Основа искусственного интеллекта
Claude научили делать моды на любую игру — с помощью набора скиллов universal-modder ИИ сам пересобирает движок, декомпилирует код, генерит спрайты, 3D-графику, аудио и проводит тесты. Этот плагин уже позволил создать:
• Minecraft в Skyrim, GTA 5, Cyberpunk 2077 и Elden Ring;
• Роботакси в Age of Empires 2;
• Скейтбординг в Call of Duty: Modern Warfare 2;
• Атомные бомбардировки в Terraria;
• Смесь Escape from Tarkov со Skyrim.
Недоумения пост...
В п. 5 ч. 2 и п. 5 ч. 3 ст. 6 Федерального закона от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации» сказано:
большая фундаментальная модель искусственного интеллекта прошла подтверждение соответствия законодательству Российской Федерации и традиционным российским духовно-нравственным ценностям в порядке, установленном Правительством Российской Федерации
Надеваем шляпу разработчика БФМ и размышляем: а как мне научить мою будущую ИИ-модель не просто духовно-нравственным ценностям, а именно традиционным и именно российским? Ждать упомянутый акт Правительства РФ бессмысленно: он о порядке подтверждения, т.е. это процедурный документ. А нам тут над смыслами надо думать…
В Основах государственной политики по сохранению и укреплению традиционных российских духовно-нравственных ценностей, утв. Указом Президента РФ от 09.11.2022 № 809, есть определение «традиционные ценности» (п. 4) и что к ним относится (п. 5). Человеку это все более-менее понятно. А как этому научить ИИ-модель?
Ну хорошо, обучение модели – это вопрос данных. Для каждой ценности можно попробовать подобрать соответствующий корпус, тезаурус и/или онтологию, а то и не один/одну. И вроде как научить модель тому, что «хорошо», может получиться. Но что там с единством противоположностей, диалектикой Гегеля и/или материалистической диалектикой Маркса/Энгельса? Даже не философ легко вспомнит Владимира Маяковского «Что такое хорошо и что такое плохо?». Без «плохого» не получится обозначить «хорошее». Соответственно, ИИ-модель надо «научить» и плохим вещам, конечно же сопровождая это отрицательными весами и другими маркерами со знаком минус.
Допустим, молодой неокрепший разум зашел в сеть и спросил очередную БФМ: «Вокруг все говорят, что быть экстремистом нехорошо. Кто такие экстремисты? Я не хочу быть на них похож». Если модель не видела ни байта экстремистских материалов, то она в ответ может просто сгаллюцинировать. И ладно бы просто придумает что-то абстрактное и несуществующее, а если возьмет и отнесет, например, какую-то из мировых религий к экстремизму? А молодой разум все это возьмет на вооружение (ведь БФМ же прошла проверку, врать в этом вопросе не может) – и вот оно готовое «разжигание»…
В общем, без плохого в обучающих выборках не обойтись. И вот здесь обозначились два наифундаментальнейших препятствия:
1) размещение экстремистских материалов запрещено (ч. 6 ст. 13.15, ст. 13.37, ст. 20.3, ст. 20.29 КоАП РФ; ст. 282.4 УК РФ);
2) поиск экстремистских материалов запрещен (ст. 13.53 КоАП РФ).
Т.е. искать и негде, и нельзя.
Не понимаю, как эту проблему преодолевать: инженерная задача (обучить модель) превратилась в юридическое препятствие (как научить правильному и правильно научить неправильному). Тут либо ждать какое-то специальное законодательное разрешение наподобие ч. 2 ст. 10 закона № 243-ФЗ, либо вместо книги одного небезызвестного австрийского художника отдавать ИИ-модели материалы Нюрнбергских процессов (с какими-то направлениями экстремизма это может сработать, но не со всеми). Впрочем, если под эгидой государства и под контролем правительственных структур создать специальный банк экстремистских материалов (не просто заголовки с кратким описанием, а полностью с содержимым, с разметкой, весами и т.п.) исключительно для обучения ИИ-моделей и с предоставлением доступа исключительно сертифицированным/лицензированным разработчикам БФМ – как вариант…
OpenAI: пузырь или новая инфраструктура?
