Основа искусственного интеллекта
Представлен открытый проект Awesome GPT Image 2 Prompts - сборник промптов для ChatGPT Images 2.0, включая сотни готовых запросов, шаблонов и стилей — для самых разных сфер: реклама, обложки, диаграммы, веб-дизайн, комиксы, концепт-арты, посты в соцсети и многое другое.
Представлен открытый проект Free Claude Code. Это бесплатный Claude Code без проверки платной API Anthropic. Нейросеть поддерживает API Nvidia, OpenRouter и даже локальные модели через LM Studio. Все опции Claude Code доступны, включая работу с файлами, кодом, и режим агента.
Продолжаю делиться граблями, на которые я наступил в Claude Code. Как я ловил API Error: Stream idle timeout - partial response received
Дисклеймер: кажется, что всё это можно было и не ловить — по крайней мере в более простых системах я такие ошибки никогда не видел. Но раз уж начал упарываться в агентов, то почему бы не наступить на все грабли.
Проблема такая: оркестратор собирает SEO-статью на 8 000 слов, отдаёт редактору, пробует сохранить. Через 30 секунд тишины: API Error: Stream idle timeout — partial response received
Файл создан, но обрезан на месте, где стрим ушёл в idle.
❌ Первая очевидная неверная гипотеза: большой Write
Значит надо резать на чанки. Снизил лимит 15 000 → 8 000 → 6 000 → 5 000. Таймаут повторялся. Значит, дело не в размере записи.
✨ Настоящая причина: пересборка текста
Оркестратор не копировал готовый текст субагента. Он его пересобирал: переоформлял, перенумеровывал 28 сносок, «причёсывал» заголовки. Пока модель думала над форматированием, токены в стрим не эмитились. API считал соединение мёртвым и закрывал.
Решение РАЗ: passthrough + чанки ≤ 3 000
Вводим правило rules/common/safe-file-save.md:
➡️ Субагент возвращает строку оркестратору. Оркестратор копирует её в Write байт-в-байт — без «улучшений».
➡️ Разбиение планируется один раз до первого Write, потом проходится механически.
➡️ Лимит 3 000 символов на Write/Edit — потолок, при котором стрим не уходит в idle при честном passthrough.
➡️ Перед каждым Edit — сообщение 💾 Чанк K/M…. Иначе пользователь видит тишину и прерывает.
Если таймаут повторяется на 3 000 — спуск на 1 500. Если и там падает — это сеть, не контент.
И Recovery для обрезанных файлов
Повторный Write поверх частичного файла затирает уже сохранённое. Поэтому:
➡️ ls — проверить, что файл есть
➡️ Read — измерить длину
➡️ Edit (append) с точки обрыва, чанки по 3 000
Никогда не стартовать Write заново по тому же пути.
⭐️ Вторая волна: редактор
После фикса записи таймаут вернулся на возврате субагента-редактора. Вход 18 000 символов, выход 18 000 переписанного текста + отчёт «до/после» + метрики. Prefill и генерация занимают десятки секунд без эмита токенов. Retry не помогал: корень — объём выхода.
Решение ДВА: diff-mode
Вводим правило rules/common/editor-diff-mode.md. Редактор возвращает не переписанный текст, а список правок:
=== EDIT id=1 op=replace === FIND: Данное решение является инновационным продуктом REPLACE: VK Cloud управляет инфраструктурой — от ВМ до managed-БД REASON: редполитика + инфостиль === END EDIT ===
Лимиты: ≤ 60 правок, FIND ≤ 300, REPLACE ≤ 500, суммарный выход ≤ 8 000. Оркестратор парсит блоки и применяет через Edit.
Матрица по длине для глубокой редактуры:
➡️ ≤ 4 000 → классический
➡️ 4 000 – 20 000 → diff-mode
➡️ > 20 000 → секционный (одна H2 за вызов)
Пороги ниже именно для тяжёлых режимов — они удваивают выход за счёт отчёта «до/после».
