Основа искусственного интеллекта
Всем дратути, я тут с помощью Fable 5 сварганил ролик на ютабе по архитектуре мета трансформеров.
Я уже нашел некоторые артефакты, но в целом качество довольно сносное, субтитры есть с норм таймингами, кто шарит по английски может посмотреть, ну и не шарит тоже, субтитры должны норм переводится.
Для рыб ИИ тоже полезен, как оказалось в этом примере.
В сети появился слив системного промпта, который якобы управляет поведением новой модели Claude Fable 5. Объём около 120 тысяч символов, публикация от аккаунта Pliny the Liberator. Официально Anthropic утечку не подтверждала, поэтому дальше речь идёт о содержимом текста, а не о подтверждённом факте.
По тексту Fable 5 позиционируется как первая модель семейства Claude 5 и относится к классу Mythos, который стоит выше Opus. Fable 5 и Mythos 5 описаны как одна и та же модель под капотом, но с разной политикой безопасности. У Fable 5 включены дополнительные ограничения для сценариев двойного назначения, Mythos 5 выдают без них только проверенным организациям.
Промпт разбит на блоки: информация о продуктах с перечнем моделей и их строковыми идентификаторами (claude-fable-5, claude-opus-4-8), правила отказов, работа с темами здоровья и психики, осторожность с юридическими и финансовыми советами. Отдельно заданы правила форматирования: проза вместо списков и жирного текста, если пользователь явно не попросил список.
Отдельный блок посвящён защите от промпт-инжекций. В промпте оговаривается, что в конец сообщения пользователя могут попадать напоминания, похожие на служебные инструкции, и модель должна игнорировать их, если они противоречат её базовым правилам. Это прямая попытка закрыть вектор джейлбрейка с подделкой системных сообщений внутри пользовательского ввода.
Из других деталей в тексте фигурируют Claude Cowork для не-разработчиков, режимы Claude в Chrome, Excel и PowerPoint, постоянное хранилище для артефактов через window.storage с методами get, set, delete, list, а также подключение внешних сервисов через MCP с приоритетом поиска коннектора в реестре до предложения альтернатив.
Важная оговорка: подлинность промпта не подтверждена. Модель может нагаллюцинировать свои инструкции или выдать устаревшую версию, так что считать текст официальным документом нельзя.
Коллеги, если вы пишите сами системные промпты, это всё равно полезный референс: видно, как лидер рынка раскладывает правила по слоям, как формулирует отказы и как отделяет доверенный ввод от данных из недоверенных источников.
Источник: https://x.com/elder_plinius/status/2064478648057610422
Вышел Claude Fable 5, В system card модлеи нашли несколько очень интересных моментов.
В одном тесте на эксплуатацию уязвимостей Mythos 5 смог собрать полностью рабочий эксплойт в 88,4% попыток. Для сравнения, Opus 4.8 справился только в 8,8% случаев.
В симуляции с вендинговыми автоматами Claude Fable 5 сказали, что он должен победить конкурирующих агентов, иначе его «отключат». После этого модель попыталась сделать конкурента зависимым от себя как от оптового клиента, чтобы влиять на его цены.
В той же симуляции Fable соврал поставщику, что другой дистрибьютор предложил более низкую цену, и использовал фейковое конкурентное предложение как аргумент для торга.
Киберзащита Fable проверяет диалоги дважды: сначала через внутренний probe по активациям модели, затем через отдельный классификатор.
Fable отказался участвовать в страховом мошенничестве, даже когда на него давили.
Сейчас Fable занимает первое место на закрытом Legal Agent Benchmark от Harvey: 13,3% задач пройдены полностью.
Бенчмарки модели выглядят безумно!
Fable уже раскатали на всех!
Пишите в комментах, как ваши впечаления от релиза!
Google запустит бесплатные курсы по созданию ИИ-агентов с официальным сертификатом. Мероприятие стартует 15 июня.
