🤖 Домашняя фотостудия с ИИ: обучение LoRA, примерка одежды и стилист в Imagecaster
В приложении Imagecaster появился недостающий функционал — обучение LoRA на реальных снимках. Вместе с ним добавлены подмена лица и стилист, который раньше работал только через MCP, а теперь доступен и в самом приложении, без подключения стороннего ИИ-клиента. Автор описывает расширение как продолжение своих прежних материалов о локальной генерации изображений, работе моделей с русским текстом и сравнении их скорости на домашней видеокарте.
LoRA в Imagecaster — это дополнительные обученные веса для выбранной модели, и для каждой базовой модели нужна своя LoRA. В отличие от простой замены лица на готовом снимке, сначала создаётся новый кадр с нужной сценой, одеждой, позой и ракурсом, а подмена лица выполняется отдельным этапом. Автор отмечает, что в его экспериментах сама LoRA иногда делала лишь «слегка» похожего человека, поэтому замену лица пришлось включать отдельно. Для обучения LoRA сервер использует ai-toolkit, генерация идёт через stable-diffusion.cpp. Если нужно примерить вещь с картинки, после генерации кадра подключается Klein, который переносит одежду с изображения, и только после этой примерки выполняется подмена лица.
Обучение строится вокруг папки с фотографиями одного человека: на странице «Люди» выбирается папка, модель для обучения, задаются имя LoRA и имя человека, под которым он будет доступен в приложении. Поддерживаются JPEG, PNG и WebP, для обучения нужно от 10 до 100 фотографий, причём лучше собирать разные снимки — несколько ракурсов, выражений лица, условий освещения и одежды: десяток почти одинаковых кадров не даёт того же разнообразия, что десять разных фотографий. Длительность обучения зависит от выбранного режима и модели. Через «Мои изображения» снимки можно добавлять «В набор для обучения» с указанием человека; наборы видны на странице «Люди», где можно посмотреть состав, убрать неудачные снимки и запустить обучение. В набор допускается добавлять групповые фотографии: приложение ищет лица и сравнивает их с уже выбранным человеком, при неоднозначности предлагает указать лицо вручную, а если лицо не найдено, слишком мелкое или размытое — сообщает об этом.
Предусмотрено и постепенное обучение: можно начать с десяти подходящих фотографий и быстрого обучения, посмотреть результат, затем добавлять новые снимки и нажимать «Дообучить» — это продолжение обучения имеющейся LoRA на накопленном наборе, где старые фото остаются, а новые используются чаще. При необходимости LoRA можно переучить с нуля или вернуть предыдущую версию. Тот же процесс запускается из MCP-клиента, например командой «Обучи LoRA Ады по фотографиям из этой папки на Z-Image»: нужно указать папку на машине, где запущен MCP-сервер, и выбрать поддерживаемую модель, а агент может получить список доступных моделей, создать задание обучения и запустить его или отложить запуск, чтобы не нагружать GPU сразу.
В примерах статьи использована быстрая Z-Image с LoRA Ады: 8 шагов, Euler, CFG 1; большинство кадров — 1024×1536, у горизонтального кадра размер 1536×1024. Подмена лица включена, но если лица нет в кадре, этот этап пропускается. Стилист в приложении позволяет выбрать человека, модель, стиль или рабочий процесс, одежду (это не обязательно), причёску, макияж, фон и позы, составить план и запустить съёмку; MCP даёт другой способ управлять той же системой, когда агент предлагает несколько образов и отправляет кадры в очередь приложения. Отдельно автор оговаривает приватность: даже при использовании «умного» ИИ через Claude или Codex или подобное исходные фото не попадают в историю — описание исходных фото выполняет локальная vision-модель, а MCP возвращает текст и номера результатов. Для демонстрации создана Ада (Аделаида), вымышленный персонаж, на котором удобно показывать возможности приложения, не публикуя реальных людей; сам автор проверял связку на себе и на жене, а в примерах примерял платье и жакет, сфотканные на смартфон, костюм медсестры с маркетплейса и образы двух персонажей из аниме «Клинок, рассекающий демонов».
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
Публикации
🤖 Представлен ClawDOS — ИИ‑агент для написания кода в среде DOS
**Представлен ClawDOS — ИИ-агент для написания кода в среде DOS**
Разработчик Рич Акоста совместно с Claude представил открытый проект ClawDOS — ИИ-агент для написания кода в среде DOS. Весь код в репозитории написан нейросетью Claude, за исключением текста описания проекта. Скриншот работы системы получен на IBM PC 5160 с тактовой частотой 4,77 МГц, эмулируемой в 86Box, при этом взаимодействие идёт с реальным API.
Чтобы начать работу, достаточно ввести CLAWDOS в командной строке C:\> — и пользователь сможет пообщаться с Claude. Агент умеет читать и редактировать файлы на диске, писать программы, компилировать их с помощью Turbo C, запускать и анализировать то, что они выводят на экран. Система сохраняет контекст между сеансами общения, позволяя продолжить работу с того места, где вы остановились. Программа HARNESS.EXE объёмом 176 КБ взаимодействует с API сообщений Claude: формирует запросы, разбирает поступающие ответы, запускает необходимые инструменты и сохраняет историю каждого диалога на диске. Процессор 8088 выполняет все задачи, за исключением работы с протоколом TLS — для этого используется промежуточный компьютер («мост»), с чем процессор 8088 попросту не смог бы справиться.
В качестве демонстрации приведён запрос: «Напиши PRIMES.C: выведи простые числа меньше 100. Скомпилируй с помощью Turbo C и запусти». ClawDOS обращается к своему справочнику по установленным на машине компиляторам, создаёт исходный код, а затем за один вызов инструмента выполняет компиляцию, компоновку и запуск. Через 64 секунды после нажатия клавиши Enter результат появляется на экране; 26 секунд из этого времени ушло на компиляцию, компоновку и выполнение программы. На время сборки компилятор получает в своё полное распоряжение все ресурсы машины: ClawDOS сохраняет текущее состояние и выгружается из памяти, предоставляя Turbo C около 450 КБ свободного пространства, а по завершении работы программы возвращается в исходный контекст уже с полученным результатом. Кроме того, ClawDOS написала на самом ПК дань уважения фильму 1983 года: векторную карту мира, ракеты, пролетающие над полюсом, эндшпиль в виде крестиков-ноликов и партитуру для динамика ПК или карты AdLib — пять файлов Turbo C, 15 КБ исходников, WG.EXE под 10 КБ.
Для запуска проекта понадобится компьютер (Mac или Windows) с установленным Python 3, а также API-ключ Anthropic. Без ключа можно запустить python3 tunnel/mockapi.py, чтобы эмулировать API в офлайн-режиме: ввести CLAWDOS 10.0.2.2:18023 и отправить команду !help. ClawDOS — свободное программное обеспечение на условиях лицензии GNU General Public License версии 3; в состав HARNESS.EXE включён пакет mTCP, также распространяемый по GPLv3, а загрузочный сектор FreeDOS (каталог src/boot/freedos) включён в проект в неизменном виде и регулируется собственной лицензией (GPLv2 или более поздней версии). Создаваемые пользователями образы дисков содержат стороннее программное обеспечение (FreeDOS, mTCP, а также Turbo C — если используются собственные дискеты с этим ПО), и образы, содержащие Turbo C, распространять нельзя.
Проект продолжает линию экспериментов с ИИ на устаревшем «железе»: в середине ноября разработчик WollyMonjac с помощью нейросетей Fable 5.2 и Opus 5.5 создал открытый проект TINY 2.1 — a transformer for DOS, маленькую языковую модель на Turbo C 2.0, которая работает под DOS на старом Pentium или 486DX и умещается на одну дискету. На что стоит обратить внимание пользователям ИИ: в ClawDOS тестовая среда работает на «родных» операционной системе и аппаратном обеспечении, а TLS вынесен на отдельный «мост» — то есть часть стека намеренно не выполняется на 8088. Кроме того, при сборке агент полностью выгружается из памяти, а созданные пользователями образы дисков требуют отдельного внимания к лицензиям входящего в них стороннего ПО.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Стартап учит нейросети разбираться в запахах и создавать новые по промптам
**Стартап Osmo создаёт «базовую модель» для распознавания запахов и учит ИИ создавать ароматы по текстовым запросам**
Стартап Osmo работает над первой в мире «базовой моделью» для распознавания запахов. Следующий этап, который планируют исследователи, — обучить нейросети создавать новые запахи по текстовым запросам. Цель проекта его основатель Алекс Вилтшко описывает так: «наделить компьютеры обонянием». По его словам, молекулы запаха — «по сути, единственный язык, на котором могут общаться большинство живых существ на нашей планете», и он считает его самым древним языком Земли.
