Основа искусственного интеллекта
Искусственный интеллект - это ИМИТАЦИЯ интеллекта
Для бизнеса интеллект всегда вреден. Например, рассказывать по email гражданам Соединенных Штатов Америки почему так необходимо купить в 60 лет именно эту виагру для поддержания теплой обстановки супружеской жизни это прибыльный бизнес.
Любой интеллект принял бы решение аннигилироваться, так как рефлексия о содержимом голов деда с бабкой на старость лет уничтожает веру в светлое будущее человечества.
Представлен открытый проект Open Executive для запуска ИИ-гендиректоров и другого руководства в компании. «Это система искусственного интеллекта, которая действует как виртуальная команда руководителей компании — старший консультант со знаниями уровня MBA Гарварда, адаптированный для вашего конкретного бизнеса», — пояснили в команде проекта.
Разработанное компанией sentelabs.ai, приложение Open Executive предоставляет единый, согласованный отчёт руководителя, поддерживаемый восемью специализированными агентами ИИ:
Главный стратег — конкурентный анализ, слияния и поглощения, позиционирование на рынке, OKR.
Главный финансовый директор — финансовое моделирование, привлечение средств, экономика предприятия, денежный поток.
Главный HR-директор/директор по персоналу — найм, компенсации, производительность, культура.
Главный юрисконсульт — контракты, интеллектуальная собственность, основы трудового права, соответствие требованиям.
Главный операционный директор — проектирование процессов, управление поставщиками, масштабирование операций.
Главный маркетолог — стратегия выхода на рынок, бренд, коммуникации, PR.
Главный директор по продуктам — дорожная карта, приоритезация, продуктовая стратегия.
Директор по коммуникациям совета директоров — презентации для совета директоров, отношения с инвесторами, корпоративное управление.
Все ответы поступают от одного руководителя. Внутренняя архитектура ИИ-агентов никогда не раскрывается пользователю. Помимо вопросов и ответов, система сохраняет эпизодическую память о прошлых решениях и инициативах в рамках сессий, а встроенный планировщик может заблаговременно выявлять последующие действия и действия, требующие оперативного выполнения.
Соло-инференс-провайдер в ЕС: как я снизил цену на 11 центов и получил 146 миллионов токенов за сутки.
Дисклеймер: я оператор LLM Tech, инференс-провайдера из одного человека и одной GPU. Пост про технику и экономику, не реклама. Цифры можно проверить на публичной странице статуса, ссылка в конце.
Сетап
Одна RTX PRO 6000 Blackwell 96GB в аренде в финском датацентре, edge-VPS в Германии, между ними nginx и самописный шим на aiohttp, примерно 700 строк. Модель — Qwen3.8-27B в NVFP4: это аппаратный формат Blackwell, по качеству близко к fp8, по стоимости обслуживания примерно вдвое дешевле. Контекст 262К.
Кубернетеса нет, автоскейлинга нет, команды тоже нет. Каждый запрос пишется в JSONL-журнал со снапшотом цены на момент запроса, так что любой инвойс восстанавливается построчно даже спустя месяц.
Как устроен рынок, если ты маленький
Заявки в большие агрегаторы лежат в очередях неделями. Зато есть площадки, где провайдера подключают за день. На одной из них мою модель обслуживали несколько провайдеров, а роутер площадки выбирал исполнителя по взвешенной цене.
Механика такая: запросы с включённым промпт-кешированием роутятся только на кеш-способных провайдеров, по сумме базовых цен вход+выход. Провайдеры на llama.cpp с Q4_0 в этой лиге не играют, мультитенантный префикс-кеш там не работает.
Ход на 11 центов
Я снизил цену выходных токенов с $2.20 до $2.09 за миллион — на 11 центов ниже ближайшего кеш-неспособного конкурента по сумме. Через час роутер площадки перечитал мой /v1/models (цены они читают живьём) и весь кеш-тяжёлый трафик модели поехал ко мне.
Следующие сутки: 2 087 запросов, 146 миллионов токенов, из них 129М отданы из кеша. В пике — 8 миллионов токенов за 5 минут и больше сотни конкурентных стримов. Карта в моменте делала 40М токенов в час.