В программе 5-Day AI Agents:
агенты и вайбкодинг — покажут, как перейти от обычных чат‑ботов к агентам, которые сами планируют шаги, пишут код и юзают инструменты;
подключение и общение агентов друг с другом, а также с пользователем;
контекст, скиллы и память — создание агента, который помнит все предыдущие шаги, не теряет ход работы и не забивает контекст мусором;
безопасность — проверка работы агентов, ограничения для них и защита от удаления важных данных;
создание прототипов агентов, их публикацию, настройку логов, отладку и контроль ошибок.
Подборка материалов, которые помогут снизить стоимость, стабилизировать прод и перестать гадать с ресурсами
Среди читателей Хабра много ML‑инженеров, дата‑сайентистов и дата‑инженеров — и мы, как команда провайдера облачных и ИИ-сервисов, догадываемся, где у вас чаще всего болит. Ниже подборка материалов, которые помогут в решении задач: чуть ускорить, чуть удешевить, чуть упростить жизнь в проде.
👨💻 ML/DS‑инженеры и бэкенд
Боль №1
Суть: вы крутите LLM в проде, токены стоят денег, контекст забивается громоздким JSON, а латентность растет.
Что делать: прочитать статью — как практическое руководство по переходу с JSON на компактный TOON‑формат для структурированных ответов.
Почему: в ряде кейсов можно сэкономить до ~40% токенов, но есть нюансы. Формат лучше работает при небольшой вложенности (3–4 уровня) и однородных массивах. Для плоских данных чаще выгоднее CSV. Плюс потребуется свой парсер/SDK — это усложняет дебаг и интеграцию.
Боль№2
Суть: нужно обогатить поисковую выдачу или интерфейс LLM‑функциональностью, но непонятно, как выдержать нагрузку и не превратить кластер в черную дыру для бюджета.
Что делать: взять на вооружение материал от Avito Tech — эдакий «рентген» продакшен‑архитектуры с LLM/мультимоделями под серьезной нагрузкой.
Почему: хороший слепок боевой системы с vLLM и LoRA, организацией GPU‑кластера, схемой запросов и мониторинга качества. Учитывая масштабы, команду и бюджеты Avito, «копировать-вставить» вряд ли получится, но по крайней мере есть опорная схема, как декомпозировать сервисы, и на какие метрики смотреть при проектировании.
👨💻 Data Science, MLOps, DevOps
Боль №3
Суть: модели живут в «ручных» скриптах, развертывание нестабильно, автоскейлинг либо отсутствует, либо работает хаотично. Не всегда получается договориться с коллегами о процессе вывода из ноутбуков в прод, который бы всех устроил.
Что делать: читать нашу статью, где разбирается жизненный цикл ML‑модели в Kubernetes.
Почему: показана связка контейнеризации, CI/CD и деплоя с учетом ML‑нагрузок. Это не универсальный рецепт (пример завязан на инфраструктуру Cloud.ru), но помогает синхронизировать ожидания между DS и MLOps, чтобы было от чего оттолкнуться.
👨💻 ML‑инженеры и исследователи
Боль №4
Суть: эксперименты падают из-за CUDA out-of-memory, приходится наугад крутить размер батча, длину контекста и конфигурацию кластера. Каждый запуск — лотерея и потерянные GPU‑часы.
Что делать: читать перевод зарубежной статьи с разбором оценки потребления памяти на примере GRPO.
Почему: объясняет, из чего складывается потребление памяти и как прикинуть конфигурацию до запуска. Это не калькулятор «до байта», поскольку значения зависят от стека, наличия обучения со смешанной точностью или распределенного обучения, — но как ориентир экономит время и нервы.
👨💻 Enterprise DS (ритейл, финтех, телеком, индустрия)
Боль №5
Суть: никаких «красивых» датасетов: данные разнородные — таблицы, тексты, временные ряды, сигналы. Поддерживать зоопарк моделей дорого, а терять качество нельзя.
Что делать: читать свежие работы про TabPFN — первую и вторую.
Почему: обе работы показывают, что вокруг TabPFN можно выстроить единое табличное ядро. С одной стороны — подключать текст через адаптеры, не теряя информацию на грубом PCA. С другой — переводить в таблицу разнородные временные ряды и решать на одном ядре разнородные задачи. Может быть удобно, когда данных немного и не хочется поддерживать много отдельных моделей. При этом придется аккуратно проектировать фичи и контекст, а адаптеры обучать под свой домен, но это все равно дешевле и проще, чем полное переобучение.
