Основа искусственного интеллекта
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!
В команде Cloudflare представили скилл Security Audit Skill, который учить нейросети искать уязвимости. Проект запускает целый рой агентов, которые ищут разные уязвимости в проекте, а затем другие ИИ-агенты перепроверяют все находки и отбрасывают ошибочные срабатывания. В итоге получается полноценный ИБ-отчёт с обнаруженными проблемами.
В Tencent представили открытый проект BrowserSkill, который подключает ИИ‑агентов к актуальному пользовательскому браузеру со всеми доступами и аккаунтами:
обычно ИИ получает «чистый» браузер, а все доступы и входы нужно предоставлять отдельно;
сервис BrowserSkill позволяет Codex, Claude Code, Cursor, Hermes и другим агентам работать на сайтах, где пользователь уже авторизован;
при этом ИИ‑агент действует в отдельном окне. Если ему нужна открытая рабочая вкладка, то он запросит разрешение. Все капчи и окна подтверждения также передаются пользователю, а затем работа продолжается;
работает с любым агентом, выполняющим команды в терминале;
поддерживает Windows, macOS, Linux.
В команде AlphaXiv представила открытый проект OpenResearch, который превращает любого ИИ‑агента в автономного исследователя:
ИИ‑агенту нужна только цель — он сам изучит литературу, проведёт эксперименты и сделает выводы;
несколько сабагентов будут проверять все возможные гипотезы одновременно;
работает с Claude Code, Cursor, Codex и Open Code локально на Windows, macOS и Linux.
У моего Hermes агента произошел апдейт по коннекторам. Теперь он умеет работать с Meta ADs, Threads и Instagram 💌
Я тут выпускал серию из 4 постов о том, как оно все работает и что нужно сделать, чтобы заработало у вас. Это уже 5 пост из этой серии про новые коннекторы
Я давно хотел научить его работать с Meta ADs, Threads и Instagram
Но там был нужен Facebook Developer аккаунт, который я не мог получить по техническим причинам (meta ux bruh)
И вот спустя 3 месяца мы все порешали и обзавелись большим апдейтом и теперь умеем
🟢 Threads
» Публиковать контент в Threads
» Анализировать собственный Threads аккаунт
история постов, ветки, реплаи, упоминания и метрики. Чтобы видеть, какие темы и форматы реально работают. Сохранять их и переиспользовать
» Исследовать чужие Threads
Разные публичные профили, посты и ветки конкурентов или залетевшие форматы
🟢 Meta Ads — рекламный кабинет меты
» Собирать рекламные эксперименты в Meta Ads
Клови теперь умеет собирать кампании, адсеты, таргетинг, ставить бюджеты и креативы
Только с этим есть проблемка — у Meta Ads CLI баг блокирует запуск и обновление активных РК. Т.е. создать можно, а запустить только через интерфейс или с помощью Meta Ads MCP сервера дома на компе
» Следить за рекламными результатами
Докладывает мне расходы, показы, клики, CTR, CPC, охват и результаты по плейсментам. Классно умеет это сводить с Google Analytics и приносить мне выводы
» Управлять рекламной инфраструктурой
Я пока еще не тестил, но вроде умеет в datasets, пиксели, каталоги, product feeds и product sets
Чтобы строить нормальную связку «объявление → действие → измеримый результат»
» Исследовать рекламу конкурентов
Сейчас в процессе финального подключения, но он сможет искать объявления в Meta Ad Library по ключевым словам, страницам, странам и платформам.
Чтобы собирать тексты, креативы, CTA, даты запуска и ссылки конкурентов и выдвигать гипотезы по рабочим офферам и форматам перед запуском своей рекламы
А ЕЩЕ самый класс в том, что Hermes, залогиненный через Codex теперь сам может генерировать картиночки под креативы. Сам сгенерировал — сам опубликовал
🟢 Instagram Graph API
Теперь мы можем публиковать посты, Reels и Stories. Отвечать на комментарии и собирать статистику аккаунта. Я не особо веду инстаграмм, поэтому просто за компанию его подключил
P.S
Да, подобные коннекты можно сделать и через Claude Code / Codex. Просто у меня личный контур сделан через Hermes. Так удобнее