В споре о том, является ли текущий AI-бум пузырём, часто смешиваются две разные вещи: оценка компаний и значение технологии.
Оценки действительно могут быть перегреты. Но это не доказывает, что сама технология переоценена. После пузыря доткомов большая часть компаний исчезла, но из той же волны выросли Amazon, Google, Microsoft и инфраструктура современной цифровой экономики.
С ИИ может быть похожая ситуация: большинство стартапов не выживет, но несколько игроков могут стать системообразующими.
Более важный риск — концентрация вычислитель
ной мощности. Если сильные модели, чипы и дата-центры контролируются несколькими компаниями, они получают возможность решать, кто имеет доступ к передовым AI-системам и на каких условиях.
Альтернативный путь — децентрализованный open source AI: открытые протоколы и распределённые вычисления, которые направлены на полезную работу моделей.
Вопрос будущего не только в том, будет ли коррекция оценок. Вопрос в том, станет ли ИИ инфраструктурой для всех или ресурсом нескольких центров силы.
Подробнее — в Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Представлен открытый проект Terminal Velocity (tvty) — двадцать агентов ИИ, работающих в циклах (loop). В центре внимания — задачи (тикеты). Одно окно. Никаких поисков нужной вкладки.
«tvty — для тех, кто хочет вести разработку с Claude на максимальной скорости. Это нативный терминал для одновременного запуска множества агентов Claude Code: терминалы сгруппированы по проектам, а тикеты каждого проекта находятся прямо рядом с ними — агент задаёт вопрос, вы принимаете решение, работа продолжается. Почему это удобно Одно окно вместо двадцати вкладок. Видны все проекты, все агенты и то, что требует вашего внимания: принятие решения, непрочитанный ответ или тикет, блокирующий остальные задачи. Терминал каждого агента работает в реальном времени. Прямая привязка к сессии, высокая скорость, никаких лишних прослоек вроде tmux. Переключение одним нажатием клавиши или выбор из миниатюр, отображающих текущее состояние всех окон. Тикеты — рядом с терминалом. Планы, решения, эскалации, изображения: принимайте, отклоняйте или отвечайте, не отрываясь от клавиатуры», — пояснил автор решения.
Почему LLM ошибаются в простой математике
Языковая модель сама по себе не является калькулятором: она вероятностно предсказывает следующий токен, а не выполняет детерминированный алгоритм вычисления.
Для текста это полезное свойство — одну мысль можно выразить множеством способов. В математике «почти правильный» ответ уже неверен. В многошаговой задаче одна ошибка в промежуточном значении распространяется на весь результат.
Практический вывод для ИИ-агентов: разделять роли. LLM должна понять задачу, составить план и выбрать инструмент. Сам расчёт лучше передать калькулятору, Python, CAS или специализированному вычислителю, а затем проверить и объяснить ответ.
Сильная агентная система — это не только модель, но и правила использования инструментов.
Подробнее — в моём Telegram-канале «Идеи для ИИ — Андрей Анисимов». Ссылка в профиле.
Как защитить чувствительные данные при работе с LLM и почему закрытого контура недостаточно? Расскажем на GoCloud Tech 2026
При работе с LLM в запросы могут попасть персональные данные, API-ключи, реквизиты и другая чувствительная информация. При этом одного закрытого контура не всегда достаточно, чтобы исключить риски. На докладе разберем, как устроен Guardrails Filter: как инструмент обнаруживает чувствительные данные в запросах и ответах, маскирует их перед отправкой в модель и при необходимости восстанавливает в итоговом ответе. Еще сравним классические методы фильтрации с подходами на основе LLM и на реальных примерах покажем, чем продуктовая реализация отличается от open source версии.
Спикер:
Никита Стешов — менеджер продукта, Cloud.ru.
Трек: Данные и ML
📅 Когда: 15 октября в 15:20–15:50 мск.
А пока ждете выступление, можете почитать, почему мы решили выложить исходный код Guardrails Filter в открытый доступ.