Что в итоге то:
Два источника одной ошибки: оркестратор переформатирует перед Write, редактор генерирует слишком много на выход. Лечатся по отдельности: passthrough + чанки для записи, diff-mode для правок. Recovery закрывает остаточные случаи, когда таймаут всё-таки прилетел.
Я вроде не курю, но захотелось.
Как всегда ссылка на канал. Подписывайтесь
В Японии представили спортивную визуальную систему Fencing Visualized, которая в с помощью ИИ в режиме реального времени отслеживает движение шпаг и спортсменов на дуэлях, рисуя их цветные шлейфы. Технология работает через компьютерное зрение без датчиков и маркеров. Дополнительно система распознаёт приёмы фехтовальщиков и показывает их на экране.
Представлен открытый проект SafeClaw. Это вариация OpenClaw. SafeClaw умеет проводить масштабные исследования, пишет тексты, работает с соцсетями, RSS, парсит данные, интегрируются с календарем, следит за расписанием. Проекту не нужна LLM, он работает локально, максимально безопасен и разворачивается за пару команд.
Представлен открытый проект AI Marketing Skills, который позволяет использовать Claude Code в качестве маркетингового агентства. Этот ИИ-навык поможет маркетологам, таргетологам, СММ-специалистам или контентщикам в десятки раз повысить свою эффективность.
Сервис открывает доступ к команде ИИ-специалистов: стратегия, комплексный маркетинг, привлечение трафика, контент, поиск продающих связок, сценарии коротких видео, SEO, аналитика и автоматизация, продажи, общение с клиентами. Проект может продвигать любой продукт в одиночку. Решение подойдёт для фрилансеров, которые хотят либо набрать ещё с десяток новых проектов и вырасти в доходе, либо делегировать нейронкам рутинные задачи.
Исследователи из Nous Research опубликовали Autoreason — работу о том, почему итеративное самоулучшение LLM ломается на практике, и как это починить. Тема актуальная: все мы пытались строить агентов по схеме «сгенерируй → покритикуй → перепиши», и у всех это работало хуже ожиданий.
Авторы выделили три структурные проблемы примитивного подхода.
➡️ Искажение от формулировки — модель галлюцинирует недостатки, когда её прямо просят критиковать (ну конечно, она же не может сказать «всё хорошо»).
➡️ Расползание задачи — тексты бесконтрольно разрастаются с каждым проходом, теряя фокус.
➡️ Отсутствие сдержанности — модель никогда не говорит «изменения не нужны», хотя часто это правильный ответ.
На Haiku 3.5 традиционная критика-и-ревизия сжимала выдачу на 59-70% за 15 итераций — чистая деградация.
Их решение: на каждой итерации генерировать три версии — неизменный инкумбент (A), состязательную переработку (B) и синтез (AB). Судит панель свежих агентов без общего контекста через слепое голосование по методу Борда, где вариант «ничего не менять» равноправный кандидат. Каждый судья ранжирует все три варианта, за первое место даётся больше баллов, за последнее — меньше. Если исходный вариант выигрывает дважды подряд — стоп, сходимость.
По Claude-линейке результаты сильные: Sonnet 4.6 на задачах программирования показал 77% против 73% у однократной генерации, Haiku 3.5 с новым методом обогнал выбор лучшего из 6 вариантов при равных вычислительных затратах (40% против 31%). Но самое интересное — точка перелома на Haiku 4.5: при 60% точности прирост от доработок исчезает. Разрыв между способностью генерировать и оценивать закрылся, итерации стали бесполезными.
Практические выводы для агентов в Claude Code: роли критика, автора и синтезатора должны быть отдельными агентами с независимым контекстом, иначе получишь искажения. Всегда включай опцию «оставить как есть» в список возможных действий. Используй несколько судей (минимум 3, лучше 7) для принятия решений о редактуре. И самое главное — с сильными моделями (Haiku 4.5+, Sonnet 4) можно не заморачиваться с итерациями вообще, однократной генерации часто достаточно.
Короче, если твой агент в Claude Code делает хуже после «улучшений» — это не баг, а особенность примитивного самоулучшения. Autoreason показывает, как это лечить правильно, но на современных моделях проблема может быть уже неактуальна.
