

3️⃣ Передаем ИИ конфиденциальные данные

Помимо рабочих материалов, в модель могут попасть API-ключи, пароли, персональные данные или внутренняя информация.

В чем суть

При работе с внешними ИИ-сервисами правила работы с данными зависят от платформы и тарифа. Поэтому важно понимать, что можно передавать, а что нужно обезличить.

Как исправить

1. Удалите или замените API-ключи, пароли, имена и контакты плейсхолдерами.

2. Уберите данные, без которых и так можно решить задачу.

3. Если сомневаетесь, попросите ИИ подсказать способ обезличивания на нейтральном примере.

• Плохо:

  API_KEY=7hd83k...
user_name=Иван Иванов
user_phone=+7...

• Хорошо:

  API_KEY=KEY_HERE
user_name=USER_NAME
user_phone=PHONE_NUMBER

Перед загрузкой данных в ИИ задайте себе два вопроса: безопасно ли передавать этот материал за пределы компании и может ли эта информация навредить компании — например, дать доступ к системе, клиентским данным или внутренним ресурсам.

Если хотя бы в одном случае есть сомнения, не передавайте материал в исходном виде.

Взаимодействие «LLM — Человек»: с чем мы имеем дело — с «псевдоличностью» или алгоритмом?

В спорах о взаимодействии больших языковых моделей с человеком обычно сталкиваются две крайности.

Первая: стоит достаточно долго пообщаться с LLM — и перед нами уже не инструмент, а почти «личность». Появляются устойчивые черты «характера» и что-то похожее на намерения и эмоции. Да, это имитация. Но настолько точная, что некоторые уже говорят о «короткоживущих идентичностях» и едва ли не о новом классе «Я». Потом обычно следуют либо восторги и ожидания прекрасного цифрового будущего, либо алармизм в духе «Скайнет уже близко».

Вторая: да ладно.

Это тупая железяка, которая быстро считает и выдаёт наиболее вероятный ответ. Всё остальное — антропоморфизация. Мы просто приписываем цифровой кукле человеческие свойства.

Обе позиции не безосновательны. Об этом всерьёз говорят философы, психологи, социологи и главы технологических компаний. Позже я вернусь к аргументам обеих сторон.

Но тогда почему одна и та же модель ведёт себя так по-разному?

Она может примитивно отыгрывать роль и легко соскальзывает в генерацию правдоподобного белого шума.

И она же — спокойно принимает критику, не уходит в лесть и остаётся точной, внутренне согласованной системой, способной анализировать собственное поведение. 

Ни «это просто железка», ни «это уже новое „я“» сами по себе этого не объясняют. 

Почему?

Я постараюсь ответить на этот вопрос в следующем посте. Про Дэвида Чалмерса и Андрея Карпати писали уже много. Но где-то в столе у меня лежит диплом психфака - это позволяет взглянуть на проблему с другой стороны.

От модели до продакшена: 7 открытых уроков по ИИ

Собрать эффектное демо сегодня можно за вечер. Гораздо сложнее заставить искусственный интеллект стабильно работать с документами, распознавать объекты, строить прогнозы и приносить пользу за пределами ноутбука разработчика.

Разберём на практике, что стоит под капотом современных моделей, почему ML‑проекты застревают на этапе эксперимента и как создавать ИИ‑системы, которые решают реальные задачи.

• 10 августа, 18:00 «Технологии продвинутого Data Science: что под капотом». Записаться
  _{Разберём современные подходы в Data Science и посмотрим, какие технологии и методы стоят за сложными моделями.}

• 12 августа, 20:00 «ИИ‑зрение в действии: как из данных с дороги получить карту мира». Записаться
  _{Поговорим о том, как системы компьютерного зрения обрабатывают дорожные данные и преобразуют их в структурированное представление окружающего мира.}

• 17 августа, 20:00 «Создаем первого ИИ‑агента за 90 минут: автоматизируем реальную рабочую задачу с Claude Code». Записаться
  _{Практический урок по созданию агента, который сможет выполнять не абстрактную демонстрационную задачу, а полезный рабочий сценарий.}

• 18 августа, 19:00 «AI‑ассистент на ваших документах: почему он врёт и что с этим делать». Записаться
  _{Разберём, почему ассистенты дают недостоверные ответы даже при работе с корпоративными документами и как повысить качество поиска и генерации.}