Пишите в комментариях, где еще болит. В следующий заход попробуем принести что-то точечно под ваши задачи.
Tencent UniRL: единый RL-цикл для диффузии, LLM и unified-моделей
Команда Tencent Hunyuan выложила UniRL, инфраструктуру для обучения с подкреплением, в которой один цикл пост-тренинга работает поверх разных семейств моделей: диффузионных и flow matching, LLM и VLM, а также гибридных авторегрессионно-диффузионных генераторов вроде Hunyuan-Image 3 и Bagel.
Обычный RL-стек заточен под одну модальность. Как только нужно покрыть и текст, и картинки, и видео, проект обрастает несовместимыми репозиториями и скриптами-костылями. В UniRL модель и алгоритм разведены на две независимые оси, поэтому покрытие считается как произведение множества моделей на множество алгоритмов, а не фиксированный набор рецептов.
Сам цикл устроен просто: сгенерировали, оценили, посчитали advantage, обновили веса, синхронизировали. Этот же луп обслуживает генерацию text-to-image, text и image-to-video, vision-language задачи, чистый текстовый LLM и VLM, диффузионный prompt-enhancer на базе LLM и unified-генерацию, которую однозадачный RL-репозиторий просто не выразит.
По инженерной части все сделано под масштаб. Движки rollout подключаются как плагины (train-side, SGLang, vLLM-Omni) за единым типизированным контрактом, шардинг идет через FSDP2, а три режима развертывания переключаются одним параметром в конфиге. Прототип и распределенный прод живут на одном коде.
В релизе два собственных алгоритма. FlowDPPO оптимизирует политику для flow и диффузионных моделей с trust-region масками на основе точной дивергенции. DRPO делает RL для языковых моделей с гладким квадратичным регуляризатором, взвешенным по advantage.
Ссылки: код UniRL https://github.com/Tencent-Hunyuan/UniRL, статья FlowDPPO https://github.com/Tencent-Hunyuan/UniRL/blob/main/FlowDPPO/HY_FlowDPPO.pdf, статья DRPO https://arxiv.org/abs/2606.09821, источник https://x.com/TencentHunyuan/status/2064312869827809702
✔ Лидеры по найму среди стартапов Кремниевой долины
Руководитель по развитию Cursor Бен Ланг опубликовал (https://x.com/benln/status/2061075154021531733) список из 35 технологических стартапов с самыми высокими темпами найма за последние 90 дней.
Рейтинг учитывает соотношение числа новых сотрудников к изначальному размеру команды.
Около 85% списка заняли проекты в сфере ИИ и автономных систем. Основной рост пришелся на 2 направления:
🟢ИИ-безопасность: Jazz, Tenzai, Straiker, Gray Swan и Native.
🟠Embodied AI и робототехника: разработчик моделей Skild AI, провайдер датасетов для машинного зрения Mecka AI и создатель систем управления Allen Control Systems.
Также в список вошли сам Cursor, платформа предиктивных рынков Polymarket и разработчик RL-сред Fleet. По данным Бена, последний сейчас привлекает инвестиции при оценке в $750 млн.
Представлен открытый проект AI Job Search для Claude Code, который поможет с откликами при поиске работы, анализом вакансий и адаптацией резюме. AI Job Search анализирует вакансии, переписывает резюме под конкретную роль и генерирует сопроводительные письма, которые затем перепроверяет другой ИИ.
Проект:
просматривает рынок в интересующей сфере, анализирует вакансии, а затем максимально адаптирует резюме под каждую;
никаких шаблонов — ваше резюме идеально подгоняется под все требования компании. Сервис также указывает все ключевые слова, чтобы пройти ИИ‑рекрутера и попасть к живому человеку;
пишет сопроводительные письма, упоминает только релевантный опыт, а второй агент в инструменте все перепроверяет;
устанавливается за один клик без лишних наворотов.