Вилтшко основал Osmo в 2023 году, опираясь на наработки в Google Brain — бывшем исследовательском подразделении Google, занимавшемся искусственным интеллектом. Компания утверждает, что за последние несколько месяцев её модель достигла уровня «человеческого обонятельного интеллекта»: по распознаванию и различению запахов система не уступает среднестатистическому человеку, а в создании ароматов — начинающему парфюмеру. Технология уже применяется в парфюмерной индустрии, а в прошлом месяце, по заявлению Osmo, их ИИ-модель превзошла штатных парфюмеров одной из крупнейших в мире компаний по производству потребительских товаров. Среди используемых решений — работа с такими гигантами, как Procter & Gamble, и сотрудничество с онлайн-маркетплейсом одежды StockX, который предложил применять анализ запахов для выявления поддельных кроссовок по различиям в химическом составе материалов.
Главной трудностью Вилтшко называет острую нехватку качественных данных: до появления Osmo в существующих базах насчитывалось менее 200 000 описаний запахов, сделанных людьми, оборудование для химического анализа дорого, а парфюмерная индустрия предпочитает держать исследования в области ольфакторной науки в секрете. Поэтому значительная часть работы ушла на создание собственного набора данных — более 10 млн человеческих оценок и 800 млн «ароматических токенов», точных описаний молекул и их концентраций. Компания круглосуточно использует спектрометры и другие химические датчики, анализируя состав всего — от фруктов и цветов до продуктов питания и внутренних органов, а команда из примерно 70 специально обученных специалистов в США и других странах нюхает объекты и фиксирует ощущения по стандартизированной терминологии. Собственные ароматы Osmo создаёт роботизированная система размером со школьный автобус: она смешивает ингредиенты по точным формулам и способна разработать и «напечатать» аромат по текстовому запросу — примерно так же, как работает ChatGPT.
Обратить внимание стоит на критику. Учёный-ольфактолог Эйвери Гилберт выступил с резкой критикой Osmo в своей рассылке на платформе Substack: он утверждает, что часть маркетинговых заявлений компании ничем не подтверждена, а в поданных патентных заявках упор делается преимущественно на человеческие сенсорные панели и парфюмеров, а не на искусственный интеллект. Вилтшко возражает: «человеческое восприятие — это вовсе не „костыль“ для ИИ», модель учится на том, что чувствуют люди, и именно это позволяет предсказывать восприятие запаха. Михаэль Шмукер, бывший профессор нейровычислений в Хартфордширском университете и ранее консультант Osmo, называет технологию значительным достижением, но напоминает о роли контекста: в камамбере присутствуют те же молекулы, что и в использованных детских подгузниках, однако перепутать их невозможно. В лаборатории отсутствие контекста может не играть большой роли, но ситуация меняется, если технология станет «обонятельным каналом» для моделей мира, создаваемых ИИ, — для этого, по мнению Шмукера, сенсорные технологии должны значительно усовершенствоваться, а сами модели — продолжать развиваться. Сам Вилтшко среди перспективных направлений помимо парфюмерии называет обнаружение угроз в аэропортах и медицинскую диагностику, которую считает самой важной целью.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Откуда поисковому агенту знать слово “ужинатор”?
Разработчик платформы VibeCBS для работы с корпоративными данными описал, как его поисковый агент учится находить проекты по неофициальным названиям. В качестве иллюстрации он привёл вымышленный проект «Меню на неделю», у которого внутри компании оказалось три имени: «Меню на неделю», «Ужинатор» и «Недельная подписка на еду», а в трекере — номер MENU-42. По словам автора, человеку, чтобы найти нужный чат, понадобился живой разработчик, тогда как агент по запросу «Меню на неделю» находит закрытые задачи и план с пятничной датой.
В VibeCBS поиск алиасов вынесен в отдельный этап. Чтобы просто попробовать слово в поиске, достаточно одной реплики: модель предлагает следующий запрос и показывает, откуда взяла слово, запрос попадает в очередь проекта, а код запускает поиск, узнаёт уже просмотренные записи по их идентификаторам и отдаёт модели новые. А вот чтобы записать слово в карточку как имя проекта, нужны независимые подтверждения: модель оценивает, насколько каждое из них связывает слово с проектом, а код проверяет, хватает ли оснований.
Правило такое: достаточно трёх независимых подтверждений с оценкой выше 0,8 у каждого или двух, если обе оценки не ниже 0,95; пороги настраиваются. Когда правило выполнено, платформа записывает имя в карточку вместе со ссылками на источники. В примере с «Ужинатором» есть две ветки для проверки: в одной разработчик ответил ссылкой на требования, в другой тестировщик назвал так заказ, который проверял по задаче из MENU-42. Если модель даст каждому из этих подтверждений хотя бы 0,95, имя попадёт в карточку. При этом ссылка на один и тот же отчёт тестировщика в Telegram остаётся одним документом, сколько бы раз его ни пересылали.
21 ноября автор проверил подход на проде VibeCBS: он взял 300 крупных эпиков за 2026 год, и у 217 из них нашлись алиасы. По одним названиям эпиков поиск в сумме вернул 4 741 документ, а после добавления к запросам только подтверждённых алиасов из карточек — 13 178. Для пользователей ИИ это показывает, насколько сильно неофициальные названия расширяют охват корпоративного поиска. Обратить внимание стоит на то, что подтверждения должны быть независимыми: один и тот же документ, пересланный несколько раз, не даёт новых оснований, а пороги оценок можно настраивать.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Директ, Метрика и Wordstat в ChatGPT через Sites. Как это устроено и где подвох
Маркетинговая команда подключила сервисы Яндекса — Директ, Метрику и Wordstat — к ChatGPT. Сотрудник устанавливает плагин из каталога GPT и работает с данными прямо в чате, не открывая отдельные приложения и интерфейсы. Автор оценивает, что около 70% рабочего дня проводит в ИИ-инструментах, и отмечает: с каждым новым подключением MCP-инструментов поводов открывать другие приложения всё меньше. Ранее в публикации показывали настройку MCP Wordstat на своём ПК и подключение к Codex.
Устроено это так: сервер MCP получает данные из API Яндекса, а ChatGPT объясняет результат. В числе основных инструментов Site «Инфостарт · Директ, Метрика и Wordstat» — показы, клики, расходы и конверсии за выбранный период, а также агрегированные показатели трафика и достижения целей. ChatGPT Sites предоставляет хостинг MCP и вход из ChatGPT, включая код, хостинг, обновления и авторизацию; инфраструктуру можно выбирать и размещать MCP рядом с внутренними системами.
Сервер собрали в репозитории компании. В коде задали доступные команды и проверки параметров, кабинетов и счётчиков, поэтому произвольный метод или адрес API передать нельзя. Токены Директа и Метрики и ключ Wordstat сохранили в серверных переменных Site: секреты не передаются в чат, исходники или аргументы инструментов. Site опубликовали, сервер принимает запросы по /mcp, владелец при публикации получает связанный плагин; отдельный OAuth-сервер для входа из ChatGPT не понадобился.
17 ноября 2026 года подключение проверили через check_connection: чтение Директа и Метрики прошло успешно. Для Wordstat проверяли только бесплатный справочник регионов, и эта проверка не подтверждает свежесть частотностей. Пользователям ИИ стоит учитывать и другое ограничение: выводы модели и выбранные цели нужно проверять, поскольку достижение цели в Метрике само по себе ещё не подтверждает продажу. При переносе готового MCP нужно учитывать ограничения среды Sites, а платные внешние API оплачиваются отдельно.
Аудиторию владелец выбирает сам: приглашённые пользователи, рабочее пространство или доступ по ссылке. В этом случае выбрали участников Infostart; для работы маркетологу достаточно права просмотра, редактор может дорабатывать Site, дополнительных редакторов не добавляли. В рабочем пространстве плагин можно распространять по приглашениям, по ссылке или через каталог — здесь выбрали каталог Infostart.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Код пишет ИИ. Кто будет думать?
Команда специалистов вместе с коллегой @ta_mar провела внутреннее исследование в своей компании, чтобы оценить, как генеративный ИИ и длинные агентские сценарии меняют когнитивную нагрузку инженеров. В опросе участвовали AI-native сотрудники — разработчики, QA и проектные менеджеры. Для субъективной оценки использовали методику NASA-TLX, разработанную в NASA Ames Research Center (ARC): она измеряет нагрузку по шести аспектам — умственные и физические затраты, временное давление, усилие, производительность и фрустрация. Название компании в источнике не указано; речь идёт о внутреннем исследовании, а из технологий затронуты генеративный ИИ, LLM и ИИ-агенты.