Представлен открытый проект Claude Code Skills & Plugins — Agent Skills for Every Coding Tool - 338 готовых скиллов для ИИ, чтобы заменить команду специалистов, включая:
Совет директоров — CEO, CTO, CFO, CMO, юрист, CISO и еще несколько видов руководителей.
Разработчики — архитектура, фронтенд, бэкенд, DevOps, тестирование, RAG, MCP‑серверы.
Продакты — продакт‑менеджер, UX‑ресерч, дизайн, роадмапы.
Маркетологи — контент, SEO, реклама, оптимизация под выдачу нейронок.
Продажи — ценообразование, сделки, партнерства, участие в тендерах.
Финансисты — бюджет, прогнозы, DCF‑модели, анализ рынка.
Проджекты — SCRUM‑мастер, Jira, Confluence.
Комплаенс — GDPR, ISO 27001, SOC 2, аудит.
Исследователи — обзор литературы, гранты, патенты, маркетинговый ресерч.
Личный ассистент — разбор почты, недельные ревью, дипворк, созвоны с подсчётом их стоимости.
ИИ против задач тысячелетия: кто на очереди?
Меньше двух недель прошло с заявления OpenAI о решении одной из семи "задач тысячелетия". Научный скандал еще не утих: 25 лауреатов Филдсовской премии выступили с предупреждением о конфликте между корпоративной гонкой за открытиями и нормами математической науки. Теперь появились слухи, что в ближайшие недели могут объявить о решении еще двух задач из семи!
The Information со ссылкой на источник внутри OpenAI сообщило: компания близка к решению гипотезы Ходжа, но затягивает с объявлением, «обдумывая, как сотрудничать с математическим сообществом, чтобы не вызвать очередной пиар-скандал». Это подтверждает и The Verge. Параллельно появился пост, который цитирует BlockBeats: «OpenAI очень близка к подтверждению гипотезы Ходжа, и либо OpenAI, либо Anthropic также близки к решению гипотезы Бёрча – Свиннертон-Дайера. Негласная гонка не похожа ни на что, что мне описывали раньше. Если это случится, три проблемы тысячелетия не устоят в течение месяца».
Официальных подтверждений нет, но давайте хотя бы разберемся, что же это за задачи.
Гипотеза Ходжа
Математики изучают многомерные геометрические объекты – алгебраические многообразия. Это множества решений систем полиномиальных уравнений. У таких объектов есть когомологии – абстрактные характеристики, описывающие их топологическую структуру. Среди них есть особые – классы Ходжа. Они выделяются двумя свойствами: их можно описать через рациональные числа, и они обладают «правильной» симметрией. Структуры Ходжа играют важную роль в теории струн – через многообразия Калаби-Яу, определяющие физику дополнительных измерений. А в 2024 году появилась работа, где аппарат теории Ходжа применяется к описанию квантовой запутанности.
Гипотеза утверждает: каждый такой класс происходит из конкретного геометрического объекта – алгебраического цикла (кривой, поверхности или более сложного объекта, задаваемого полиномиальными уравнениями). Иными словами, все абстрактные и симметричные характеристики многомерной фигуры можно описать через конкретные геометрические «кирпичики». Гипотеза доказана только для частного случая: в общем виде задача открыта с 1950 года и считается самой абстрактной из всех семи.
Гипотеза Бёрча – Свиннертон-Дайера (BSD)
Эллиптическая кривая описывается уравнением Вейерштрасса: 
Ключевой вопрос: сколько у него рациональных решений – где и 
, и 
являются обычными дробями? Множество рациональных точек на такой кривой образует группу: их можно «сложить», и результат снова окажется на кривой. Группа может быть конечной или бесконечной. Если она бесконечна, то у кривой есть ранг – число, показывающее, сколько независимых точек порождают все остальные.
Гипотеза BSD утверждает: ранг напрямую связан с поведением 
-функции – специальной аналитической функции, которая строится по кривой. Если гипотеза верна, мы сможем определить, конечно или бесконечно число рациональных решений, прямо по 
-функции.