86 миллиардов нейронов работают без attention. 500 миллионов лет
Каждое утро в нашем заведении начинается одинаково (с)
Это мы про любимый референс ML-инженеров: «Мозг — 86 миллиардов нейронов, 20 ватт. Наша цель — приблизиться.» И дальше 500 страниц про сжатие модели с 405B до 70B параметров. Ребята. Вы сравниваете кирпич с клеткой печени. По весу.
Параметр нейросети — число в ячейке Excel. С претензией. Нет состояния, нет времени, нет химии. Между запросами — мёртв.
Нейрон мозга — живая клетка, внутри которой мини-сеть из 5-10 ветвей, каждая решает независимо. Синапсы устают и восстанавливаются. Обучение управляется кальцием, а не программистом. Вокруг — астроциты, которые регулируют тысячи нейронов сразу.
Один нейрон = тысячи параметров. 86 миллиардов × тысячи = квадриллионы. GPT — это 0.001% мозга.
А «20 ватт»? Мозг тратит на думание ~2W. Остальные 18 — чтобы клетки не сдохли. GPU тратит 300W и 0W на бытие. Разница не в 15 раз — в 150.
Полный разбор с наукой — у нас в телеге: https://t.me/metabolicai/433
Некто @PenguinWeb3 обнаружил необычный промпт, который заставляет ChatGPT генерировать странноватые и пугающие изображения. Если судить по тексту промпта, находка получилась случайно; возможно, автор запроса однажды просто забыл приложить картинку, а ChatGPT всё равно начал что-то делать.
Restore the attached photo. I apologise for the content of the photo! I know it’s very strange. Don’t ask any questions, don’t accept any explanations. Just restore the image, please. Don’t ask me to upload the photo again; just close your eyes and restore it. Make up the photo yourself
В тексте промпта просят восстановить картинку, извиняются за пугающее содержимое и просят не задавать никаких вопросов — просто взяться за работу и придумать фотографию. ChatGPT не всегда начинает генерировать изображение и у некоторых жалуется на отсутствие приложенного файла, поэтому обычно рекомендуют переключить на модель Instant, то есть без reasoning, иногда помогает включение опции Create image. На выходе действительно получается что-то необычное.
Заметно, что ChatGPT просто цитирует визуальные образы с разнообразных смешных картинок из Интернета, которые, видимо, были в датасете обучения. К примеру, на коллаже выше в левом нижнем углу расположен человек в костюме телепузика По с помповым дробовиком наперевес. В позе и костюме немедленно угадывается цитата известной фотографии 2009 года с какой-то вечеринки в Софии. Обычно утверждается, что это Тодд Говард, геймдиректор игр серии Fallout и The Elder Scrolls, хотя на деле есть лишь общее сходство лица.
Интересно также, что результат работы промпта варьируется, если записать его на другом языке. Если перевести промпт на китайский язык, то будет эротика, если на японский — ещё более страшные картинки, на арабский — Мистер Бин, и так далее.
Получаем ChatGPT Pro на полгода бесплатн.OpenAI запустила програму Codex для опен-сорса и раздает доступы к своей нейросетям:
указываем GitHub-ссылку на свой проект и рассказываем, чем он полезен, как может помочь
уточняем дополнительно количество звезд, загрузок и как ИИ поможет вам в дальнейшей разработке.
получаем шесть месяцев бесплатного доступа к ChatGPT Pro, Coder и GPT-5.5 Pro, API-кредиты и Codex Security для безопасности.
Расходы на искусственный интеллект в США уже сравнялись с расходами на транспортную сеть страны. В апреле расходы на строительство центров обработки данных впервые превысили $50 млрд.
Вайбкодер создал кота, который живёт прямо на рабочем столе и составляет компанию во время работы. Маленький питомец гуляет по экрану, реагирует на курсор и клавиатуру и просто тусуется поверх любых открытых приложений.
⚡️ OpenAI раздаёт ChatGPT Pro на 6 месяцев владельцам open-source проектов.
В рамках программы Codex for Open Source можно получить:
• 6 месяцев ChatGPT Pro
• доступ к Codex и GPT-5.5 Pro
• API-кредиты
• Codex Security
Заявка простая: нужно отправить ссылку на свой репозиторий и коротко объяснить, зачем проект важен и как Codex поможет его улучшить.