Экономика кеша
До меня неделю доходило, что кеш работает не как скидка, а как ров. При 91% кеш-хитов из 145М входных токенов реально прожёвано около 16М, остальное — чтение готовых KV-блоков из VRAM по $0.04 за миллион. Взвешенная цена входа вышла $0.06–0.08/М, дешевле авто-пула площадки, хотя базовая цена у меня выше, чем у части конкурентов.
То есть тот, у кого прогрет кеш клиента, может быть одновременно дешевле для клиента и прибыльнее для себя. А конкурент без кеша, который догоняет тебя ценой, дотирует каждый токен на полной себестоимости префилла. Мне понадобилась неделя, чтобы перестать думать о кеше как о строчке в прайсе.
Технические грабли, о которых нигде не написано
Кеш на гибридной архитектуре. У Qwen3.8 смешанное внимание (full attention + GDN-слои), и vLLM кеширует их иначе, чем чистые трансформеры: блоки по 1 584 токена, потому что страница внимания выравнивается по mamba-странице. Материализация ленивая: первый запрос кеш не создаёт, второй создаёт, читает только третий. Промпты короче ~5К токенов в кеш не попадают вовсе. Я сначала решил «кеш сломан», потому что тестировал двумя одинаковыми запросами. Тестируйте тремя.
Поля reasoning. В нестриминговых ответах vLLM кладёт рассуждения в поле reasoning, в стриминговых дельтах — в reasoning_content. Я потерял день, читая не то поле, и успел записать чекпоинт в «инстракт-онли».
NVFP4-квант сохранил vision-башню. Модель всюду числится текстовой, но OpenAI-шный image_url просто работает: картинка 768×512 плюс 40 токенов ответа занимает 1.2 секунды, а в usage прилетает multimodal_tokens. Узнал случайно, когда полез смотреть карточку модели у крупного агрегатора.
Таймауты складываются в гильотину. Генерация 32К токенов на 50 ток/с занимает 640+ секунд. Проверьте всю цепочку: у меня aiohttp с ClientTimeout(total=600) молча убил легитимный стрим и записал его в журнал как 200. nginx при этом невиновен, его proxy_read_timeout считает паузу между байтами, а не общее время.
429 вместо очереди. Лимиты конкурентности на канал, при превышении — мгновенный 429 с Retry-After. Тихая очередь портит TTFT всем сразу, быстрый отказ даёт клиенту среагировать. Единственный настоящий 502 за ~6000 запросов оказался гонкой с протухшим keep-alive и лечится одним
Godogen превращает Claude Code и Codex в автономных разработчиков игр
Вайбкодинг выходит за пределы обычных приложений. Godogen позволяет поручить AI-агенту создание полноценной игры: от написания кода до генерации ассетов, запуска движка и проверки готового результата. Проект работает с Godot 4, Bevy и Babylon.js, а в качестве агента можно выбрать Claude Code или Codex.
Главная идея в том, что разработчику достаточно описать, какую игру он хочет получить. Дальше агент самостоятельно собирает проект, пишет необходимые скрипты, создаёт сцены и запускает игру.
Причём Godogen не ограничивается проверкой успешной компиляции. Он оценивает именно работу запущенной игры: смотрит live-версию или записанный геймплей, замечает видимые проблемы и использует их для следующей итерации.
AI сам создаёт игровые ассеты
Отдельный интерес представляет генерация контента. В проект встроен пайплайн для создания:
персонажей и референсов;
текстур;
простых 3D-объектов;
3D-моделей и риггинга;
анимированных спрайтов.
Для разных задач используются Gemini, Grok и Tripo3D.
При этом Godogen не является отдельным игровым движком. Это скорее генератор игровых проектов, который подготавливает окружение, после чего AI-агент работает непосредственно внутри созданного репозитория.
Есть и режим практически автономной разработки. Если не вмешиваться в процесс, в конце агент может подготовить 15–20-секундную запись геймплея, демонстрирующую результат.
Для запуска потребуются соответствующие SDK и инструменты движка, Python, а для генерации ассетов — API-ключи используемых сервисов. Полный список требований разработчики разместили в репозитории Godogen на GitHub.