• 19 августа, 20:00 «Почему 90% ML‑проектов не доходят до продакшена? Разбираем архитектуру настоящей ML‑системы». Записаться
  _{Посмотрим, что находится между удачным экспериментом и работающим ML‑продуктом: архитектура, данные, инфраструктура и эксплуатация модели.}

• 20 августа, 20:00 «ИИ против человеческих костылей: эволюция детекторов от YOLO до real‑time трансформеров». Записаться
  _{Проследим развитие моделей для обнаружения объектов и разберём, как современные трансформеры решают задачи компьютерного зрения в реальном времени.}

• 24 августа, 20:00 «Современные модели прогнозирования — TimesNet, TimeGPT и новое поколение моделей временных рядов». Записаться
  _{Поговорим о новых подходах к прогнозированию временных рядов и о том, чем современные модели отличаются от классических методов.}

Участие бесплатное, необходима регистрация.

ЧТО ПОЧИТАТЬ ПО ТЕМЕ

В блоге OTUS собрали материалы об ИИ‑агентах, RAG и моделях с открытыми весами:

• «Как прокачать ИИ‑агента без дообучения: Agent Skills»

• «Почему AI‑агенты ломаются на длинных задачах — и как обвязка помогает им дописывать приложения»

• «RAG для тех, кто разочаровался: почему retrieval ломается и как это починить»

• «Contextual Retrieval: техника, которая чинит главную проблему RAG за 50 центов на тысячу чанков»

• «SciGraph: как я учил ИИ читать научные статьи не только по словам, но и по связям»

• «Вышла Qwen3-Coder‑Next: модель с открытыми весами для кодинг‑агентов»

Больше бесплатных уроков августа по разработке, искусственному интеллекту и не только смотрите в дайджесте.

Представлен открытый проект repowise — оптимизатор кодовых баз, который экономит токены в кодинге и работает с Claude Code, Cursor, Copilot:

• не читает каждый файл, а сразу индексирует весь репозиторий;

• создаёт документацию для каждого файла;

• строит графы зависимости и анализирует историю Git с слабыми местами;

• неиспользуемый код и устаревшие зависимости чистит сам;

• результат: минимальная задокументированная экономия — 36%.

Меня в разных постах обвиняли, что я якобы базирую свою критику AI только на старых бесплатных моделях. Что-ж, пару недель назад я дал задачку самой последней самой платной версии Claude и вот мои наблюдения. Если кратко, из него можно выбить правильный ответ, если знать какой ответ должен быть, но в процессе выбивания оно демонстрирует целый букет наивностей, свойственный людям, которые перешли на верилог из Си. Я аж прослезился, вспомнив как я делал такие же ошибки 30 лет назад. При этом оно еще и пытается спорить и что-то доказывать, что я у него запросил якобы "теоретически невозможно".

Конечно самое коронное из наивностей - это перепутать стадии конвейера и состояния последовательного конечного автомата. Даю ему задачу спроектировать блок, который принимает транзакции TIn и выдает транзакции TOut после применения некоторого алгоритма. Вообще-то такой блок уже существует, поэтому любые попытки Claude сказать "теоретически невозможно" сразу шлются подальше. Если все транзакции потока - простые, то блок должен принимать транзакции Tin каждый такт и выдавать результат Tout каждый такт (после задержки в фиксированное количество тактов).

И что же ИИ делает? Оно строит последовательный конечный автомат с 5-ю стадиями, в котором начинает обрабатывать новую транзакцию только когда, через пять тактов, заканчивает обрабатывать старую. При этом в комментариях оно пишет что это якобы pipeline, то бишь конвейер. Что разумеется ерунда, поскольку в конвейер можно засовывать следующую транзакцию как только предыдущая прошла первую стадию, не дожидаясь пока она докатится до пятой.

Помимо меня в 1996 году я такую же ошибку видел в последнее время у одного хоббиста из Израиля, который стал в своем блоге учить мир как писать процессоры, и в ответ на возражение "это не конвейер" стал оправдываться что это "конвейер" в некотором абстрактном смысле, типа поэтическом. А также у вышедшего на пенсию профессора программирования из Шотландии, который решил на старости лет также поучить людей тому что он сам неверно понимает. Это вообще свойственно программистам на Си которые впервые увидели верилог. Что показывает кому Антропик дает тренировать клод.