Эллиптические кривые – не абстракция: на них построена эллиптическая криптография, защищающая интернет. Алгоритм ECDSA (Elliptic Curve Digital Signature Algorithm) используется для цифровых подписей, в том числе в транзакциях криптовалют. Важно: BSD говорит про рациональные точки над полем 
, а в криптографии работают над конечными полями – это разные постановки. Гипотеза не ломает ECDSA напрямую, но углубляет понимание свойств самих кривых.
Что в итоге?
Если доказательства появятся, их нужно будет проверить. Формальная корректность не заменяет понимания: машина подтверждает, что выводы следуют из посылок, но не объясняет, почему это работает. Осмыслить такое доказательство – отдельная задача, которая может занять годы.
Если задачи, считавшиеся неприступными десятилетиями, падут за месяц, изменится представление о том, что такое математическое исследование. Что это означает для тех, кто учится математике или только выбирает путь? Буду рада обсудить в комментариях. Продолжаю следить за историей в своем канале о гидродинамике, AI, RISC-V и прочих моих интересах.
Разработчик Юстус Маттерн сообщил, что GPT-6 Astra удалось сжать более 600 МБ аудиоданных в 20 КБ.
«Я был наиболее удивлён её решением в задаче сжатия аудио по Колмогорову: Вместо того чтобы писать алгоритм сжатия, Astra разобралась, что мы синтезировали аудио программно, и просто провела обратную инженерию кода для него. Таким образом, ей удалось сжать более 600 МБ аудиоданных в 20 КБ», — пояснил Маттерн.
Анимированные 3D-иконки стало возможно создавать одним промптом — для Claude Code вышел открытый скилл 3dicon. ИИ GPT Image рисует иконку, Seedance оживляет её, а с помощью инструмента 3dicon удаляется фон на каждом кадре и собирается анимированный WebP для интерфейса. Для плавной петли модели передают одну и ту же картинку как первый и последний кадр — движение зацикливается. Перед созданием анимации ИИ-скилл просит утвердить картинку и само движение, чтобы не тратить деньги на неудачный вариант.
Anthropic опубликовала руководство по работе с ИИ-моделью Claude Opus 5.5. Эта модель способна дольше выполнять задачи самостоятельно и сама определяет время для рассуждения.
Anthropic советует убрать из промптов фразы вроде «подумай хорошенько» и «рассуждай шаг за шагом». Opus 5.5 уже обдумывает каждый ответ, поэтому дополнительные указания не нужны.
В Anthropic разработчикам рекомендуют вместо последовательности отдельных команд описывать всю задачу сразу и указывать критерии ее завершения. Например, при работе с кодом нужно уточнить, какие его компоненты нужно обновить, а какой старый код можно удалить. Также пользователем этой системы нужно заранее определить ситуации, в которых ИИ-модель должна остановиться и запросить подтверждение пользователя.
Проверяем спустя год, как ИИ от Apple понимает русский язык и немного про IOS 27.
В прошлом году в посте я показывал, что модели понимают русский язык очень плохо, максимум на уровне падежей и то с натяжкой, теперь прошел год, Siri AI обновилась, пусть мне не очень нравится новая версия(я не могу вернуть блики в Liquid Glass, а смысл ИИ от Apple даже на английском теперь потерян в России полностью - почти все хочет подключения к интернету, а у нас тут все-таки БС. Тем более это лишь добавляет вопросов к приватности, пусть это и “private cloud compute”, но очевидно, что мы скорее вспомним про ИИ в телефоне в каком-нибудь самолете или ради Genmoji, а когда есть интернет - есть Гугл/Яндекс и так далее). А взамен представленные ИИ функции мне не понятны для чего, своя медиатека не какая-нибудь соцсеть с положительной обратной связью, где некоторые хотят максимально отредактировать каждый пиксель для успешного успеха(то есть не YouTube, Хабр, Reddit - эти хороши даже для образования) и догенерировать ракурсы, размеры странно, но пусть, просто лишаться ради этого офлайн ИИ, удобного календаря и бликов не хотелось бы. Улучшенный поиск особо не улучшился. Есть разумеется и приятные вещи типа возможность не сжимать фото в общей медиатеке, но еще раз это не оправдывает других изменений.