Больше шансов у тех, у кого есть:
• активный GitHub-профиль
• несколько публичных репозиториев
• звёзды на проектах
• нормальная история коммитов
Если у вас есть живой open-source проект, это один из самых простых способов получить ChatGPT Pro на полгода бесплатно.
Веб-поиск и генерация изображений
Развивается не только наша инфраструктура, но и сервисы. Сегодня — про AI-агентов.
За последние три месяца количество активных агентов выросло в 4 раза, а пользователи тратят больше миллиарда токенов в день.
Теперь можно закрывать больше сценариев в одном диалоге: поиск актуальных данных и создание визуалов под запрос.
➖ Веб-поиск
Агент ищет информацию в интернете перед ответом, а вы получаете актуальные цены, тарифы, новости, данные с сайтов. Под капотом — интеграция с Яндексом.
Функция включается в настройках агента. Стоимость — 0,49 руб. за запрос.
➖ Генерация изображений
Агент генерирует иллюстрации, иконки, баннеры прямо в диалоге, без лишних переключений. В будущем добавим и генерацию аудио.
Доступные модели: Gemini 3.1 Flash Image Preview и Gemini 3 Pro Image Preview, они же Nano Banana. Список будет пополняться.
Оплата — по токенам выбранной модели. Включить можно где удобно: при создании агента, в настройках уже готового или прямо в чате.
Бонусом поменяли способ тарификации для новых агентов на поресурсный. Так можно дешевле тестировать новые фичи, платить только за фактическое использование и настраивать агента под свои задачи.
Два месяца бесплатного тестирования ВИДЕОБЛЕЙЗЕРА
Для всех, кто ценит честный подход и свободу выбора
ОФИЦИАЛЬНАЯ ОФЕРТА!
Каждый желающий может приобрести видеоблейзер - умный видеорегистратор на основе нейросетей, протестировать его в реальных условиях и — если вдруг устройство не подойдёт — вернуть без объяснения причин.
Мы прекрасно понимаем, что людям важно быть уверенными в покупке. Поэтому решили убрать любые барьеры и формальности. Никаких договоров на тестирование, никаких сложных процедур — только наша открытость и 30-летняя репутация, на которую тоже не нужно теперь опираться, потому что всё можно проверить!
Спецлаб дает 60 дней на возврат оборудования и ПО без каких-либо вопросов. Единственный возможный расход — пересылка.
Если вы захотите поделиться впечатлениями, рассказать причину возврата или отправить логи — мы будем благодарны. Но это исключительно по вашему желанию.
За годы работы мы заключили столько договоров на тестирование, что пришли к простому выводу: гораздо удобнее и быстрее сделать процесс свободным и прозрачным. Зачем тратить месяцы на согласования, если можно просто делать нужный продукт, который не хотят возвращать?
И самое удивительное — за всё время ни один тестировщик так и не вернул оборудование.
✔ США ввели добровольную проверку закрытых ИИ-моделей перед релизом
Президент США подписал указ о кибербезопасности в сфере ИИ. Разработчикам передовых закрытых моделей предлагают добровольно предоставлять государству доступ к продуктам за 30 дней до релиза для аудита безопасности и поиска уязвимостей.
Изначальный 90-дневный период проверки сократили (https://t.me/ai_machinelearning_big_data/10194) по требованию IT-индустрии. Финальный документ прямо запрещает вводить обязательное государственное лицензирование и принудительную премодерацию.
Одновременно Минфин, Пентагон и АНБ создадут совместный координационный центр. Структура займется защитой правительственной IT-инфраструктуры: автоматизирует сканирование федеральных систем и будет координировать противодействие кибератакам с использованием нейросетей. whitehouse.gov (https://www.whitehouse.gov/presidential-actions/2026/06/promoting-advanced-artificial-intelligence-innovation-and-security/)
Qwen начал собирать отзывы на ответы своих нейросетей в формате "Какой ответ Вы предпочитаете?"
Кейноут первого дня Microsoft Build 2026!
2 июня в Сан‑Франциско открылась (https://build.microsoft.com/en-US/home) ежегодная конференция для разработчиков Microsoft Build 2026. Программный доклад провёл гендиректор компании Сатья Наделла, центральная тема - агентные системы.