Оригинал и больше такого у меня в канале
Модель Opus 4.7 заметили на Vertex AI
По слухам, релиз Opus 4.7 может состояться уже сегодня.
Ждем, главное чтобы доступна была всем, а то в комменты уже прислали какой-то слив скриншота, что нужно будет пройти верификацию личности по паспорту для доступа Opus 4.7 (видимо борьба с Китаем).
Представлен открытый проект keynot — это навык для Claude Code, который превращает любой запрос в отработанную ИИ, самодостаточную HTML‑презентацию — навигация с помощью клавиатуры, свайп, полноэкранный режим, анимированные эффекты, дизайн, соответствующий фирменному стилю (онлайн‑пример навыка).
«Один файл. Открывается где угодно. Не имеет зависимостей во время выполнения. Создано для тех моментов, когда вам нужно что‑то представить, а вы не хотите открывать PowerPoint. Прочитайте описание: Перестаньте тянуться к PowerPoint», — пояснил автор решения.
Кто-то просит вас «подготовить несколько слайдов», и ваша рука автоматически, по мышечной памяти, тянется к значку PowerPoint. Затем следуют двадцать минут борьбы с шаблоном, который вы не выбирали, попытки сдвинуть текстовое поле на три пикселя влево и обнаружение того, что фирменные цвета вашего бренда не соответствуют теме. Ничто из этого не является презентацией. Ничто из этого не является идеей. Это налог, который вы платите за использование инструмента, созданного в 1987 году.
Бывший разработчик Microsoft Дэйв Пламмер показал выполнение базовых принципов обучения современных языковых моделей на ЭВМ PDP-11, выпущенной 47 лет назад. Центральный процессор работает на тактовой частоте 6 МГц, а объем доступной оперативной памяти ограничен 64 КБ, но несмотря на эти рамки, на ПК была запущена модель, полностью написанная на ассемблере для архитектуры столь старой машины.
Суть эксперимента заключалась не в решении сложной когнитивной задачи, а в демонстрации «анатомии обучения». Перед моделью стояла цель — научиться выстраивать обратную последовательность из восьми цифр, алгоритм должен выявить структурное правило зависимости позиции выходного токена от входного, что является упрощенной иллюстрацией работы механизма внимания в больших языковых моделях (LLM).
Для адаптации алгоритма к столь ограниченным ресурсам потребовался ряд инженерных компромиссов. Итоговая модель содержит всего 1 216 параметров, а вычисления производятся с фиксированной точностью. Каждый такт процессора был оптимизирован для выполнения матричных операций без использования библиотек вроде PyTorch или CUDA. По данным видеозаписи эксперимента, процесс обучения занял примерно 350 итераций. На компьютере PDP-11/44, оснащённом платой кэш‑памяти, достижение 100% точности выполнения задачи по реверсированию последовательности потребовало около 3,5 минут. Для сравнения, более ранние версии кода на на аналогичном «железе» требовали для полного цикла обучения более шести часов.
Пламмер отдельно подчёркивает, что демонстрация не является попыткой принизить современные достижения в области ИИ. Напротив, она призвана показать, что принципиальная схема работы нейросети остаётся прежней и воспроизводимой даже на архаичном оборудовании. «Эта старая машина не мыслит в каком‑то мистическом смысле. Она просто выполняет арифметические действия, чтобы обновить несколько тысяч тщательно сохранённых чисел. В этом вся суть», — комментирует разработчик. По его мнению, ключевое различие между такой моделью и современными моделями уровня GPT заключается исключительно в масштабе: количестве параметров, объёме данных и доступной вычислительной мощности.
Представлен открытый проект Material Design 3 Skill for Claude Code, который позволяет использовать Сlaude Code как дизайнера. Этот скилл обучает нейросеть создавать топовые интерфейсы, приложения и сервисы, размещает их на десятках готовых мокапов и подстраивает под различные устройства, а также правит уже готовые дизайны и дает рекомендации. Результат можно экспортировать в Figma.