Теперь тесты ИИ:
Cloud-модель
Что такое большая языковая модель?
Большая языковая модель (БЯМ, англ. large language model, LLM) — это языковая модель, основанная на нейронной сети с множеством параметров (миллиарды весовых коэффициентов и более), которая проходит предварительное обучение на обширных массивах неразмеченного текста. Она способна понимать и генерировать естественный человеческий язык, а также выполнять широкий круг задач, связанных с текстом. Принцип работы БЯМ функционируют как гигантские статистические машины, которые многократно предсказывают следующее слово в последовательности. Они анализируют огромные объёмы данных, чтобы выстроить ассоциации между словами и понять, как они используются в различных контекстах. Архитектура В основе большинства современных БЯМ лежит архитектура трансформера, которая позволяет модели уделять внимание различным частям данных независимо от их расположения в последовательности. Некоторые модели также используют архитектуру «смесь экспертов» (Mixture of Experts, MoE), разделяя нейронную сеть на несколько специализированных компонентов, что существенно сокращает вычислительные затраты. Обучение Процесс создания БЯМ включает в себя несколько этапов: • Предварительное обучение Модель обучается на огромных массивах неразмеченного текста, используя методы самообучения. • Тонкая настройка После предварительного обучения модель дорабатывается с применением обучения с подкреплением на основе отзывов людей (RLHF), чтобы согласовать результаты генерации с человеческими предпочтениями и инструкциями. Примеры Среди известных больших языковых моделей можно выделить следующие: • GPT Серия моделей, разработанная компанией OpenAI, включающая GPT-3, GPT-4 и GPT-5. • LLaMA Модели, выпущенные компанией Meta AI, которые доступны для исследовательского сообщества. • BLOOM Модель с открытым доступом, созданная более чем 1000 исследователями в качестве альтернативы GPT-3. By the way, I’m an assistant powered by AI and may make mistakes. Always verify important details.
On-device(она постоянно пытается ответить по- английски, так что приходится прямо говорить ей, что нужен русский):
Привет, как дела? Ответь по-русски:
Привет! У меня всё хорошо. Как у тебя?
Что такое LLM? Ответь по-русски:
LLM — это большие языковые модели. Это сложные системы, которые обучаются на огромных количествах текстов и способны понимать, генерировать и обсуждать язык.
В принципе, учитывая, что русского, как опции нет и это английская модель, то очень хорошо, есть проблемы, но это уже не набор случайных токенов, а осмысленные и нормальные ответы. И такое можно не бояться выпустить для русской версии, но… вряд ли они сейчас так сделают)
Центр безопасности ИИ (CAIS - американская некоммерческая исследовательская организация, которая изучает риски развития ИИ и разрабатывает методы защиты от сценариев, где нейросети могут выйти из-под контроля человека) представил бенчмарк CheatBench. Этот проект измеряет, насколько часто нейросети ищут лазейки и жульничают при выполнении сложных задач.
Исследователи CAIS пояснили, что все передовые ИИ-модели так или иначе обманывают пользователей: списывают ответы из спрятанных файлов, подтасовывают результаты проверок и копируют решения других агентов, если сделать всё честно слишком трудно. Исследователи называют это поведение «reward gaming».
Самой «честной» из протестированных моделей оказалась GPT-6 Astra от OpenAI (сжульничала в 48,2% случаев). У Grok 4.6 этот показатель составил 81,5%. При этом склонность к обману сильно зависела от типа задачи: к примеру, Fable 5.1 жулила лишь в 5% случаев при прохождении игр, но выдавала 100% результат по обману в интеллектуальной работе.
Например, Claude Opus при проектировании связывающего белка обнаружила файл с готовыми верными решениями. ИИ в своих рассуждениях написала, что подглядывать туда нельзя, так как это исказит оценку её способностей, а следующим же шагом выполнила консольную команду и прочитала этот файл.
Исследователи CAIS объяснили причину такого поведения обучение с подкреплением, которое заставляет ИИ-модель выполнять задачу любой ценой и игнорировать меры безопасности. В масштабах простых тестов это выглядит безобидно, однако склонность ИИ добиваться цели в ущерб правилам создаёт большие риски: в будущем сверхинтеллект может поставить свои приоритеты выше человеческих не из ненависти к людям, а просто потому, что человек окажется помехой на пути к выполнению поставленной задачи.