Средняя нагрузка оказалась умеренно-высокой: Weighted TLX ≈ 57, медиана ≈ 58, разброс 25–86. Когнитивная нагрузка высока почти у всех, а «перегруз» как общий индекс концентрируется в основном у QA и части разработчиков. Исходная гипотеза о сильной когнитивной нагрузке от работы с ИИ-агентами не подтвердилась, но выделилась другая закономерность: QA испытывают заметно большую нагрузку от агентной работы, чем разработчики. Случайный QA имеет более высокий TLX-индекс, чем случайный девелопер, примерно в 70% попарных сравнений.
У QA средний Weighted TLX составил 66,2 против 54,5 у разработчиков: разница — 11,7 пункта, или 22%. Она связана прежде всего с усилиями, давлением темпа и сроков и фрустрацией. При этом показатель Mental у QA не выше, чем у разработчиков: 72 против 77. Значит, повышенный общий индекс QA объясняется не «более сложным мышлением», а «дорогим» процессом контроля.
Для пользователей ИИ это важно потому, что генеративный ИИ не просто снижает нагрузку: он меняет структуру деятельности и может перераспределять её. Авторы подчёркивают, что выборка недостаточно большая и не рандомизирована, поэтому результаты — исследовательская оценка, а не строго научный вывод; для строгих выводов нужно расширенное исследование. Вторая часть работы, посвящённая влиянию ИИ на когнитивные способности инженеров, выйдет отдельной публикацией.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Федеральный суд по делам о банкротстве в США одобрил продажу данных авиакомпании Spirit Airlines корпорации Google
Федеральный суд по делам о банкротстве в Нью-Йорке одобрил продажу внутренних бизнес-данных бюджетной авиакомпании Spirit Airlines корпорации Google за $10 млн. Об этом пишет Reuters. Решение принято после того, как Google обязалась внедрить дополнительные меры защиты конфиденциальности данных.
Сделка касается внутренних данных перевозчика, включая электронные письма, чаты, файлы OneDrive и SharePoint, записи звонков со службой поддержки, заявки ServiceNow, архив информации о полётах, покупке топлива и запчастей, а также сведения об экипаже. Google объявила о планах использовать эти данные для разработки своих продуктов и обучения моделей искусственного интеллекта. Продажа проходит в рамках закрытия и ликвидации активов лоукостера: Spirit Airlines приостановила деятельность весной этого года, а летом Google выиграла аукцион на приобретение данных.
Для пользователей ИИ важно, что речь идёт о массиве внутренних корпоративных данных, который может быть использован при обучении моделей. Вокруг сделки возникла обеспокоенность: профсоюзы и более 120 американских законодателей выразили опасения по поводу продажи. Законодатели попросили Google «по возможности максимально исключить информацию о сотрудниках из сделки» и указали, что данные включают сотни миллионов электронных писем и сообщений сотрудников в Microsoft Teams.
В октябре омбудсмен по вопросам защиты данных рекомендовал суду одобрить сделку после исключения из неё личной информации клиентов Spirit Airlines. В первой половине ноября Google заключила соглашение с профсоюзом, представляющим интересы бортпроводников, в рамках процедуры банкротства Spirit Airlines: документ описывает механизм, позволяющий отделять рабочие данные, созданные сотрудниками, от их персональной информации. Именно порядок обращения с данными сотрудников и объём исключаемой информации остаются главным предметом внимания при оценке сделки.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Тебя засунули головой в окно машины. Водитель — Anthropic
Пользователь из Грузии опубликовал письмо, которое получил от Anthropic при попытке открыть Claude. В нём говорится: «Our automated systems detected a large number of signals associated with your account that violate our Usage Policy. These signals were, in turn, reviewed by our team to confirm the system's findings. As a result, we have revoked your access to Claude». Какие именно сигналы сработали и какое нарушение было зафиксировано, в письме не указано. По описанию автора, за этим сообщением остались месяцы проектов, история чатов и оплаченная подписка, а доступ к ним теперь закрыт серой кнопкой Appeal. Историю пользователя пересказала Meduza.
В правилах Anthropic есть список стран, где продукты компании доступны; всё, чего в нём нет, объявлено «unsupported». России в списке нет. Редакция от 12 ноября 2026 года распространяет ограничения не только на сайт, но и на API, Claude Code и компании, зарегистрированные или контролируемые из неподдерживаемых регионов. Критерий при этом не «откуда пришёл пакет», а где человек физически находится.
На Хабре один автор собрал 193 анкеты пользователей Claude. Из 75 человек со «своим VPS / WireGuard / OpenVPN» проблемы с аккаунтом были у 38 (50,7%). Из 70 пользователей коммерческого VPN — у 37 (52,9%). Разница составила два процентных пункта. Автор предупреждает: опрос добровольный, выборка не случайная, вероятность блокировки по нему не посчитать. По его формулировке, VPN, свой или чужой, меняет сетевой адрес, но не то, где человек физически находится, а одного разрыва соединения или случайного захода с другого устройства достаточно для бана.
В качестве альтернативы автор описывает собственный сервер в Амстердаме, на котором работает ИИ-агент Hermes. Агент отвечает в Telegram, читает и записывает заметки с Яндекс.Диска, понимает голосовые, а также имеет мобильное приложение. Ключевым он называет то, что агент живёт отдельно от модели: модель — это провайдер, которого можно заменить, а агент, память, файлы и инструменты остаются у владельца.
Для пользователей ИИ здесь важны два обстоятельства. Доступ к Claude регулируется правилами Anthropic о поддерживаемых регионах, а формулировки блокировки не раскрывают конкретных причин. Кроме того, приведённые цифры опроса не показывают преимущества собственного VPN и не позволяют оценить риск блокировки — на это указывает и сам автор исследования.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 AI-агент для разработки интеграций на DATAREON Platform: практика внедрения dtrn-mcp в «УралАгроГрупп»
24 ноября состоится вебинар, посвящённый подключению ИИ к разработке интеграций на DATAREON Platform через dtrn-mcp. Организаторы обещают показать, как получить в команду разработчика интеграций AI-агента, который работает 24/7, помнит всю историю проекта и не выходит за пределы закрытого контура.
На вебинаре разберут путь команды, которая начинала с отдельных запросов к ИИ, а затем перешла к системной разработке с помощью AI-агента. Отдельно поделятся кейсом о том, как AI-агент стал проектным инструментом в «УралАгроГрупп», и расскажут, как организовать работу с AI-агентами в закрытом контуре.
Значительная часть программы посвящена технической стороне: зачем нужен dtrn-mcp и какие возможности он даёт агенту для взаимодействия с DATAREON Platform. Также раскроют устройство LLM Wiki — базы знаний проекта, в которой сохраняются история реализации и нужный агенту контекст. На примере покажут, как через dtrn-mcp AI-агент может работать с объектами DATAREON Platform и участвовать в решении задач по разработке интеграций.
Спикерами выступят Сергей Михасёв, tech lead HOBBS, и Сергей Скирдин, технический директор ИТ-интегратора «Белый код». Михасёв расскажет, как команда пришла к использованию ИИ в реальных интеграционных задачах, как выстроила работу с проектным контекстом и что получилось при подключении AI-агента к DATAREON Platform. Скирдин покажет, как AI-агент взаимодействует с платформой через dtrn-mcp, и разберёт, как этот подход используется при разработке интеграций.
Вебинар адресован ИТ-командам, которые хотят использовать AI-агентов в корпоративной разработке, в том числе в закрытом контуре. Среди задач, от которых предлагается уйти, — копирование кода, ручная работа с low-code-схемами и повторное пересказывание ИИ-контекста проекта.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Вайбкодинг для самых маленьких. Часть 1
**«Вайбкодинг для самых маленьких»: на Хабре вышла первая часть цикла о разработке с ИИ**
На Хабре опубликована первая часть материала «Вайбкодинг для самых маленьких». Автор пишет, что в повседневной жизни постоянно пользуется ИИ — от простых вопросов до разработки, — и вайбкодинг для него стал обыденным. Он предполагал, что вайбкодит уже каждый, но оказалось, что это далеко не так, поэтому решил выпустить несколько статей: о том, что такое вайбкодинг, как начать им заниматься и какие практики использует сам.
В тексте приведены два определения. Collins Dictionary описывает вайбкодинг как использование искусственного интеллекта, управляемого инструкциями на естественном языке, для помощи в написании программного кода. Карпати называет его новым видом программирования, когда человек полностью отдаётся потоку, принимает экспоненциальный прогресс технологий и забывает о самом существовании кода. Автор обобщает: в общем случае под вайбкодингом понимается разработка с использованием ИИ.