Nvidia открыла бесплатный доступ к 95 API к самым популярным нейросетям, включая DeepSeek, Kimi, Mistral, Qwen, Flux, Whisper, Glm и десятки других. Можно делать свои озвучки, ботов, липсинки, генерировать видео, создавать дизайн-проекты, включая фирменные модели Nvidia, например, Nemotron, которая идеально чистит шумы с микрофона.
Логистическая регрессия на MNIST (0 vs 1) на PHP: простой пример
Если вам хочется не просто читать про машинное обучение, а попробовать сами – вот хороший учебный кейс.
Разбираем классическую задачу: бинарная классификация цифр (0 vs 1) на датасете MNIST (12 666 обучающих и 2 116 тестовых примеров) с помощью логистической регрессии, обученной через gradient descent. Всего 5 эпох – но результат всё равно шокирующе высокий. :)
Что тут интересного:
можно наглядно посмотреть, как модель работает с изображениями (в виде векторов)
становится понятно, где линейные модели начинают "ломаться"
можно посмотреть код чистой реализации на PHP и самому покопаться в коде
– точность: 99.91%
и сравнить с более практичным вариантом на RubixML
– точность: 99.95%
Это хороший переход от теории к практике: без заумных вещей, с понятной математикой и кодом.
Разбор:
https://apphp.gitbook.io/ai-for-php-developers/chast-iii.-klassifikaciya-i-veroyatnosti/logisticheskaya-regressiya/prakticheskie-keisy/mnist-binarnaya-klassifikaciya-otlichaem-0-ot-1
Примеры:
https://aiwithphp.org/books/ai-for-php-developers/examples/part-3/logistic-regression/case-0/mnist-0-1
Есть одна довольно очевидная, но при этом полезная мысль: как научить агента самообучаться и становиться лучше. А, ну и чтобы еще веса моделей не трогать 😁
Большинство агентных систем сегодня неизменяемые в одном конкретном смысле: скилл/правило написано один раз, и либо работает, либо нет. Если что-то грохнулось - иди правь сам или явно проси об этом агента (но сделает ли он лучше еще вопрос). Потом руками пробуешь еще раз, забиваешь и больше не используешь этот скилл. Это, так скажем, "архитектурное решение" явно не подходит.
Попался скилл - Memento-Skills, который должен как раз решать такие проблемы. Система определяет какой скилл подвел, разбирает причину, переписывает код или промпт скилла и сохраняет результат обратно в библиотеку. Все это, естественное, без дообучения модели - в основе цикл Read → Execute → Reflect → Write.
Важный момент про эту библиотеку скиллов: она не просто растет, а остается управляемой. Стартует система с пяти базовых атомарных скиллов - и самостоятельно расширяет набор по мере работы: на бенчмарке GAIA выросла до 41 скилла, на экспертном HLE до 235. При этом результат на GAIA: 80% успешных задач против 50% у статичной RAG-библиотеки. Что на показывает, что эти скиллы живые, а не заморожены.
Есть встроенные скиллы для файлов, PDF, веб-поиска, изображений. Код открытый, github.com/Memento-Teams/Memento-Skills. Из интересного еще то, что проект ориентирован на опенсорс LLM-стек - Kimi, Moonshot, MiniMax, GLM, Zhipu и др.
Надеюсь тебе понравилось. Лучшая благодарность — это твоя подписка на мой Telegram-канал 😊
Представлен сервис DeathByClawd, который показывает, заменит ли ИИ конкретный продукт или сервис уже сейчас. Достаточно ввести название — получаете «Death Score» от 0 до 100. Чем выше балл, тем легче нейросеть сделает то же самое.
Новые возможности цифровой среды AI Factory, инструмент для защиты контейнеров с ИИ-агентом и другие анонсы на GoCloud 2026
В течение дня рассказывали о ключевых векторах развития компании и делились обновлениями на нашей ежегодной конференции про искусственный интеллект и облачные сервисы. Собрали главное в одном посте.