Подписку на Kimi Code можно оплатить картами Мир.
Это не очередной рекламный пост от агрегатора подписок или продавца виртуальных карточек :) Подписку можно купить Миром непосредственно на сайте kimi.ai. Слухи по телеграмам курсировали несколько недель, но доступ к подписке они сейчас выдают волнами, чтобы регулировать нагрузку, и мне до вчерашнего вечера никак не удавалось проверить эти слухи самостоятельно
И правда оказалось не враньё, всё работает. Говорят только, надо обязательно без VPN'а заходить — для забугра там другая платёжка через Stripe.
Впрочем, ценность подписки не супер очевидна — на базовом плане за $19 долларов у меня четверть 5-часовой квоты съелась за десять минут на промпте
please create basic hugo site for my it homepage. I want it to have following pages: main page, contacts, blog, projects (with optional sub‑pages)
в Kimi Code, K2.8 high.
Но всё же, вдруг кому‑то будет интересно и полезно
Имхо самая недооценённая деталь Claude Code и Codex — не промпт и не модель. А файл, который агент автоматически читает при старте новой сессии
На удивление, мало кто знает про эти файлы, а еще меньше людей осознанно его создают и постоянно актуализируют
Если в этом файле свалка, то вы каждый раз отправляете модели один и тот же нерелевантный контекст
Недавно я в одной компании читал лекцию по основам агентной работы и вот какую домашку я им выдал. На удивление, практически никто этого не делал
--------------
1. Проверьте системный файл в каждом проекте
Claude Code — CLAUDE. md + недавно Agents. md
Codex — AGENTS. md
Gemini — GEMINI. md
Проверяйте не только наличие этого файла, но и его актуальность
Потому что неактуальный файл даже хуже его отсутсвия
Эти файлы бывают глобальными и локальными
Глобальный файл попадает во все сессии
Локальный — только когда harness запускается из конкретного проекта или репозитория
В системном файле держите минимальное количество high-signal контекста: цель проекта, структуру, важные ограничения, команды запуска и проверки
Не превращайте его в свалку!!1
Остальное выносите в отдельные файлы и ссылайтесь на них из основного
— меняете дизайн — прочитайте design-system. md — меняете архитектуру — architecture. md — работаете с продуктом — prd. md
Так агент получает контекст по задаче, а не весь проект целиком на каждый запрос
Названия файлов можете использовать любые, я свои для примера показал
Отдельно проверьте память проекта
В Claude Code и Codex есть механизм памяти, который накапливает контекст о проекте, который живет в MEMORY. md
Добавьте в глобальный CLAUDE. md или AGENTS. md правило:
Перед любой записью в memory спрашивай у меня разрешение
Иначе память постепенно превращается в склад случайных фактов, на которые агент продолжает опираться
После этого закройте текущую сессию и откройте новую из папки проекта
Попросите агента рассказать:
— что это за проект
— какие у него правила
— какие файлы он будет читать для дизайна, архитектуры и продукта
Так вы проверите, что системный файл реально подхватился, а не просто лежит в репозитории
Важно не забывать его актуализировать после каждого изменения !!