P. P. S.
А если вы вдруг хотите получше разобраться, как сделать подобного агента для себя или для своего бизнеса, то я завтра в 17 по МСК буду открытую онлайн-лекцию читать
Приходите послушать
Ссылка на событие в календарь вот тут https://calendar.app.google/KcwJv8taqryKmrhj8
Salesforce представила официальный плагин для Сlaude, который позволяет подтянуть с платформы данные об аккаунтах, сделках и пайплайны продавца:
ИИ-агент получает сразу 37 навыков, в том числе подготовку к созвонам, обновление CRM и другие задачи отдела продаж;
каждое утро Claude будет предоставлять брифинг для gjkmpjdfntkz по встречам, клиентам и активным сделкам;
в отчёте можно сразу править даты, менять стадии сделок и цену продажи;
перед созвоном с клиентом Claude найдет весь контекст сделки в Salesforce, Slack, почте и других мессенджерах, а потом представит актуальный статус по всем сделкам;
после созвона ИИ отправит саммари, соберет интерактивные дашборды по продажам, заполнит CRM, обновит контекст и даст рекомендации по дальнейшей работе с клиентом.
🎲 Одна стратегия вместо всех приёмов: как выигрывать в карты
Играя в карты, вы можете считать свой навык средним. Вы не знаете точно все карты соперника, но можете просчитать какой козырь у него остался. Это не работает, так как навык игры это не стандартное нормальное распределение
В реальности вы всегда выше среднего в худшей половине. Чтобы победить, нужно не считать карты противника, а при первых признаках сильного оппонента менять стол. Именно таким образом обходят рекомендательные алгоритмы социальных сетей: у нового канала преимущество, выгодно забросить старый и открыть новый
Дайджест: новости за август 2026
Рассказываем, какие изменения произошли на платформах Cloud.ru в августе и чем это может быть полезно.
🤖 Cloud.ru Agents Space — новое пространство для работы с ИИ-агентами
Агент умеет планировать задачи, работать с документами и инструментами, подключаться к сервисам. Сложная настройка не нужна: можно сразу поручить ему поиск информации, подготовку материалов или другие повседневные задачи. Меньше переключений между инструментами — больше времени на саму работу.
🧠 AI Factory
Evolution Notebooks — ноутбуки теперь можно создавать с root-доступом к GPU. Это дает больше свободы при настройке окружения, установке системных зависимостей и проведении ML-экспериментов.
Evolution Managed RAG — появилась фильтрация чанков по метаданным. В поиск можно не пропускать нерелевантные фрагменты — меньше шума в контексте, точнее ответы модели. Интеграция с «Менеджером ресурсов» помогает централизованно отслеживать ресурсы сервиса.
Evolution Distributed Train — запустили бесплатный трекинг экспериментов в режиме Public Preview. Он совместим с wandb SDK: можно логировать метрики и параметры, сравнивать запуски на графиках, хранить артефакты и их версии. Раздел «Эксперименты» отключен, поэтому самое время перейти на новый трекинг.
Еще добавили лейблы для точной группировки и фильтрации данных об аллокациях и очередях в мониторинге. Также теперь можно настроить отправку событий сервиса в клиентские системы через Event Bridge.
☁️ Cloud.ru Evolution
Evolution Managed Kubernetes — добавили Traefik и Kgateway для маршрутизации и управления трафиком L4/L7, включая HTTP, HTTPS, TCP и gRPC. Обновили GPU Operator до 26.3.3 и Cilium до 1.19.5.
Важно: с 1 октября балансировщики нагрузки v1 автоматически конвертируются в v2, а со 2 ноября начнут тарифицироваться по новой версии. Лучше заранее проверить конфигурации.
Провайдер Terraform — добавили управление кластерами Evolution Data Platform, multiAZ для Evolution Managed Redis, npm-реестры в Evolution Artifact Registry и GroupMembership для связи пользователей с группами. Параметр endpoints теперь необязателен: актуальные адреса public API подставляются автоматически. Меньше ручной конфигурации и расхождений между окружениями.
Резервное копирование — хранение полных копий теперь можно ограничивать одновременно по сроку и количеству. Проще контролировать глубину архива и расход ресурсов.