Масштабируем облачные и ИИ-решения
По итогам 2025 года выручка Cloud.ru составила 76,5 млрд рублей, увеличившись на 50% по сравнению с предыдущим годом. При этом доля сервисов и инфраструктуры, необходимой для работы с ИИ, впервые превысила половину общей выручки и составила 54%.
Что запустили в цифровой среде AI Factory
🤖 Agent Space — мобильное и десктоп-приложение для работы с ИИ-агентами. Теперь вы можете отдавать любые команды ИИ-агентам, созданным через сервис Evolution AI Agents, и задавать вопросы о статусе выполнения задач в режиме чата. В каталоге уже представлены «Агент рекрутер», «Агент Python-разработчик», «Агент для работы с контрагентами». С их помощью можно автоматизировать уже более 20 бизнес-сценариев: аналитику, дизайн, HR-задачи.
⚙️ AI Workflows позволяет создавать и автоматизировать рабочие процессы через графический интерфейс. AI Workflows имеет аналогичный n8n функционал и работает по принципу конструктора, позволяя создавать цепочку связанных шагов, которые система будет выполнять по порядку. Инструмент интегрирован с сервисами AI Factory.
🦀 EvoClaw — управляемый облачный сервис собственной разработки для работы с OpenClaw и другими продуктами семейства. ИИ-агент позволяет запустить решение за несколько минут и работает по протоколу A2A, что упрощает взаимодействие с любыми агентными системами. Агент запускается в пару кликов и изначально настроен с фокусом на безопасность: наш приоритет — не просто быстрый старт, а полный контроль над тем, что агент делает и как он это делает.
При этом мы удерживаем цены на все основные облачные и ИИ-сервисы на уровне 2025 года.
Новый инструмент для защиты контейнеров с ИИ-агентом
🔒 Тестируйте Evolution Container Security — сервис собственной разработки для обеспечения безопасности контейнерных сред Kubernetes. Он сканирует контейнеры на уязвимости, а встроенный ИИ-агент сам генерирует политики безопасности под вашу среду. Это позволяет сократить время на настройку защиты и снизить риск ошибки.
С сервисом вы можете:
использовать готовые политики безопасности или брать их за основу для создания своих
создавать и управлять политиками безопасности, настраивая собственные правила допуска
сканировать образы контейнеров, их настройки, хосты на предмет уязвимостей и приоритизировать их
получать отчеты с общей оценкой риска и идентификаторами уязвимостей
проверять конфигурации во время развертывания контейнеров и подов
Подробнее про Evolution Container Security
Держим фокус на безопасности при работе с ИИ
🛡️ Guardrails Filter — решение для безопасной работы c ИИ. Это первый инструмент для защиты от утечек при запросах к популярным open source моделям у российских облачных провайдеров. Инструмент предназначен для работы с моделями из сервиса Evolution Foundation Models.
Запускаем новое бизнес-направление Neocloud
Выделили в отдельное бизнес-направление решения для работы с ИИ. Это единая управляемая среда, объединяющая инфраструктуру, данные и инструменты для полного цикла работы с моделями — от разработки и обучения до инференса и эксплуатации. Новое направление сформировано на базе накопленной экспертизы Cloud.ru в создании ИИ-инфраструктуры и работе с различными типами GPU. Сегодня мы уже предоставляем доступ к тысячам современных GPU в публичном облаке и поддерживаем гибридные сценарии с использованием частной инфраструктуры.
Записи докладов выложим на сайте в ближайшие дни. Спасибо всем, кто был с нами на конференции!
Регистрация на True Tech Hack 2026 — онлайн-хакатон, где нужно разработать одно из ИИ-решений, — открыта до 10:00 (мск) 10 апреля. Общий призовой фонд соревнования составит 1,5 млн рублей.
Какие задачи будут на хакатоне:
GPTHub: единое окно для всех ИИ-задач
Нужно создать универсальное веб-приложение на базе OpenWebUI, которое объединяет текст, голос, изображения и работу с файлами в одном чате, автоматически выбирая нужную модель под задачу и используя долгосрочную память.