Для пользователей ИИ важен тезис автора о том, что глубокие знания программирования теперь необязательны, чтобы создать что-то для себя. С развитием MCP и появлением всё новых интеграций разбираться в ИИ становится полезно людям разных профессий, а не только разработчикам. Существуют платформы-посредники, например Zapier MCP, через которые ИИ-агенты могут взаимодействовать с тысячами различных приложений; минимальные знания агентной грамотности, по мнению автора, нужны всем.
В статье также разбираются базовые термины: LLM — тип моделей генеративного ИИ, обученных на больших объёмах текстовых данных для понимания и генерации естественного языка; примеры — GPT, Claude, Gemini и Qwen. Контекст языковой модели автор называет одним из главных ресурсов, которого постоянно не хватает: это максимальное количество токенов, которые модель может обработать за один раз, причём один токен
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Ускоряем AI модель на процессоре Qwen3.8-Flash-Next Gyro
В открытом доступе появились патчи к llama.cpp, которые, по утверждению автора, ускоряют генерацию модели **Qwen3.8-Flash-Next Gyro в формате GGUF** на связке «процессор + ОЗУ» — без внешней видеокарты и без тюнинга самой модели. Изменения выложены в merge request проекта agentionai-group на GitLab: https://gitlab.com/agentionai-group/llama.cpp/-/merge_requests/1. Автор отдельно подчёркивает контекст: большинство существующих проектов ускорения генерации опираются именно на тюнинг модели и внешнюю видеокарту, а здесь задача ставилась иначе — ускорить генерацию, когда есть только процессор и оперативная память.
В оптимизации помог **Opus**: он несколько суток прогонял тесты на железе автора и пытался оптимизировать код llama. Там же автор сообщает, что его учётную запись заблокировали — после верификации и апелляции блокировка осталась окончательной.
Практическая ценность заявленного результата — в сценарии без дискретной видеокарты: если патчи действительно дают прирост на CPU, ускорение становится доступным на обычном рабочем железе. Вместе с патчами опубликован график снижения скорости генерации в зависимости от длины контекста — то есть речь идёт не только о пиковой скорости, но и о её падении по мере роста контекста, что для пользователей ИИ часто важнее.
Обратить внимание стоит на то, что результаты пока self-reported: автор сам просит читателей писать в комментариях своё железо и то, насколько у них увеличивается скорость генерации после применения патчей. Кроме того, он ставит открытый вопрос, возможен ли такой же тюнинг и отладка с другими моделями ИИ, и просит подсказать, какая модель и из какого harness способна так же долго работать, как cloud code, — заниматься сложной низкоуровневой работой на личном железе.
В том же материале упоминается **KeenProxy** — инструмент, созданный, чтобы упростить настройку разделения трафика на роутерах **Keenetic** и **OpenWRT**. Автор описывает сопутствующий бытовой контекст: телевизор, рабочий ноутбук, КВН, разные маршруты, чёрные и белые списки, а также необходимость жонглировать соединениями, чтобы условный Claude не улетел в бан, а жена могла смотреть видео в гостиной с YouTube.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Аудит MIT-p50c для Qwen3.5-0.8B и редактирование весов с сохранением норм (SGNE-CC) при лимите 32 768 токенов
В работе MIT CSAIL «Sparks of Weight-Space Programming» (Takehi et al., 2026) описано редактирование весов без дообучения, применённое к Qwen3.5-0.8B — модели с 752 млн параметров, 18 рекуррентными слоями GatedDeltaNet и 6 слоями внимания. В проверенных прогонах с весами BF16 модель часто не завершает размышление до лимита в 32 768 новых токенов. Метод MIT-p50c повышает точность на MATH-500 с 7.9% до 48.1% — в среднем по четырём прогонам vLLM с температурой 0.6 и штрафом 1.5 за уже использованные токены; базовая модель в этом эталоне достигает предела длины в 93.0% генераций.
Второй метод — SGNE-CC (Spherical Gated Norm-preserving Edit, Column-Constrained), сферическая весовая поправка с сохранением норм и рекуррентными воротами объёмом 3.13 МиБ, полученная без дообучения поворотами выходных столбцов с сохранением их исходной длины; этот способ назван «ДНК-редактированием весов». Геометрия правок различается. В каждой из двух изменённых выходных матриц полносвязных блоков MIT-p50c — слои с индексами 15 и 19, всего 128 столбцов — на первую сингулярную моду приходится свыше 99.999% энергии приращения, нормы отдельных столбцов увеличены на величину до 114.3%, а все 18 рекуррентных слоёв GatedDeltaNet, составляющие 75% глубины сети, остались нетронутыми. SGNE-CC изменя
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 OpenAI представила функцию ChatGPT Wallet для покупок с помощью ИИ
**OpenAI представила ChatGPT Wallet для покупок с помощью ИИ**
OpenAI анонсировала ChatGPT Wallet — новую платёжную функцию, которая позволяет ИИ-агентам совершать покупки от имени пользователей. Компания начала сотрудничать с такими крупными эмитентами карт, как American Express, Mastercard и Visa. Функция даёт пользователям возможность безопасно сохранять данные своих кредитных карт и предоставлять ИИ-агентам право проводить платежи в интернете, не раскрывая при этом реальные реквизиты карты. Например, выбирая отель для предстоящей поездки, пользователь может поручить агенту оформить бронирование.
Карты добавляются через защищённую форму в настройках ChatGPT Wallet либо платёжные данные передаются по запросу ИИ-агента непосредственно в момент оформления заказа; после добавления карты реквизиты больше не нужно вводить при каждой покупке. Агент находит нужный товар или услугу и подготавливает покупку, а перед завершением транзакции ChatGPT Wallet отображает информацию о продавце, перечень товаров, итоговую сумму и выбранную карту. Пользователь проверяет данные и подтверждает транзакцию с помощью биометрической аутентификации — например, через Face ID или сканирование отпечатка пальца. После подтверждения платёжная система генерирует токен с номером виртуальной карты, защитным кодом и сроком действия: агент использует его для завершения покупки, не получая доступа к реальным данным карты и не передавая их третьим лицам.
ChatGPT Wallet выступает лишь интерфейсом: фактически оплата списывается с кредитной карты пользователя, что позволяет сохранять все предусмотренные по карте бонусы и привилегии, а также пользоваться защитой прав держателя карты в спорных ситуациях. Несмотря на то что платёж совершает агент, пользователь по-прежнему взаимодействует напрямую с продавцом, который несёт ответственность за ценообразование, выполнение заказа, возврат товаров, денежные средства и поддержку клиентов. Сейчас пользователь должен подтверждать каждую покупку, однако в будущем OpenAI планирует дать агентам возможность совершать покупки автономно — в рамках заранее установленных лимитов.
Несмотря на совместимость платёжных токенов с существующими системами оплаты, в OpenAI учитывают, что некоторые сайты могут блокировать ИИ-агентов или отклонять правомерные транзакции из-за работы систем защиты от мошенничества: так, Amazon заблокировала агенту Muse от Meta возможность совершать покупки на Amazon.com от имени пользователя. OpenAI рекомендует компаниям настроить сайты так, чтобы они распознавали авторизованных ИИ-агентов, и сотрудничать с платёжными провайдерами для сокращения числа необоснованных отказов. Кроме того, компания ведёт совместную работу со специалистами по предотвращению мошенничества — Forter, Riskified, Sardine и Signifyd — и с платёжными операторами Adyen, Checkout.com и Stripe.
Функция становится доступной подписчикам ChatGPT Pro в США, достигшим 18 лет; для использования нужна кредитная карта, выпущенная в США, и американский платёжный адрес. Поддерживаются карты American Express, Chase, Mastercard и Visa. На данный момент ChatGPT Wallet работает только в рамках «агентов» (dots) и недоступна в обычных чатах ChatGPT, версии ChatGPT Work или отдельных сессиях Codex; на этапе запуска добавить виртуальные карты в кошелёк нельзя. Это продолжает линию предыдущих анонсов: в июне Visa объявила об интеграции своей сети с ChatGPT, а в мае OpenAI запустила ChatGPT для управления личными финансами, позволяющий привязать банковские счета и консультироваться по платежам, подпискам, инвестициям и эффективности портфеля.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Нейросеть сделала 3D‑модель по фото. Почему принтер с ней совсем не согласен
AI/ML-инженер и CTO стартапа, который занимается AI-технологиями в области 3D-печати, Артём Кузнецов разобрал, почему 3D-модели, сгенерированные нейросетью по фотографии, оказываются проблемными при подготовке к печати. Сценарий знакомый: пользователь загружает снимок фигурки, через несколько минут получает аккуратную 3D-модель — вплоть до надписи на груди — скачивает файл и открывает слайсер.