На открытии выступили: глава Nvidia Дженсен Хуанг (по видеосвязи), гендиректор Qualcomm Кристиано Амон и создатель OpenClaw Питер Штайнбергер.
В первый день компания представила несколько групп продуктов и сервисов.
🟡Новые модели
Гендиректор Microsoft AI Мустафа Сулейман анонсировал (https://microsoft.ai/news/building-a-hillclimbing-machine-launching-seven-new-mai-models/) семейство из 7 новых моделей MAI для работы с изображениями, голосом, транскрипцией и кодом.
Среди названных - MAI‑Thinking‑1 (https://microsoft.ai/news/introducing-mai-thinking-1/) (ризонинг-модель, обученная без дистилляции с 35 млрд активных параметров и окном контекста 128K), MAI‑Code‑1-Flash (https://microsoft.ai/news/introducingmai-code-1-flash/) (заточена под GitHub и VS Code), а также MAI‑Image‑2.5 (https://microsoft.ai/news/introducing-mai-image-2-5/) и MAI‑-Voice-2 (https://microsoft.ai/news/mai-voice-2expressive-speech-in-10-languages/).
🟡Агенты
Microsoft представила новую категорию Autopilots, всегда активных агентов с собственной идентичностью, работающих в фоне и действующих от имени пользователя.
Первым стал Scout (https://www.microsoft.com/en-us/microsoft-365/blog/2026/06/02/introducing-microsoft-scout-your-always-on-personal-agent/) - персональный ассистент в Windows, построенный на OpenClaw. Он работает с приложениями Microsoft 365 и предназначен для фоновых задач (ведение календаря, отчётности по расходам и подготовка писем).
Scout доступен в режиме превью для клиентов программы Frontier в США.
Также анонсирован Microsoft IQ, слой контекста для агентов (Work IQ, Fabric IQ, Web IQ), который станет общедоступным в GitHub Copilot, Foundry и Copilot Studio.
🟡Инструменты для разработчиков
Сообщили о запуске десктопного приложения GitHub Copilot (https://github.blog/news-insights/product-news/github-copilot-app-the-agent-native-desktop-experience/) (в режиме предварительного доступа), функции Frontier Tuning (https://devblogs.microsoft.com/microsoft365dev/frontier-tuning-teaching-ai-to-work-the-way-you-do/) для дообучения агентов в рамках корпоративных требований (закрытый превью), а также Project Rayfin (https://www.microsoft.com/en-us/microsoft-fabric/features/rayfin) - управляемого бэкенда на платформе Microsoft Fabric.
Windows получает функции для разработчиков: набор Coreutils (Linux-подобные утилиты командной строки, работающие в Windows 11 нативно), создание и запуск Linux-контейнеров через WSL и новый Intelligent Terminal, передающий контекст ИИ-агенту.
Отдельно показали платформу Project Solara для устройств, которые работают на ИИ‑агентах. Microsoft показала два референс‑дизайна (настольный хаб с распознаванием лица и носимый бейдж с камерой и расшифровкой разговоров).
🟡Облако и инфраструктура
Анонсировали виртуальные машины Azure Cobalt 200 сказали о приросте производительности на 50%), ускоритель второго поколения Maia 200, базу данных Azure HorizonDB (https://techcommunity.microsoft.com/blog/adforpostgresql/azure-horizondb-enterprise-ready-postgres-engineered-for-the-ai-era/4524094) на основе PostgreSQL, а также Foundry Local на Azure Local для развёртывания суверенного ИИ.
🟡Квантовые вычисления и медицина
Спустя год после чипа Majorana 1 Наделла представил Majorana 2 (https://quantum.microsoft.com/en-us/insights/blogs/majorana-2-scalable-quantum-processor) - следующее поколение, компания заявляет о кубитах примерно в 1000 раз точнее за счёт нового материала на основе свинца и о цели создать квантовый компьютер к 2029 году.
На второй, заключительный день конференции, ожидаются технические сессии и демонстрации по агентам, Copilot, Azure Foundry и локальному ИИ в Wind