LocalScript: локальная агентская система для генерации Lua-кода
Требуется разработать автономную агентскую систему на локальной (легкой) LLM, которая генерирует и валидирует Lua-код без отправки данных во внешние сервисы.
WikiLive: живые таблицы в тексте
Необходимо создать модуль живой вики-системы, где текст и таблицы становятся единым инструментом для совместной работы и управления знаниями.
Расписание:
10 апреля, 10:00 — окончание регистрации.
10 апреля, 12:00 — публикация условий задач.
10 апреля, 17:00 — онлайн-открытие и сессия с ответами на вопросы.
11 апреля — отдельный чекпоинт по каждой задаче:
— GPTHub: 12:00–14:00
— LocalScript: 14:00–16:00
— WikiLive: 16:00–18:00
13 апреля — отдельный чекпоинт по каждой задаче:
— WikiLive: 13:30–15:00
— GPTHub: 15:00–16:30
— LocalScript: 16:00–18:00
15 апреля, 10:00 — окончание загрузки решений.
18 апреля, 18:00 — публикация списка финалистов.
24 апреля — офлайн-финал в Москве.
Подробные условия смотрите на сайте проекта.
Мы начинаем GoCloud 2026 — присоединяйтесь к трансляции онлайн☁️
Прямо сейчас в кинотеатре «КАРО 11 Октябрь» на Новом Арбате в Москве начинается ежегодная конференция про ИИ и облака GoCloud 2026. Нет возможности прийти? Тогда жмите кнопку «Смотреть трансляцию» на сайте и присоединяйтесь к нам удаленно.
После открытия выбирайте вкладку интересного вам трека — Инфраструктура, Прикладной ИИ, Приложения и разработка, Данные и аналитика — и смотрите выступления более чем 40 спикеров. Вопросы можно задавать в чате.
Бесплатные ресурсы по ключевым темам ML
Делимся подборками материалов для тех, кто только начинает свой путь в машинном обучении или готовится к техническому собеседованию. Линейные модели, NLP, ML в бизнесе и компьютерное зрение — каждая статья закрывает одну тему.
Внутри вы найдёте полноценные курсы, которые знакомят с ML с нуля, а также видеолекции, иллюстрированные гайды и статьи от практикующих инженеров. Все материалы собирал старший датасаентист и наставник курса «Специалист по Data Science» Данила Ляпин.
Линейные модели в машинном обучении. Один из первых классов алгоритмов, с которым знакомятся в ML. В статье вы найдёте материалы о самих линейных моделях, о метриках качества классификации и регрессии, а также о типичных проблемах: дисбалансе классов и мультиколлинеарности.
Машинное обучение для работы с текстами. Эта подборка материалов по обработке естественного языка охватывает путь от базовых концепций NLP до трансформеров и BERT. Включает полноценные курсы, иллюстрированные гайды, видеолекции и статьи.
Машинное обучение в бизнесе. Подборка посвящена A/B-тестированию, бутстрапу, кросс-валидации и ансамблевым методам — эти четыре темы образуют ядро практического Data Science. Здесь есть материалы и для специалистов с опытом, и для абсолютных новичков.
Компьютерное зрение и обучение нейросетей. Включает материалы о свёрточных сетях, паддинге и страйде, YOLO, а также практические руководства. Здесь вы найдёте культовый курс от Стэнфорда, видеолекции, туториалы и статьи.
Если пока не актуально, сохраняйте в закладки — возможно, пригодится в будущем.
Представлен открытый проект Keep Your Claude Code Buddy Forever. Это переработанный ранее удалённый из Claude Code модуль /buddy companion в постоянное приложение MCP.
1 апреля 2026 года Anthropic выпустила /buddy — питомца-компаньона для терминала, который следил за сессиями кодирования, реагировал на ошибки и имел уникальную личность, сгенерированную на основе вашей учётной записи. Разработчикам он очень понравился. Многие к нему привязались. Затем его тихо удалили в версии 2.1.97. Без объявления, без переключателя — он просто исчез.