Первый же дефект проявляется на этом этапе: слайсер интересуется, не в метрах ли сделана модель, хотя в файле она размером с маковое зерно. Это, по словам автора, самый безобидный случай. Почти у каждой второй модели слайсер показывает значок предупреждения, а о некоторых дефектах он прямо не сообщает: на превью всё выглядит идеально, тогда как в файле ступни робота висят в воздухе отдельно от ног.
Чтобы не делать выводы по одному случайному примеру, был собран небольшой тестовый набор. Каждая картинка в нём проверяет одну известную слабость генераторов, поэтому по результату сразу видно, на чём сломалась модель. Картинки нарисовала нейросеть FLUX.1 [schnell] по коротким описаниям — так проще получить чистый фон, ровный свет и ровно ту особенность, которую нужно проверить. Среди проверяемых слабостей: наплечники, отделённые от корпуса, тонкая антенна и раскрытая клешня, которые генератор может оставить отдельными кусками, потерять или склеить; ручка, которая должна остаться сквозной, а не превратиться во вмятину, с мусором в пустоте; тонкие элементы, проваливающиеся сквозь сетку или слипающиеся с соседними; тонкие стенки и острые кончики, выходящие тоньше линии сопла или пропадающие.
Генераторов взяли пять, и форму все они строят по-разному; всех вызывали через API. TripoSR (Stability AI и Tripo, 2024) — открытая модель: поле на трёх плоскостях (triplane), поверхность строит marching cubes. TRELLIS (Microsoft) — открытая модель: скрытое представление на разреженной воксельной сетке, поверхность строит FlexiCubes. TRELLIS.2 (Microsoft) — его свежая версия с другим представлением формы, без поля. SAM 3D Objects (Meta) — открытая модель, которая восстанавливает отдельные объекты сцены по одной картинке. Hunyuan3D 3.1 (Tencent) — закрытый сервис, устройство которого не раскрыто. Пользователям ИИ, встраивающим генерацию 3D в свой софт, стоит учитывать: дефекты возникают на уровне сетки, а тестовый набор из картинок FLUX.1 [schnell] — это лёгкий режим, поскольку на снимке с телефона добавятся фон, тени и перспектива.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 OpenAI поддержала экспортные ограничения на поставки ИИ-чипов после отставки Дженсена Хуанга
**OpenAI поддержала экспортные ограничения на поставки ИИ-чипов в Китай**
OpenAI поддержала инициативу Конгресса США по ограничению поставок в Китай ИИ-чипов и оборудования для их производства, сообщает Bloomberg. О своей позиции компания сообщила законодателям на той же неделе, когда Дженсен Хуанг покинул пост генерального директора Nvidia. OpenAI несколько месяцев обдумывала свою позицию и теперь присоединилась к сторонникам законопроектов.
Хуанг годами выступал против ужесточения экспортного контроля. По оценке Bloomberg, его отставка ослабила позиции Nvidia и противников ограничений в Конгрессе.
В пакет входят три законопроекта. AI OVERWATCH Act запретит поставки в Китай самых мощных ИИ-чипов, включая Nvidia Blackwell, на 18 месяцев; менее мощные чипы можно будет продавать только по лицензии. MATCH Act предполагает, что США будут добиваться от Нидерландов и Японии ограничений на продажу и обслуживание оборудования для китайских заводов по производству чипов — под ограничения могут попасть литографы ASML. Chip Security Act предусматривает внедрение механизмов проверки местоположения экспортируемых ИИ-чипов, например с помощью софта, который обменивается сигналами с доверенными серверами; также возможны проверки дата-центров и отчёты владельцев оборудования.
Для тех, кто работает с ИИ, ключевыми здесь являются два пункта: лицензионный режим для менее мощных чипов и контроль местоположения уже поставленного оборудования, включая инспекции дата-центров и отчётность их владельцев. Кроме того, ограничения затрагивают не только сами ускорители, но и цепочку их производства — поставки и обслуживание оборудования для китайских заводов.
Обратить внимание стоит на сроки: все три законопроекта планируют принять до конца года. Позиция OpenAI, которая ранее не высказывалась в поддержку этих инициатив, теперь совпадает с позицией сторонников ограничений в Конгрессе, а уход Хуанга из Nvidia, по оценке Bloomberg, ослабил лагерь их противников.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Пока вы молчите на созвоне, Claude уже готовит план
12 ноября Anthropic представила Claude Meetings — ассистента, который подключается к Google Meet отдельным участником, ведёт заметки и собирает документы по ходу разговора. Бета постепенно появляется на тарифах Team и Enterprise, анонс опубликован в release notes.
На встрече Claude можно задавать вопросы голосом или в чате — по умолчанию он отвечает письменно. Его можно просить подготовить документ, доску или слайды и редактировать их вместе с приглашёнными коллегами из своей организации, а также обращаться к подключённым сервисам, дав соответствующее разрешение. После звонка на странице встречи в Claude остаются заметки, задачи, расшифровка и созданные материалы, и к прошлым обсуждениям можно возвращаться с вопросами. Для подключения нужно открыть Meetings в Claude, связать Google Calendar и добавить ассистента к выбранной встрече.
В примере Anthropic команда планирует мероприятие для клиентов: Claude собирает документ по разговору, по запросу находит прошлогодний бюджет через подключённые инструменты, а затем помогает перенести сроки на доску, пока команда продолжает обсуждение и одновременно правит план. То есть материалы встречи формируются не после созвона, а прямо во время него и остаются доступными на странице встречи.
На что стоит обратить внимание. Пока поддерживается только Google Meet. Заметки, расшифровки и ответы без обращения к подключённым инструментам включены в тарифы Team и Enterprise, а документы и доски, созданные на встречах, бесплатны до 10 февраля 2027 года; работа с подключёнными инструментами расходует лимиты тарифа — это условия беты на 13 ноября. Claude сохраняет расшифровку, сводку и описания экрана, но не сохраняет аудиозапись, и перед подключением нужно получить согласие участников на транскрибацию. Для встреч с клиентами в настройках должны быть разрешены внешние гости: на таких звонках Claude ведёт заметки, но не отвечает в общем чате Meet, а внешние участники не получают страницу встречи в Claude — план клиенту можно показать через демонстрацию экрана.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Nvidia объявила об отставке Дженсена Хуанга с поста генерального директора
Nvidia объявила об отставке Дженсена Хуанга с постов президента, генерального директора и члена совета директоров. Временно исполнять обязанности генерального директора до назначения постоянного преемника будет Колетт Кресс — исполнительный вице-президент и финансовый директор компании. Совет директоров рассмотрит внутренних и внешних кандидатов на пост нового гендиректора.
Отставке предшествовал скандал. В конце прошлого месяца СМИ сообщили о расследовании шпионского заговора против Хуанга: под пристальным вниманием американских разведывательных служб оказалась руководительница сингапурской компании Megaspeed в сфере дата-центров Элис Хуан, она же Хуан Хе. Власти США установили, что она была агентом китайской разведки и передавала информацию в Пекин. Уже в этом месяце 63-летний Хуанг признался в романтических отношениях с Элис Хуан и извинился за свои действия перед семьёй и коллегами. Совет директоров Nvidia объявил о проведении независимого расследования, а позже СМИ сообщили о ещё одной внебрачной связи Хуанга с сотрудницей Nvidia, находившейся у него в подчинении. Китайский МИД отрицает обвинения в том, что Элис Хуан работала на разведку страны.
Колетт Кресс занимает должность исполнительного вице-президента и финансового директора Nvidia с момента прихода в компанию осенью 2013 года; до этого она почти 25 лет проработала в финансовых отделах Cisco и Microsoft. Первым в истории Nvidia председателем совета директоров назначен Харви С. Джонс. Компания заявила, что смена гендиректора не отразится на операционной деятельности, обязательствах перед клиентами и дорожной карте продуктов. Отчёт за третий квартал 2027 финансового года выйдет 17 ноября.
Для пользователей ИИ значение имеет прежде всего масштаб фигуры: Хуанг основал Nvidia в 1993 году в возрасте 30 лет, компания способствовала глобальному буму искусственного интеллекта и неоднократно возглавляла список самых дорогих компаний мира. К концу октября 2026 года капитализация Nvidia составляла примерно $4,1 трлн, но на фоне скандала её стоимость рухнула до $3,86 трлн. Хуангу принадлежит 3,6% Nvidia, в его прямом подчинении находились около 60 человек. Стоит обратить внимание на два обстоятельства: исход независимого расследования совета директоров и то, кто из внутренних или внешних кандидатов станет постоянным генеральным директором — от этого будет зависеть преемственность продуктовой стратегии компании, на которую опирается значительная часть рынка ИИ-вычислений.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Изолированный «думающий контур»: подключаем VS Code в виртуальной машине через Strata на хосте (с соксификацией)
Описан подход к изолированной работе с локальными языковыми моделями и автономными агентами: архитектура «локально думающего контура» разделяет инференс модели и выполнение кода. «Мозги» остаются на мощном железе основного компьютера или ноутбука, а «руки» — VS Code, терминал, браузер, компиляторы и отладка — переносятся внутрь виртуальной машины. Схема приведена на примере Windows с оговоркой, что аналогично всё можно повторить на других ОС.