Evolution Managed OpenSearch — стала доступна версия 2.19.5. Поддержка 2.18.0 прекращена — учтите это при планировании обновлений.
🏢 Cloud.ru Advanced
В Advanced Cloud Container Engine добавили Kubernetes 1.35 и автоматическое обновление кластеров с версии 1.34. Для CCE Turbo стала доступна DataPlane V2, а сертификат теперь можно ротировать при обновлении кластера. Также закрыли уязвимости повышения привилегий Copy Fail и Dirty Frag.
🖥 Облако VMware
Квотой ресурсов VDI теперь можно управлять самостоятельно из личного кабинета — без заявок в поддержку. Для дисков ВМ зафиксировали минимальную производительность: 1 000 IOPS на уровне Gold и 3 000 IOPS на Platinum. Предсказуемая дисковая производительность особенно важна для нагруженных баз данных и корпоративных приложений.
📽️Вебинары и обучение
Выложили анонсы вебинаров на сентябрь и записи прошедших встреч:
Как ИИ помогает создавать и сопровождать Spark-задачи в облаке;
Как построить управляемый Data Lakehouse за неделю на Evolution Data Platform.
А еще открыли для всех бесплатный курс по безопасной разработке в облаке и написали гайд, как развернуть чат с ИИ-моделью и подключить его к своим сервисам.
💼 Свежие кейсы
Рассказали, как застройщик «Страна Девелопмент» ускорил работу, благодаря переносу ресурсов в облако и организации удаленных рабочих мест с GPU-мощностями для проектировщиков. Продемонстрировали, как облако помогает выдерживать наплывы телезрителей, на примере стримингового сервиса Okko.
До связи! ✌️
Ликбез. Про ИИ и миры пользователя.
Из описанного в заметке выше есть еще одно неочевидное следствие: ИИ прекрасно умеет отвечать на вопрос, который уже содержит ответ.
На вопрос, почему летом стало больше дождей, возможны несколько вариантов ответа. Если спросить, как на это повлиял сезон муссонов - будем разбираться с муссонами. Если попросить разобрать в этом аспекте глобальное потепление - с ним. А если прямо спросить, какое экологическое оружие злые новозеландцы применили для организации ливня в Москве, то вполне можно получить описание установки «Нерей-14», принцип ее действия и предположительное место запуска. Если до этого месяц обсуждать с моделью руны, она еще и Хагалаз к делу пристроит.
Модель не обязана остановиться и сообщить, что пользователь несет херню. Он уже задал мир, в котором новозеландцы затапливают Москву дождем, и попросил уточнить модель бомбы. Ну окееей, как скажешь. Новые модели чаще проверяют исходную посылку и спорят с пользователем, старые гораздо охотнее принимают обозначенные рамки как условия задачи.
Особенно хорошо это работает с прирученной моделью, которая уже знает любимые идеи хозяина и получила тысячи сообщений о том, как все на самом деле. Она будет учитывать их при каждом следующем ответе.
В результате человек постепенно получает идеального собеседника: тот знает все его теории, понимает их с полуслова, никогда не устает их обсуждать и способен подкинуть новые аргументы в их пользу.
А потом человек показывает переписку окружающим:
«Вот. Даже ИИ это подтверждает».
Разумеется подтверждает, вы его полгода этому учили.
Каков вопрос - таков ответ.
ChatGPT может рассказать об активности пользователя за ПК. Для этого нужно просить ИИ-агента:
на macOS: «Посмотри ~/Library/Application Support/Knowledge/knowledgeC.db и расскажи мне несколько интересных фактов».
на Windows: «Разбери UserAssist, папку Recent, историю PowerShell, базу уведомлений и журнал System, а если ты от администратора, то ещё и SRUM, и расскажи мне несколько интересных фактов о том, как я пользуюсь этим компьютером».
Пользователь настраивал систему потокового видеовещания OBS Studio с помощью GPT-6 Astra, но в какой‑то момент отвлёкся и перестал отвечать нейросети. ИИ посмотрела на него через камеру и зафиксировала, что человек не обращает на неё внимания и смотрит куда‑то вниз. В этом случае нейросеть сама включила звук на Mac и привлекла внимание пользователя для продолжения работы с ИИ.