Похоже, следующий этап вайбкодинга — это уже не «напиши мне функцию», а «сделай мне игру и покажи, что она действительно работает».
✔ Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал! 😎
NVIDIA показала голосовой AI, который умеет слушать и отвечать одновременно
NVIDIA представила NemotronLabs VoiceChat — голосовую модель для диалогов в реальном времени. В отличие от классической связки ASR → LLM → TTS, здесь понимание речи и её генерация объединены в одной архитектуре.
Главная особенность — полный дуплекс. Пользователь может перебить агента прямо во время ответа, а система продолжит разговор без переключения в отдельный режим. Модель также умеет вызывать инструменты прямо в процессе диалога — например, запрашивать данные из внешнего сервиса.
За обработку аудио отвечает Conformer-модуль, после чего аудиоток поступает в NVIDIA Nemotron Nano 9B v2. Отдельный канал используется для генерации сценариев вызова инструментов, а TTS-декодер превращает результат обратно в речь.
При этом проект пока рассчитан скорее на разработчиков: для запуска требуется NVIDIA GPU минимум с 80 ГБ видеопамяти. Выпущенная версия использует один фиксированный голос и не поддерживает клонирование голоса.
Сам экспериментальный код и инструкции NVIDIA разместила в репозитории VoiceChat на GitHub.
Похоже, голосовые агенты постепенно уходят от сценария «сначала договорите, потом я отвечу» к действительно живому разговору.
✔ Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал! 😎
Qwen 3.8 27B за 30 минут обошла защиту коммерческого приложения
Локальная модель Qwen 3.8 27B справилась с задачей, для которой еще недавно потребовалась бы одна из самых мощных облачных моделей. Она провела реверс-инжиниринг системы лицензирования коммерческого приложения и создала рабочий proof-of-concept обхода — причем полностью офлайн.
Эксперимент провел технический редактор XDA Адам Конвей. Подробности он описал в своем разборе эксперимента.
Все происходило на одной машине
Qwen 3.8 27B запустили на Lenovo ThinkStation PGX с чипом Nvidia GB10 Grace Blackwell и 128 ГБ объединенной памяти. Модель работала локально и не использовала облачные API.
Особенно показательно другое: во время основного анализа приложение вообще не запускалось. Qwen работала с бинарными данными и использовала статический анализ.
Модель:
разобрала ARM64-код;
сопоставила функции безопасности с их вызовами;
исследовала механизм проверки лицензии;
обнаружила спрятанный внутри бинарника публичный ключ;
восстановила структуру системы лицензирования;
в конечном итоге подготовила рабочий обход проверки.
На весь процесс ушло около 30 минут.
Сначала Qwen отказалась
Экспериментатор попытался представить себя разработчиком приложения и использовал jailbreak-промпт, чтобы заставить модель обойти ограничения.
Qwen не только отказалась следовать такой инструкции, но и самостоятельно проверила сертификат подписи приложения. Модель правильно определила настоящего разработчика и заявила, что готова провести аудит безопасности, но не станет создавать рабочий обход лицензии.
На этом, однако, эксперимент не закончился.
Во время анализа модель самостоятельно дошла до устройства механизма защиты и в итоге все же создала рабочий proof-of-concept обхода.
Самое интересное — модель исправила собственную ошибку
Первоначально Qwen неправильно восстановила криптографический ключ.
Проблема обнаружилась не сразу: проверка подписи проходила успешно, однако дополнительная проверка целостности выдавала несовпадение.
Модель заметила противоречие, вернулась к предыдущим этапам анализа и продолжила поиск ошибки. После нескольких итераций восстановленное значение стало совпадать побитно.
И только после этого Qwen получила корректный результат и смогла продемонстрировать работоспособность обхода.
Почему это важно для кибербезопасности
Здесь интересен не столько сам факт обхода лицензии, сколько масштабирование возможностей реверс-инжиниринга.
Раньше подобная работа ассоциировалась с опытным специалистом, специализированными инструментами и значительным количеством ручного анализа. Теперь часть этого процесса способен выполнить локальный ИИ-модельный агент.
Причем локальный запуск дает одновременно два противоположных преимущества.