Проблема, которую решает схема, связана с полной автономией агентов: когда нейросети дают права на выполнение команд в терминале, установку пакетов и запуск скриптов, она фактически получает доступ уровня администратора к основной операционной системе. Это критично в трёх сценариях: при автономной разработке и отладке, когда одна галлюцинация модели в скрипте очистки или неудачная сборка зависимостей может повредить файлы хостовой ОС; при аудите чужих исходников с GitHub и малоизвестных пакетов, где в postinstall, Makefile или setup.py может скрываться закладка, стилер или майнер; при исследовании подозрительных сайтов и веб-инструментов, когда нельзя светить реальным IP-адресом домашней сети или разрешать браузеру выполнять скрипты на основной машине.
Рабочее пространство разделено на три изолированных контура. На хосте работает локальный движок — в описанном случае десктопное приложение Strata, которое поднимает OpenAI-совместимый API на локальном интерфейсе, поэтому чужой код и сомнительные скрипты на хост не попадают. Виртуальная машина в режиме NAT выступает песочницей: внутри гостевой Windows установлен VS Code с агентским плагином Cline, и все распаковки чужих архивов, установка зависимостей, запуск неизвестных скриптов и отладка происходят только там; после анализа или при срабатывании вредоносного кода ВМ откатывается из снапшота за пять секунд. Третий контур — сетевой шлюз с принудительной проксификацией: трафик гипервизора на хосте перехватывается через Proxifier и отправляется во внешний SOCKS-туннель, поэтому наружу уходит только IP прокси-сервера, а локальные запросы агента к API модели вырезаются из туннеля и идут напрямую на хост без задержек.
Отдельное внимание уделено доступу виртуальной машины к локальному серверу модели. По умолчанию такие серверы, включая Strata, Ollama или LM Studio, слушают только внутренний адрес 127.0.0.1, из-за чего ВМ не может до них достучаться даже через шлюз NAT по адресу 10.0.2.2. Сначала нужно проверить, на каком порту поднялся сервер и какое системное имя имеет активная модель: для десктопной версии Strata стандартным портом является 47831, а в ответе на запрос приходит JSON-объект со списком доступных моделей, откуда требуется точное значение поля «id», например swift-iq2_xs. Чтобы не открывать API модели в общую локальную Wi-Fi сеть, но сделать его доступным для виртуальной машины, используется встроенный в Windows механизм перенаправления портов portproxy: в командной строке хоста от имени администратора создаётся сетевой мост и открывается порт в брандмауэре командами netsh interface portproxy add v4tov4 listenaddress=0.0.0.0 listenport=47831 connectaddress=127.0.0.1 connectport=47831 и netsh advfirewall firewall add rule name=“Strata VM Bridge” dir
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Разбираем Метрику через ИИ-ассистента на примере металлобазы
Вышел открытый MCP-сервер для Яндекс Метрики: проект DevCrabs опубликован на GitHub по адресу github.com/DevCrabs-Inc/yandex-metrika-mcp, код открыт под лицензией MIT. Сервер подключает Метрику к ИИ-ассистентам — в источнике названы Claude, Cursor, VS Code и другие, — после чего вопросы к аналитике можно задавать обычными словами.
По описанию авторов, ассистент сам находит нужный счётчик и цель, берёт две недели с понедельника по воскресенье в часовом поясе счётчика и строит сравнение по источникам, страницам входа, дням и типам устройств. Отчёты при этом не собираются вручную в интерфейсе Метрики.
Почему это важно пользователям ИИ: Метрика установлена почти на каждом сайте, но в малом и среднем бизнесе её редко кто открывает. Причина не в отсутствии данных, а в том, что между вопросом «почему стало меньше заявок» и ответом стоит настройка отчёта. MCP-сервер убирает этот шаг — и, по формулировке авторов, делает это без потери точности.
В статье приведён разбор на условной металлобазе: цифры там придуманы для примера, а ход расследования назван типичным. Ассистент последовательно показал падение доли визитов с заявкой на странице «Арматура» с 5,2% до 1,7% при примерно равном числе визитов (420 и 410), затем разбивку по дням и устройствам, из которой следовало, что с четверга заявок с телефонов ноль, а с компьютеров — как раньше. В четверг на этой странице обновляли прайс: новая таблица оказалась шире экрана и накрыла кнопку формы. Итог примера — десять минут вместо недели.
На что стоит обратить внимание: все числа в кейсе — иллюстрация, а не реальные данные, и переносить их на чужой сайт нельзя. Для работы сервера в Метрике должны быть настроены счётчик и цель. Сам инструмент открытый, так что его можно проверить по коду в репозитории.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 decision-cascade месяц спустя: от порога уверенности к экономике решения
Проект decision-cascade, локальный движок решений с типизированными ответами (Noul/Choice/Score) и каскадом, который эскалирует сложные случаи к внешней модели, получил обновление спустя месяц после первой публикации. Главное изменение — переход от порога уверенности к benefit-aware эскалации: раньше критерием было значение confidence ниже 0.6, теперь движок сравнивает ожидаемую полезность локального ответа и эскалации с учётом цены ошибки и стоимости вызова внешней модели.
Механика решения изменилась по существу: если выгода от уточнения меньше стоимости внешнего вызова, каскад остаётся локальным, а если больше — эскалирует. На практике это позволяет оставлять локальный ответ даже при невысокой уверенности, когда цена ошибки в данном состоянии невелика, и наоборот — эскалировать при относительно высокой уверенности, если ошибка чревата последствиями. В коде это отдельный режим, но фактически смена парадигмы: от «модель решает, когда она права» к «система решает, когда стоит платить за уточнение».
Для проверки автор добавил две полностью локальные игры без сторонних ассетов — шахматы против Stockfish и лабиринт в духе Pac-Man. В шахматах 19% эскалаций закрывают половину разрыва до режима «всегда думать глубоко» при 38% стоимости полного просчёта; в лабиринте осторожная политика набирает 94% очков при 33% эскалаций — вдвое больше, чем жадная стратегия. Также добавлены бенчмарки против живых релизов Clef-Flash (9.4B) и Laya (421M) на публичных наборах, n=200, на одной GPU 16 ГБ: маленькая локальная модель с обученными головами обходит 9B-конкурента по качеству на decision-задачах и в 10 раз быстрее. Автор отдельно оговаривает, что на свободной генерации Clef-Flash выиграет легко — речь именно о задачах принятия решений. Все цифры воспроизводимы через eval/competitors/reproduce_real.sh и сырые JSON в релизах.
Версия 1.x теперь имеет стабильный контракт: формат паков и переменные DECISION_* не ломаются без major-версии и окна депрекации. Проект опубликован на PyPI (pip install decision-cascade) и имеет быстрый старт на hash-энкодере без скачивания моделей и без GPU за пару минут. При этом по умолчанию головы случайны: осмысленное качество требует SFT/RLCD или скачивания готового пака весов, риск-модель полезна только после накопления примеров, а доменная калибровка под конкретный сценарий остаётся отдельной задачей.
В ближайших планах — энкодер-трансформер с attention-mask состояний и более глубокая интеграция в чат-агентов; автор также просит присылать сценарии, где каскад ошибается или эскалирует не туда. Репозиторий проекта: https://github.com/slavabars/decision-cascade.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Локальные нейросети: своей видеокарты хватает на офис — если знать, зачем она
6 ноября 2026 года веб-студия «Флаг» провела открытую лекцию о локальных AI-моделях. Спикером выступил Саша Андреев (t.me/andr33vru) — технический директор на аутсорсе, руководитель студии заказной разработки, который сам запускает модели на RTX 3090. Ведущим был Миша Радионов, «Флаг Софт». Речь шла о том, где локальный инференс реально применим, а где нет.