Итак, я пишу клоду "это не конвейер, я запросил конвейер". В ответ оно соглашается и меняет в комментариях "pipeline" на "state machine states". Но код остается тот же самый.

На это я ему говорю "каждое процессирование занимает 5 тактов для любой транзакции, я же запрашивал back-to-back для простых транзакций". ИИ в ответ оптимизирует два состояния и далее заявляет, что якобы три такта это "теоретический предел".

И вот тут я обнаружил интересную фичу: если на Клод наорать капслоком, оно перестает трендеть про "теоретический предел" c последовательным многотактовым конечным автоматом - и строит конвейер.

Но если бы с ним сидел не я, а джун после коледжа, он бы поверил клауду про "теоретический предел" и вот так бы и оставил. И что потом делать с результатом? Смириться что телефон выводит на экран игры по одному пикселю в секунду и батарейка здыхает через 5 минут?

Именно поэтому я убежден, что студентов нужно тренировать так, чтобы они умели решать задачки такого типа безо всякого ИИ. А если не хотят - пусть идут в Макдональдс или собирать клубнику на плантациях в Вилсонвилле, замещать там нелегальных мексиканцев, которых Трамп пытается высылать.

Как их сейчас тренируют в вузах? Набивают всякими мусором, который потом превращается в кашу в голове из JK-триггеров и карт Карно. Там и про конвейеры и FIFO есть, они просто висят как сферические кони в вакууме, без понятия как это прилагать к решению задач.

Команда Cursor представила исходный код проекта minisqlite. Это реализация СУБД SQLite на языке Rust и успешно проходящая официальный набор тестов sqllogictest от проекта SQLite.

Проект minisqlite подготовлен в ходе эксперимента по проверке эффективности работы ИИ‑моделей GPT-5.5, Grok 4.5, Opus 4.8 и Fable 5, по воссозданию SQLite только на основе официального 835-страничного руководства, без доступа к оригинальному коду, интернету, наборам тестов и исполняемому файлу SQLite. Основная идея эксперимента — использование подробной спецификации в качестве промпта для создания сложного продукта.

Представленная реализация minisqlite основывается на результатах, полученных при использовании ИИ‑модели Opus 4.8.

Проект minisqlite включает около 200 тыс, строк кода на Rust, не содержащего unsafe‑блоков в коде библиотеки. Библиотека может открывать файлы, созданные в оригинальном sqlite3, и записывать файлы, которые можно прочитать в sqlite3. Реализация охватывает диалект SQL от SQLite, поддержку транзакций, 90 встроенных функций, планировщик запросов, движок выполнения запросов и движок хранения, совместимый с дисковым форматом SQLite 3. Из внешних зависимостей в minisqlite задействован только пакет elsa, с использованием которого реализован страничный кэш.

Представлен открытый конвертер book‑to‑skill для ИИ‑агентов. Проект анализирует книги и документы в PDF, EPUB, DOCX, Markdown, считывает текст, собирает конспекты глав, словарь, паттерны и шпаргалку, а затем превращает это в skill. Инстурмент экономит токены — получается в 24–51 раз меньше затрат, чем если просто закинуть нейросети целую книгу.

Представлен открытый проект skales — ИИ‑агент, который запустится даже на слабом ПК:

• работает как обычное приложение в Windows, macOS и Linux;

• агент получает доступ к файлам, браузеру, почте и календарю;

• умеет выполнять сложные задачи в фоновом режиме;

• можно запланировать любую таску по таймеру;

• своя встроенная память для важного контекста;

• при этом команды отправлять можно даже со смартфона — агент выполнит их на ПК;

• можно тестировать на бесплатном пробном режиме, подключить API или локальную модель.

Открытый проект .MD this page позволяет преобразовать веб-страницу в чистый Markdown, готовый для ChatGPT, Claude, Gemini и других нейросетей. Решение очищает код сайта от рекламы, баннеров и другого мусора для отправки на обработку в ИИ. Есть предпросмотр, экспорт в .md и опция для мгновенного копирования сайта.

Андрей Карпаты рассказал о текущем состоянии работы нейросетей по промпту «нарисуй пеликана на велосипеде»:

Мы начинаем выходить за рамки тестирования LLM, например, с помощью запроса «создать SVG‑изображение пеликана на велосипеде». В качестве примера для обобщения, мне было интересно, что бы сделал Opus 5, если бы я дал ему первый абзац «Властелина колец», бюджет в 1 млн токенов (~$10) и попросил три рендера на JavaScript. Opus потратил около двух часов и написал 5500 строк кода, которые (процедурно) отрисовывали историю. Это немного коряво, но забавно. Но немного поразительно, что LLM должен размещать и координировать различные полигональные объекты в координатах (x,y,z) и писать код, который анимирует все это, и что он вообще что‑то делает.