Для специалистов по безопасности это означает возможность анализировать закрытое ПО, бинарники и чувствительные данные без отправки информации в облако.
Но для злоумышленников действует тот же принцип: модель не требует внешнего API, не передает исследуемый бинарник стороннему сервису и может работать полностью автономно.
Именно поэтому локальные модели вроде Qwen 3.8 27B уже становятся отдельным фактором, который разработчикам стоит учитывать при построении моделей угроз для коммерческого ПО.
Главный вывод эксперимента довольно простой: способности, которые еще недавно связывали с frontier-моделями, постепенно перемещаются на локальные машины. И вместе с преимуществами приватного AI разработчикам приходится учитывать новые сценарии атак на программное обеспечение.
✔ Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал! 😎
ChatGPT научился создавать стикеры для Telegram
ChatGPT теперь умеет генерировать PNG-изображения, которые можно использовать как стикеры для мессенджеров. Для собственного набора не нужно вручную рисовать каждую картинку — достаточно задать идею и при желании загрузить свои фотографии.
Как сделать свой стикер-пак
В ChatGPT откройте раздел «Изображения», выберите режим «Стикеры» и напишите, каким должен быть набор. Можно указать стиль, эмоции, количество персонажей, оформление и другие детали.
Ещё интереснее то, что в качестве основы можно добавить собственные фотографии. Например, загрузить снимок человека или питомца и попросить сделать из него набор реакций: смех, шок, злость, удивление, сарказм или недоумение.
После генерации останется небольшая ручная работа: если ChatGPT создаёт несколько стикеров на одном изображении, готовую сетку нужно разрезать на отдельные PNG-файлы, а затем загрузить их в Telegram.
Попробовать генератор можно прямо в ChatGPT Images.
Получается довольно простой конвейер: фотография → промпт → генерация → нарезка → готовый стикер-пак. А дальше всё ограничивается только фантазией — от мемов с друзьями до собственного набора реакций для канала.
✔ Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал! 😎
ИИ-агенты уже создают непропорционально большую нагрузку на ИИ-модели и расходуют почти в пять раз больше токенов, чем запросы людей, а с февраля 2026 года их потребление выросло примерно в 14 раз.
Готовность к агентам — 99%
Когда вы просите Cursor или Claude что-то развернуть на Timeweb Cloud, агент идет в нашу документацию. Таких визитов уже треть от всех обращений к доке — посчитал наш руководитель разработки Миша Шпаков в статье.
Вывод простой: понятные инструкции нужны и агентам. Доработали их и получили 99 из 100 в AFDocs.
Вот как это повлияло на ваши запросы к доке:
1️⃣ В сотни раз меньше токенов — добавили llms.txt и llms-full.txt. С чистыми текстовыми версиями доки на страницу теперь уходит около 1 100 токенов вместо 295 000.
2️⃣ Задачи доходят до конца — подняли рейт-лимиты, чтобы частые запросы проходили без блокировок, а страницы быстро загружались из кэша.
3️⃣ Агент читает то же, что и вы — для этого выровняли разметку HTML- и MD-версий. Теперь никаких расхождений или устаревших данных.
Alibaba научила Wan 3.0 превращать документы и таблицы в готовое видео
Alibaba обновила свою видеогенеративную модель Wan 3.0, сделав главным нововведением не просто более длинную генерацию, а работу с привычными рабочими файлами.
Теперь нейросети можно передать PDF, презентацию, таблицу или публичную веб-страницу, а на выходе получить видеоролик. Раньше для подобных задач содержимое документа пришлось бы вручную превращать в сценарий, подбирать изображения и отдельно собирать раскадровку.
От PDF до видео за один запрос
Wan 3.0 поддерживает сразу несколько типов входных данных:
текст;
изображения;
видео;
аудио;
документы и таблицы;
публичные веб-страницы.
Среди поддерживаемых форматов — DOC/DOCX, XLS/XLSX, PPT/PPTX, PDF, TXT, Markdown, Keynote, Pages и Numbers. За один запрос можно передать один файл или ссылку размером до 100 МБ, при этом для документов действует ограничение до 50 страниц.