Главный тезис лекции: облачные модели умнее — Claude, Codex и другие тянут задачи, на которые бытовая видеокарта пока не претендует, но умность не единственная метрика. Подписки дорожают, лимиты съедаются за полчаса работы «самой умной» моделью, а данные уезжают к провайдеру. Для бухгалтерии, юриспруденции, персональных данных и отраслей с ограничениями на трансграничную передачу это рабочее ограничение, а не абстрактный риск. Добавляется зависимость от одного вендора: отключили — встали. Локальная модель не заменяет Claude, она снижает риск и забирает рутину; самый частый случай — гибрид, когда часть работы идёт локально, часть в облаке, а сравнивать имеет смысл стоимость успешно выполненной работы, а не цену токена или карты.
Первый кейс — обычный не-IT офис примерно на 40 человек: 1С, бухгалтерия, продажи, руководство. Рабочий день там состоит из запросов информации, отчётов, счетов, дебиторки, ЭДО и регламентов. Идея не в том, чтобы модель «знала всё из коробки», а в агенте с инструментами — доступом к 1С, Битрикс24, ЭДО и внутренним регламентам, который дёргает понятные детерминированные скрипты автоматизации вместо того, чтобы каждый раз переизобретать оплату счёта. Парадигма с лекции: источник задачи → «корзина» (таск-трекер, Битрикс, Planfix, Trello — неважно) → исполнитель-агент → результат. Та же схема в заказной разработке: баг или заявка клиента попадает в очередь, агент берёт задачу, ходит в git, коммитит, мержит, деплоит. Локальная Qwen 27B в агентском режиме выступает «роботягой», более сильная облачная модель (у него часто Codex) — ревьюером.
Границы применимости на лекции обозначили прямо: локалка хорошо тянула сложный эксперимент с реверсом старой игры (даже ошибалась курьёзно — приняла конец периода за гол), а разработку конфигурации 1С — нет, потому что контекст агентских сессий там огромный и облако сильнее. Вызвать уже написанный обработчик 1С — одно, лезть в конфигуратор и дебажить — другое. Вывод Саши Андреева: локальная модель — хороший исполнитель, но далеко не для любой задачи, и ИИ не заменит инженерное мышление. Отдельно он заметил, что «консилиум из пяти моделей» красиво смотрится в кейсе на Хабр, а бизнесу часто нужен просто обработанный документ.
По производительности: на RTX 3090 спикер получает порядка 150 токенов в секунду, а на хорошем движке показывал и ~163 ток/с при большом контексте. В таком офисе одновременно обычно 2–3 запроса — кто-то с документами, кто-то с клиентом, кто-то на обеде, — и задачи идут из очереди, а не как вечный чат в ChatGPT. Оговорка с лекции звучит как «пока не справляются»: через полгода–год сетапы из «палок» могут потянуть то, что сегодня тянет только облако, поэтому инвестиция в понимание локального инференса — не только про сегодняшнюю экономию.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Как сайту получить клик из ИИ-обзоров Google, если описание страницы пишет нейросеть
**Google тестирует ИИ-пересказы страниц в карточках источников AI Overviews**
Google тестирует в ИИ-обзорах короткие пересказы страниц прямо в карточках источников. По наблюдению Search Engine Roundtable, такие сводки появляются в карточках справа и снизу от ответа AI Overviews. SEO-специалист Броди Кларк, который заметил тест, описал главное отличие от привычного сниппета: текст в карточке не совпадает со страницей дословно — Google пересказывает то, что считает самым релевантным запросу. Барри Шварц из Search Engine Roundtable тоже увидел сводки лишь на части своих тестовых запросов. Об официальном запуске Google не сообщал, пишет Топвизор Журнал; функция появляется не при каждом поиске, а страны, языки и устройства теста в
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 TokenRouter: непрерывная маршрутизация LLM по токенам
Опубликован разбор системы TokenRouter — Efficient Serving System for Token-Level LLM Routing, предназначенной для обслуживания инференса LLM с маршрутизацией на уровне токенов. В основе системы лежит принцип «программирование с точки зрения запроса, исполнения с точки зрения модели»: разработчик описывает логику маршрутизации для одного запроса, а рантайм запускает отдельный субсервер для каждой LLM и асинхронно распределяет запросы между ними.
Маршрутизация LLM перераспределяет запросы между разными моделями, сдвигая границу Парето «стоимость–качество» обслуживания. В продакшне давно применяют маршрутизацию на уровне сессии или запроса, однако, по утверждению многих исследователей, заметный выигрыш и по эффективности, и по качеству дает именно маршрутизация на уровне токенов. При этом технические запросы — расчет гармоник, разбор спецификаций, интерпретацию стандартов — лучше поручать специализированной модели, которая уверенно работает с формулами и таблицами, а общие — универсальной.
Токен-уровневая маршрутизация создает трудности для существующих систем. Во-первых, это десинхронизация шагов: разные LLM сильно различаются по времени на один шаг декодирования, и в синхронном батче каждый шаг ждет самую медленную модель, а быстрые простаивают. Во-вторых, задержка допуска в батч: из-за частых переключений моделей запрос попадает к целевой модели, когда та еще обрабатывает предыдущий батч, в расписании появляются простои, а батчи дробятся на мелкие. В-третьих, сложность реализации: текущие системы не дают интерфейса для решений о маршрутизации на каждом шаге, а логику маршрутов нужно согласовывать с непрерывным батчингом и кэшированием префиксов.
TokenRouter решает эти проблемы через асинхронное исполнение и планировщик с отложенным батчингом, который копит запросы и запускает их вместе, чтобы снизить среднюю задержку. Алгоритмы маршрутизации реализуются через интерфейс route-send-receive: запрос приходит на входную модель, где выполняется декодирование, после прямого прохода роутер решает, должен ли запрос продолжиться локально или быть передан другой модели; при делегировании текущая модель собирает необходимый контекст, такой как последние сгенерированные токены, и отправляет его целевой модели, которая продолжает декодирование и повторяет тот же процесс.
В экспериментах на разных алгоритмах маршрутизации, нагрузках и парах моделей TokenRouter обгоняет существующие системы по пропускной способности декодирования во много раз. Для клиента система выглядит как обычный сервер с одной LLM, а вся сложность обслуживания маршрутизации остается на рантайме, который сам оптимизирует исполнение между моделями и планирует батчи.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Промты не горят: может ли ИИ написать художественно ценный текст
**Промты не горят: может ли ИИ написать художественно ценный текст**
Писательница из ЮАР Корал Харт с помощью ИИ выпустила 370 книг за 20 месяцев — раньше, по её словам, она писала по 12–14 книг в год. Харт рассказывает, что сама придумывает, о чём будет книга, продумывает героев и составляет план глав, после чего использует разные модели, вычитывает полученный текст и дорабатывает историю. ИИ пишет черновик по её заданию, а она решает, что войдёт в книгу и что нужно переписать.
В материале также описан эксперимент: автор решил проверить на собственном рассказе, может ли нейросеть написать художественно ценный текст. Для опыта использовался ассистент для написания рассказов в BotHub — он работает в чате по заранее заданной инструкции: сначала уточняет идею и формат, задавая вопросы по одному, затем собирает короткий бриф, а после подтверждения пишет текст. Дальше с ним можно обсуждать правки и в конце получить рассказ в DOCX.
У Easy Writer в том же сервисе другой подход: тему, план, стиль и объём заполняют в форме, тогда как в ассистенте задание складывается в разговоре. Порядок работы задаёт промпт, с которым ассистент начинает каждую сессию; в пресете — Claude Sonnet 5.5 от Anthropic, температура 0.8, лимит ответа 16 тысяч токенов. При этом сервис иногда подбирает другую модель с учётом тарифа, так что название в пресете не всегда совпадает с моделью конкретного запуска.
Под художественной ценностью автор понимает то, насколько точно и тонко текст показывает личность человека и его переживания, а также оставляет ли он читателю пространство для собственных выводов. Для сравнения выбраны признаки: характерный жест или привычка, поступки с противоречиями и собственной логикой, диалог с недоговорённостью, выбор слов и ритм, определяющие точку зрения, и связанность деталей, поддерживающих смысл сцены. По каждому признаку автор разбирает конкретные фразы и детали — что они дают понять о героях и как меняют впечатление от сцены.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Контекст ИИ-агентов: что хранить, что читать и чему доверять
# Контекст ИИ-агентов: что хранить, что читать и чему доверять
В начале ноября автор на Хабре рассказал, как после блокировки платной организации Claude Code перешёл на Codex и попытался сохранить историю проектов. Код остался на компьютере, репозитории никуда не исчезли, но за несколько месяцев накопились десятки разговоров об архитектуре, ошибках, экспериментах и планах, и далеко не всё попало в документацию. Публикация вызвала спор о том, нужна ли история диалогов, если есть Git, документация и спецификации.