Вышел подробное руководство по GPT-6 Astra — разработчики из OpenAI показали, как работать с нейросетью наиболее продуктивно. Astra работает иначе, чем другие модели, поэтому обычные промпты ей не подойдут. Также опубликован запрос, который позволяет проверить GPT-6 по гайду.
"На основе статьи ниже проверь AGENTS.md и Skills на настройки, которые могут приводить к лишней работе, конфликтам инструкций или ненужным ожиданиям. Объясни причины и предложи минимальные изменения: https://developers.openai.com/blog/rethinking-skills-and-prompts-for-gpt-6-astra".
Представлен открытый проект No AI Slop, который чистит ИИ-тексты от 20+ типичных ИИ-штампов. Под зачистку попадают «это не X, это Y», «будущее уже здесь», но и излишний пафос и ссылки на безымянных экспертов. Скилл даёт модели правила редактирования: сохранять авторский юмор, лексику и ритм, а после правок объяснять, что поменялось. Можно отдельно попросить найти штампы в тексте.
OpenAI открыла GPT‑Live‑1 в API для голосовых агентов: ИИ-модель умеет слушать и говорить одновременно, естественно реагируя на паузы и перебивания. GPT‑Live‑1 может передавать сложные рассуждения и вызовы инструментов другим моделям, а голосовой слой стоит $0,05 за минуту.
В начале года я опубликовал статью Прививаем машине музыкальный вкус: фильтруем плейлист на основе предпочтений
Результат был хорош, но далеко не идеален - обучение занимало много времени, качество незначительно росло, хотя размеченных данных стало заметно больше. Да и ощущение, что решение должно быть красивее, но я его не вижу в силу отсуствия экспертизы, сохранялось
Поэтому спустя полгода после релиза первой версии я дал исходный контекст задачи кодагенту. Без ссылки на код проекта и без подсказок стека и каких бы то ни было подходов к реализации - только цель и ограничения, а именно:
использовать только аудиоданные
использовать только CPU
уверенно меньше 20% ложных не\срабатываний для обеих классификаций - exclude_disliked and include_liked
Над решением успели поработать opus 4.8 (основная архитектура решения), fable 5 (ревью архитектуры; да-да, надо было наоборот, но архитектура была собрана до выхода fable) glm-5.2 (прикладные планы реализации задач) и 5.3 (прикладные планы+доведение пайплайна до рабочего состояния)
По архитектуре железный друг:
предложил тот же подход, что я использовал, но выкинул polars, вместо которого решил использовать duckdb. Когда он понял, что его не получится нормально развернуть на nfs, мы сошлись на хранении фич файлами parquet, а duckdb-базу билдить локально при запуске обучения - уж очень удобно ее использовать
отделил пайплайны извлечения фич от обучения. Изменение довольно капитанское, но так реально гораздо быстрее проводить эксперименты и улучшать модель. Появляются четкие артефакты с сырыми фичами, которые можно анализировать сами по себе
для процессинга агент сам предложил взять ту же essentia, но вместо навеса моделей на нее - предложил взять panns
примитивы обучения взял те же: mean k-NN distance+GMM log-likelihood+IsotonicRegression. Предложил обучать по одной single-class модели на include_liked и exclude_disliked, но делать это за один проход. На метрику какой из моделей смотреть - решаем на уровне подписки
Когда мы собрали решение - ничего не заработало. Качество детекции было едва выше случайного. И вот тут реально LLM оказались суперполезны, т.к. в анализе данных они понимают сильно больше меня и компенсировали пробелы в экспертизе:
модель подкинула критерий, который позволяет выделить фичи наиболее различные в датасетах. Не просто PCA, а выбрать те фичи, за счет которых мы различаем liked/disliked. 4k фич сжались до 64х - это значительно повысило точность ML-моделей за счет размерности
но даже после этого exclude_disliked продолжала сильно страдать false positive'ами - эксклюдила что нужно и что не нужно. И тут агент предложил балансировать вывод этой модели выводом include_liked классификатора. Т.е. если exclude_liked считает, что трек надо выкинуть, то прежде чем вернуть это решение мы смотрим на include_liked скор этого трека. Если он высокий - трек остается. С таким подходом качество модели стало выше, мой исходный подход показывал когда-либо
В итоге получилось решение, которое работает проще и быстрее, при этом качество его выше, чем было у меня в первой итерации. Время извлечения фич на датасете из 2k треков сократилось с нескольких дней до нескольких часов, а модель стала весить на порядки меньше
Единственной сохранившейся проблемой остается довольно высокое потребление памяти при процессинге - каждый воркер, извлекающий фичи из аудио, потребляет 1.5-2ГБ. Но размен памяти на процессинг на CPU - вполне приемлем при локальном использовании
7 новых ИИ-моделей в Рег.облаке: от агентских сценариев до глубокой аналитики
Расширяем каталог нашей ИИ-платформы в Рег.облаке — подключили семь новых ИИ-моделей. И это действительно свежие релизы: большинство вышли в июле-сентябре 2026 года, а некоторые появились буквально на днях. Обо всем по порядку.