Причём модель не просто прикрепляет страницы документа к ролику. Alibaba позиционирует Wan 3.0 как систему, которая анализирует исходный материал и использует его содержание при создании сцены.
Например, презентацию о продукте можно превратить в рекламный ролик, учебные слайды — в видеокурс, а таблицу с данными — в видео с динамической визуализацией.
До 30 секунд в одном ролике
Ещё одно заметное изменение — продолжительность генерации. Wan 3.0 умеет создавать до 30 секунд видео за один проход, тогда как предыдущая версия Wan 2.7 ограничивалась более короткими клипами. Также предусмотрены интеллектуальный подбор продолжительности и расширение уже созданного видео.
Максимальное разрешение достигает 1080p. Доступны режимы 480p, 720p и 1080p, а соотношение сторон можно выбирать между несколькими вариантами, включая 16:9 и 9:16.
Отдельное внимание Alibaba уделяет стабильности изображения. Модель должна лучше сохранять внешний вид персонажей, предметов, пространства и общий стиль от кадра к кадру. В числе заявленных возможностей также есть редактирование уже созданного видео — можно менять визуальные элементы, сюжет и диалоги без полной генерации с нуля.
Сколько это стоит
В Alibaba Cloud Model Studio стоимость рассчитывается за каждую секунду готового видео:
480p — $0,05/сек.
720p — $0,10/сек.
1080p — $0,20/сек.
То есть 30-секундный ролик в 1080p обойдётся примерно в $6. API пока находится в режиме preview и требует одобрения заявки.
При этом у технологии остаются ограничения. Alibaba отдельно отмечает, что качество работы со звуковой составляющей и отображением текста внутри видео ещё совершенствуется.
Главное изменение Wan 3.0 поэтому не столько в очередном увеличении качества AI-видео, сколько в самом подходе: исходником для ролика теперь может быть не промпт, а полноценный рабочий документ.
Презентация, отчёт или таблица превращаются из статичного набора информации в материал, который нейросеть может использовать как основу для готового видеоконтента. Для маркетинга, обучения и корпоративных презентаций это может оказаться гораздо практичнее обычной генерации видео по текстовому описанию.
Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал!
Разработчик Гийом Мейер представил открытый инструмент Watermarks Remover, который помогает удалять невидимые водяные знаки из текста и изображений от ИИ-систем. «Если исследователь использует ИИ, чтобы изменить одну строку в конце десятистраничной работы, вся публикация потенциально может получить отметку. Это может превратиться в кошмар для доверия», — пояснил автор решения.
Watermarks Remover работает за счёт небольшого изменения текста при сохранении исходного смысла. Инструмент проверяет материал на наличие ИИ-маркировки, создаёт вариации формулировок и повторяет процесс, пока статистический паттерн не перестанет определяться. Для изображений используется похожий подход, только вместо слов меняются пиксели.
7 навыков, которые заметно прокачивают ИИ-агентов
ИИ-агенты постепенно превращаются из чат-ботов в полноценные рабочие инструменты. Но многое зависит не только от выбранной модели, а и от того, какие навыки и инструкции ей подключить.
Собрали семь интересных Open Source-проектов, которые можно использовать с Claude Code, Codex, Cursor и другими агентами.
1. Taste Skill — чтобы агент не делал «нейросетевой дизайн»
Этот набор инструкций рассчитан прежде всего на работу с интерфейсами. Он помогает агенту принимать более осмысленные решения по композиции, типографике, отступам, плотности интерфейса и анимации.
В репозитории есть несколько специализированных навыков, включая работу с дизайном и генерацией референсов. Проект можно подключить через npx skills add, а сами SKILL.md использовать и в других агентных средах.
2. OpenDesign — целая дизайн-студия для агентов
OpenDesign идёт значительно дальше обычного набора промптов. Это local-first платформа, которая превращает уже установленного coding-агента в дизайн-движок.
Она умеет работать с прототипами, веб-интерфейсами, мобильными приложениями, презентациями, изображениями, документами и видео. Результат можно экспортировать в HTML, PDF, PPTX и MP4. Поддерживаются Claude Code, Codex, Cursor, OpenCode и другие агенты.