Мне также нравятся подобные примеры, потому что никто в здравом уме не стал бы тратить время на написание чего‑то настолько уникального, но у LLM хватает выносливости и терпения, так что это пример того, как мы переходим от «никто бы этого не сделал» к «конечно, почему бы и нет, это же ~бесплатно». Возможно, таких примеров гораздо больше. Но меня вдохновляет создание гипер‑пользовательских миров, в которые можно было бы погружать игроков, например, чтобы они могли участвовать в истории «Властелина колец» в качестве NPC‑зрителя, или одного из персонажей, и так далее. Что‑то вроде эфемерной GTA X по запросу.

И последнее: область миров/игр выявляет слабость LLM: им трудно проверять свою работу, потому что они не способны эффективно и интуитивно воспринимать видео или играть в игры внутри них. В данном случае, Opus 5 пришлось очень медленно и кропотливо делать скриншоты в разных точках, и это несколько раз приводило к ошибкам и создавало кучу глюков. Пример тех самых возможностей (мультимодальные функции, игровой процесс), которым, на мой взгляд, пока ещё явно не хватает.

В конце июля 2026 года Google выкатила возможность генерировать по промпту с помощью ИИ для генерации изображений Nano Banana разные объекты на картах Google Earth. Инструмент позволял приблизить любую точку на карте и создать там новый снимок по текстовому запросу. В Google предлагали использовать эту опцию для визуализации исторических событий, инфографики, архитектуры и планирования строительства. Инструмент был доступен пользователям по всему миру.

Пользователи сразу начали создавать на картах взрывы ядерных бомб в разных местах и различные разрушения. После этого в Google через пару часов поняли, что натворили и быстро убрали опцию из общего доступа.

В Google подчеркнули, что сгенерированные изображения были помечены как созданные ИИ и не отображались в основной версии Google Earth для других пользователей. Однако после волны критики компания решила временно полностью отключить эту функцию.

Появилась возможность получить доступ к Google AI Plus на 1 год в рамках партнёрской программы Internshala для работы, учебы и других задач.

После регистрации получите БЕСПЛАТНУЮ подписку на Gemini, NotebookLM, Flow и 400 ГБ облачного хранилища.

Что нужно сделать:

• зайти по адресу https://internshala.com/;

• создать учётную запись;

• найти предложение Google AI Plus для аккаунта;

• нажать на предложение и активировать план;

• Прикрепить карту. С карты ничего не спишут, а дадут подписку бесплатно на целый год. Изначально акцию сделали для студентов, но пользователи утверждают, что она активируется и на обычных аккаунтах.

Мы выпускаем образовательный ресурс open-explainable-ai.  

Котятки, образовательный ресурс open-xai. 

Ресурс построен как единая точка, где можно учиться просто всему, что есть в интерпретируемости. От классических методов, до геометрии и математики в моделях.

Сейчас в нем:
 ⁃ 2 трека. XAI Practitioner — объяснять поведение моделей руками, от классики до LLM. Math of LLMs — математика и mechanistic interpretability изнутри модели, на уровне весов и схем.
 ⁃ 17 тематических блоков — сквозняком от линейной регрессии до Sparse Autoencoders.
 ⁃ 50+ методов интерпретируемости в одной программе.

Мы (t.me/MrsWallbreaker и t.me/jdata_blog, спасибо ей еще и за этот текст) открываем ресурс и открываем первые два (часть ресурса будет бесплатной и такие блоки будут открываться первыми сейчас). 

Открытые с сегодня блоки погружают в термины и мир интерпретируемых моделей. После модулей вы никогда больше не сможете смотреть на них прежними глазами)  

Это только начало галактики — и новые модули будем докатывать. Для понимания апдейтов можно завести аккаунт: https://open-xai-platform.web.app/register (письмо-подтверждение может упасть в спам — гляньте туда, если не пришло).

Тыкать, пробовать и делать баг-репорты (мы надеемся, что последнего будет мало) сюда: https://open-xai-platform.web.app