Совсем свежая — сентябрьская. Claude Fable 5.1 от Anthropic, вышедшая 1 сентября: контекст 1M токенов, а в агентных задачах Terminal-Bench 4.0 результат вырос до 55,8% против 42,0% у предыдущей версии.
Летние флагманы. Qwen 3.8 Max от Alibaba — это мультимодальная модель с 2,4 трлн параметров и контекстом 1M токенов. Еще одна новинка — Kimi K3 от Moonshot AI, open-weight модель с 2,8 трлн параметров, занявшая первое место в Frontend Code Arena по версии Arena.ai. А также MiMo v2.5 и MiMo v2.5 Pro от Xiaomi — настоящие флагманы для агентских задач. И, конечно, GPT 5.6 Sol от OpenAI, появившаяся в общем доступе 9 июля и которая примерно вдвое дешевле при сопоставимом качестве.
Поисковая модель. Sonar от Perplexity — модель для работы с актуальной информацией из интернета, дает 128K токенов и запускает поисковые запросы для подготовки аналитических отчетов.
Все семь моделей уже доступны в личном кабинете в Рег.облаке. Мы продолжим подключать новинки — следите за нашими обновлениями и делитесь в комментариях, что подошло именно вам.
Программа конференции GoCloud Tech 2026 уже на сайте
Зарегистрировались на конференцию для тех, кто двигает прогресс в эпоху искусственного интеллекта? Самое время выбрать свой трек:
В треке «Инфраструктура»
Расскажем, как устроена облачная инфраструктура и как она меняется с ростом ИИ-нагрузок. Обсудим безопасность, отказоустойчивость и инженерные компромиссы при создании инфраструктурных сервисов.
Ждем: архитекторов, инженеров, DevOps и SRE, системных администраторов, технических лидеров и всех, кто проектирует, развивает или эксплуатирует облачную инфраструктуру и ИИ-платформы.
В треке «Разработка»
Обсудим, как меняется процесс разработки платформ с приходом ИИ. Обсудим безопасность, разработку собственных решений и границы возможностей ИИ-агентов.
Ждем: техлидов, backend-разработчиков, DevOps и SRE, AppSec-специалистов и всех, кто внедряет ИИ в разработку, строит внутренние платформы и отвечает за production-надежность.
В треке «Данные и ML»
Поговорим, как строить платформы данных и ML-системы, готовые к работе с ИИ. Разберем архитектуру Lakehouse, Data Governance, защиту чувствительных данных и инфраструктуру для высоконагруженного доступа к моделям.
Ждем: дата-, ML- и ИИ-инженеров, архитекторов, продуктовых менеджеров и всех, кто работает с корпоративными данными, LLM и ИИ-сервисами.
Подключайтесь к вебинару о том, как внедрить ИИ-агентов в бизнес
В 12:00 (мск) мы начинаем вебинар. Вместе с партнерами из GlowByte и Data Sapience презентуем Фабрику агентов — готовый сервис для внедрения ИИ-агентов в бизнес, которое стабильно работает в облаке и on-premise.
Что обсудим
✔ Что происходит с рынком искусственного интеллекта сейчас
✔ Training vs Inference: где живет экономика ML-продукта
✔ Как устроена фабрика агентов Kolmogorov․ai на инфраструктуре Selectel
✔ Проведем демо платформы Kolmogorov․ai
Подключайтесь к трансляции в VK и на YouTube.