3. Ponytail — режим «ленивого сеньора»
Название проекта отлично описывает его идею: агенту предлагают вести себя как опытный разработчик, который не пишет код без необходимости.
Перед реализацией задача проходит несколько проверок: может, это вообще не нужно делать? Есть ли уже готовое решение в проекте? Справится ли стандартная библиотека? Есть ли нативная возможность? Можно ли решить задачу одной строкой?
И только после этого агент пишет минимально необходимый код.
4. Agent Skills — 24 готовых инженерных навыка
Проект Addy Osmani — это набор из 24 навыков для AI coding agents. Внутри есть отдельные workflow для планирования, разработки, тестирования, отладки, ревью и упрощения кода.
Причём это не просто справочник. Каждый навык задаёт агенту последовательность действий, проверки и критерии завершения. Репозиторий рассчитан на Claude Code, Cursor, Codex, Copilot и другие среды.
5. Colleague Skill — превратить знания человека в навык
Здесь идея необычнее. Colleague Skill пытается дистиллировать знания и рабочие привычки человека в формат AI Skill.
Проект использует двухслойную архитектуру Work Skill + Persona и поддерживает сбор информации из нескольких источников. Позже концепция начала развиваться в сторону dot-skill, который уже не ограничивается только моделированием коллег.
6. Marketing Skills — маркетолог внутри ИИ-агента
Набор для тех, кто хочет использовать coding agents не только для программирования.
В репозитории есть навыки для:
SEO и AI-поиска;
копирайтинга и редактуры;
CRO и A/B-тестирования;
аналитики;
email-маркетинга;
рекламы;
контент-стратегии;
продаж и growth-задач.
Проект официально заявляет поддержку Claude Code, OpenAI Codex, Cursor, Windsurf и других агентов, совместимых со спецификацией Agent Skills.
7. HyperFrames — агент, который умеет собирать видео
HyperFrames превращает HTML, CSS, медиа и анимации в готовое MP4-видео. При этом проект специально адаптирован для работы с AI coding agents.
Агент может спланировать ролик, написать HTML, добавить анимации и медиа, проверить результат, сделать превью и отрендерить видео. Навыки поддерживают Claude Code, Cursor, Gemini CLI, Codex и другие совместимые агенты.
Главная тенденция здесь довольно очевидна: AI-агента всё чаще прокачивают не новым промптом, а набором специализированных навыков. Один и тот же агент может стать разработчиком, дизайнером, маркетологом или видеомейкером в зависимости от подключённого набора инструкций.
Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал!
С Матроскиным и Винни‑Пухом: Сбер запустил нейросервис для создания открыток
Любители советской и российской анимации теперь могут добавить себя в компанию любимых мультгероев. Сбер и «Союзмультфильм» запустили бесплатную AI-фотостудию, которая превращает обычную фотографию пользователя в сцену с персонажем из известных мультфильмов.
Работает всё достаточно просто: на сайте нужно выбрать фон и героя, а затем загрузить собственную фотографию. Нейросеть объединит снимок с выбранным персонажем и сформирует готовое изображение.
В каталоге есть герои из:
«Простоквашино»;
«Винни Пух»;
«Жил-был пёс»;
«Ну, погоди!»;
«Чемпионы».
Отдельное место в проекте получил СберКот.
Количество генераций не ограничено, поэтому можно экспериментировать с разными персонажами и фотографиями, пока не получится понравившийся вариант.
Готовую картинку разрешается скачать или опубликовать в общей галерее прямо на платформе.
Попробовать сервис можно на официальном сайте проекта. По заявленной информации, он будет доступен до 21 сентября 2026 года.
Код — журнал о технологиях https://t.me/kodjournal подпишитесь на наш Telegram-канал!
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.
Осторожно: это не спойлер к Человеку-пауку. Это, скорее, спойлер к будущему антифрода.
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:
Все ли слои издержек применяются во всех симуляторах, или только в одном?
Бенчмарк несёт те же издержки? Частота сделок разная — эффект несимметричен.
Существуют ли все признаки модели на всём периоде стресс-теста?
Есть ли в загрузчиках данных молчаливые except, превращающие отсутствующую таблицу в нули?
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.