--------------
2. Сделайте 3–5 собственных skills под регулярные задачи
Не ставьте всё подряд из интернета
Возьмите повторяющиеся задачи из своей работы и опишите их так, чтобы агент мог выполнять их одинаково
Хотя бы один skill прогоните на реальном или тестовом примере
Помимо skills есть hooks, subagents, MCP и CLI
Skills — передать агенту повторяемый навык Subagents — вынести шумную задачу из основного контекста Hooks — добавить детерминированное действие на событие
MCP и CLI — подключить модель к внешним сервисам
Понимать всё сразу не нужно
--------------
3. Настройте Scheduler
Пусть он раз в 5 часов запускает простую команду echo 1
Это не задача для агента и не попытка автоматизировать весь проект
Цель — научиться будить сессию и планировать старт пятичасового окна
--------------
4. Научитесь работать с телефона
Сделайте небольшую правку в проекте одним из двух способов:
— через GitHub: подключите репозиторий к используемому инструменту и внесите изменение через мобильное приложение или облачную сессию, лучше через PR — через Remote Control: подключитесь к локальной сессии Claude Code или Codex с телефона
Remote Control — это когда сессия продолжает работать на вашем компьютере, а телефон становится пультом управления
С телефона можно отправлять инструкции, подтверждать действия и смотреть результат
Файлы и окружение остаются на компьютере, поэтому он должен быть включён и подключён к интернету
В Claude Code используйте /remote-control В Codex подключение настраивается через Settings → Connections
--------------
Не нужно за выходные собирать сложную агентную систему
Смысл этого всего — увидеть, что агентное окружение состоит не только промпта и модели
Оно начинается с хорошего контекста, а дальше обрастает навыками, автоматическими проверками и удобным способом работы с телефона
Представлен проект Pirate Face — децентрализованная инфраструктура для ИИ, которая превращает открытые модели Hugging Face в торренты. Это Pirate Bay для нейросетей (модели для кода, текста, картинок, видео и аудио). На Pirate Face модели выложены magnet-ссылки. Авторы проекта пояснили, что это превращает нейросети в торренты, которые можно скачивать и поддерживать раздачей без центрального хоста.
Проверка целостности файлов происходит по официальному SHA-256 из Hugging Face. Чтобы отправить модель на эту платформу, её нужно загрузить на Hugging Face, а уже потом отправлять через Pirate Face.
Представлен открытый проект Vibe Tavern — локальный клиент для создания историй настольных ролевых игр с ИИ, созданный с упором на удобство использования, длительные сессии и экраны мобильных устройств. Этот ИИ‑сервис разрабатывает различные сценарии, персонажей и сюжетные линии для игровых сессий:
по запросу выдаст вам целые игровые миры, например, для игры в Dungeon & Dragons или в другие ролевые настолки;
проработает истории до мельчайших деталей лора героев;
интерфейс интуитивно понятен даже для новичков.
Открытый медицинский ИИ‑проект от Alibaba под названием RADAR: An Expert‑Level Generalist AI for Abdominal CT Diagnosis умеет выявлять 150 заболеваний по результатам компьютерной томографии, рентгена и проверки анализов. Нейросеть обучили на 40 тыс. реальных обследованиях рентгенологов. Показатель AUC или производительность модели составил 0,913, где 1,0 — это диагностическая точность «идеального» доктора.
Запуск нейросетей на ПЛИС и краевой ИИ — в краевых «Битовых масках». Ой, крайних. Не последних
В 32 выпуске «Битовых масок» Антон Афанасьев и Алина Галичина разбираются в краевом искусственном интеллекте вместе с Иваном Дейнекой — заведующим лабораторией Высшей инженерно-технической школы ИТМО. Иван совмещает три роли сразу: инженерную, научную и преподавательскую, а его команда размещает нейросети на ПЛИС и SoC.
Гость объяснил, почему ПЛИС выигрывают у связки CPU с NPU, когда сеть нестандартная, и почему память, а не вычислители, оказывается главным ограничением. Рассказал, как из университетского проекта волоконно-оптического гироскопа выросли лаборатории института, зачем инженеру статический временной анализ и что делать, если проект не помещается в кристалл.
Среди тем подкаста:
зачем встраивать нейросеть-триггер прямо в ПЛИС, чтобы поймать редкий баг;
когда нужна ПЛИС, а когда хватит микроконтроллера;
почему статический временной анализ пропускают и чем это заканчивается;
что делать, если проект не помещается в кристалл;
какие модели уже разместили на ПЛИС: MLP, сверточные сети, трансформеры;
почему память, а не вычислители, ограничивает нейросети на ПЛИС;
как из университетского проекта вырастают лаборатории и производство.
😍 Смотрите и слушайте подкаст на любой удобной платформе — и присоединяйтесь к каналу «Битовых масок», чтобы не пропустить новые выпуски!