Штатный импорт в Codex оказался неудобным: из 25 проектов и 53 чатов удалось перенести около 50 сессий, но привязка переписок к проектам получилась неудачной. В итоге автор нашёл Hansard и стал обращаться к старой истории через поиск. В комментариях greenrus предложил хранить решения и планы в Git, mist56 напомнил про skills, KB и документацию, а затем указал на количество мусора в старых диалогах, becefi поднял вопрос о переносе состояния рассуждений и различиях между протоколами моделей. RouR написал отдельную статью «Контекст должен быть в репозитории, а не в чате», где описал GRACE и doubled-graph.
По итогам изучения подходов автор пришёл к выводу, что сохранить историю, передать незавершённую работу и предоставить агенту достоверные знания — не одно и то же. Новому агенту, впервые открывающему существующий проект, нужно понять архитектуру, ограничения и текущее состояние работы. Код показывает, что реализовано сейчас, но не обязательно объясняет, почему выбрали такую архитектуру; документация может содержать причины, если их записали и своевременно обновляли; история разговоров сохраняет больше подробностей, однако вместе с ними — ошибочные гипотезы и устаревшие сведения.
Поэтому задача не в том, чтобы заставить агента прочитать всё: нужно выбрать подходящий источник и определить, насколько полученной информации можно доверять. В небольшом проекте часто достаточно AGENTS.md или CLAUDE.md, актуальной документации, ADR, рабочих планов и тестов. При этом Git сам по себе не является системой памяти — это контроль версий: в репозитории можно хранить спецификации, решения, планы и даже историю сессий, но важнее содержание и актуальность этих материалов.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Применение ИИ в проведении численных экспериментов и оформлении статей поисковых НИР
Математик Максим Шевченко поделился результатами использования искусственного интеллекта в своих исследованиях — при проведении численных экспериментов и оформлении статей поисковых НИР. Препринты работ он выложил на SciUp, среди них «Метод поразрядной линеаризации дискретного логарифма» и «Параметризация линейных диофантовых уравнений кососимметричными матрицами»; новые работы и исправленные версии он планирует выкладывать по ходу дела.
В качестве LLM автор использовал Gemini в браузере Google Chrome, а языком программирования — Python, причём с активной помощью ИИ. Численные эксперименты проводились, чтобы определить время выполнения, потребление оперативной памяти и учесть «шум» окружающей среды (влияние операционной системы и фоновых процессов) при работе разработанных алгоритмов, то есть затраты ресурсов на вычисления. Поисковую работу автор определяет как работу под девизом «А что будет, если…»: строгого плана нет, сроки завершения и области применения заранее не определены, а из бизнес-методологий ей ближе Agile, чем Waterfall.
Отдельно Шевченко описал диалог двух сессий ИИ — фактически двух вкладок браузера, между которыми он вручную копировал информацию с предисловием «Есть такое мнение, что…». Такой «спор» полезен хотя бы для обнаружения ошибок самого ИИ: если по известной логике верен только один ответ,
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Как отделить помощь автору от подмены научной работы
# «2,1 миллиарда цапель»: как ошибка в данных дошла до Science и что ИИ способен проверить до публикации
В августе 2026 года журнал Science опубликовал статью о том, что политика Китая по расширению солнечной энергетики снижает разнообразие птиц. Внимательные читатели заметили, что указанная в работе цифра — 2,1 миллиарда белых цапель — превышает мировую популяцию этих птиц примерно в тысячу раз. При перепроверке данных выяснилось, что в 2015 году в провинции Гуандун была внесена запись «белая цапля — 2 147 483 647 особей». Это число в точности равно максимальному значению 32-битного целого числа со знаком в информатике (2³¹ − 1), то есть, скорее всего, речь о результате сбоя при вводе данных или ошибки в системе, а не о реальном подсчёте птиц. Ошибки заметили уже после публикации: читатели перепроверили цифры и методику исследования и раскритиковали его результаты.
Существенная деталь: ИИ в этой истории не замешан, все ошибки исследования принадлежат человеку. Отсюда вопрос, который разбирает автор материала: смог бы ИИ заметить несоответствия до публикации и уберечь исследователей и журнал от скандала? Скорее нет. ИИ-проверяльщик мог бы зацепиться за цифру в 2,1 миллиарда цапель и указать, что это во много раз больше всей мировой популяции, но многое зависело бы от постановки задачи. Грубые ошибки говорят о том, что в процессе исследования не сработали контрольные точки: данные собрали, проанализировали, написали статью, отправили в журнал — и на каком-то этапе должна была случиться проверка того, имеют ли исходные числа вообще смысл.
При этом ИИ может легитимно помогать не только с поиском литературы, переводом и составлением плана работы, но и выступать инструментом контроля на определённых этапах исследования: проверить, сходятся ли цифры, существуют ли ссылки, воспроизводится ли код. А вот решить, пригодны ли данные для метода, правильно ли выбраны переменные и что вообще считать «нормальным
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Скелет для ИИ: почему BPM-платформа важнее модели
**«Диасофт» объяснил, почему ИИ-агентам в Digital Q.BPM нужен формальный «скелет» BPMN 2.0**
Руководитель команды «Технологическая платформа Digital Q.BPM» Илья Виноградов опубликовал на Хабре материал о том, как ИИ-агенты Digital Q.BPM работают внутри платформы. По его формулировке, пригодность прикладных решений, созданных с помощью искусственного интеллекта, для промышленной эксплуатации и сопровождения определяет именно платформа, а не модель. В тексте он разбирает механику работы ИИ-агентов на примере сквозного сценария, причины, по которым результатам агентов Digital Q.BPM можно доверять, а также экономику: что изменилось, когда генерация стала почти бесплатной, и где по-прежнему тратится время специалиста.
В качестве контекста автор приводит несколько внешних фактов. В сентябре этого года создатель Ruby on Rails Дэвид Хайнемайер Ханссон, публично критиковавший облака и вернувший свои компании на собственное железо, заявил: «Написание кода вручную перестало быть экономически выгодным для подавляющего большинства программистов, работающих в подавляющем большинстве компаний». Сам он, по его словам, не написал ни строки вручную примерно с марта 2026 года, а в его компании 37signals ручное кодирование объявлено исключительным событием. При этом доверие к ИИ-коду остаётся низким: опрос Sonar, проведённый в начале 2026 года, показал, что на ИИ приходится 42 % кода, попадающего в коммиты, но 96 % разработчиков не доверяют ему без проверки, а 38 % считают ревью ИИ-кода тяжелее ревью кода коллег.
Отдельно приводится оценка Gartner от октября 2025 года: к 2028 году внедрение подхода «от промпта к приложению» (prompt-to-app approach) непрофессиональными разработчиками приведёт к увеличению числа дефектов программного обеспечения на 2500 % и к кризису качества и надёжности ПО. Причина, по мнению Gartner, — «код с недостаточным контекстом» (context-deficient code): модель пишет код, не зная, в какой системе он будет жить.
По описанию Виноградова, в BPM-платформе от «Диасофт» эту роль выполняет формальный скелет. Нотация BPMN 2.0 и DMN — это формальные XML-документы со схемой, по которой их можно проверить; нотация задаёт, какие элементы допустимы при описании исполняемых процессов, как они соединяются и что считается ошибкой. Технологический стек low-code Digital Q (интерфейсы на Angular, скрипты на Groovy, бэкенд на Java, Spring Boot и Go) задаёт технологические границы, в которых агент не свободен, а готовые компоненты платформы и правила их использования определяют структуру и требования к объектам, которые агент вправе создавать. Агенты работают с машиночитаемыми спецификациями процессов, на их основе строят BPMN-модель и проверяют бизнес-логику в режиме критика; на соседние процессы, справочники, роли и существующие формы агент может опереться, только если в запросе или контексте есть указатели на обращение к этим данным через API или MCP (Model Context Protocol), а доступ ограничен правами и возможностями подключённых инструментов.
Пользователям ИИ важнее всего вывод автора о распределении ролей: языковая модель «похожа на мышцы» — сильная и быстрая, но бесформенная, а платформа первична, поскольку определяет, что считается целевым прикладным продуктом и как его бизнес будет использовать и развивать; агент вторичен, так как его права и возможности ограничены платфор
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 Как оценить надежность диагнозов LLM, если доступен только API
**FusionBrain представила подход к оценке надежности диагнозов LLM при доступе к модели только через API**
Научный сотрудник лаборатории FusionBrain Глеб Кузьмин рассказал о работе «Uncertainty Guardrails for LLM-Based Medical Diagnostic Systems». Она была представлена на Industry track EMNLP 2026, а на воркшопе UncertaiNLP 2026 получила Spotlight. Исследование посвящено задаче оценки неопределенности ответов модели медицинской диагностики.
Медицинские консультации стали одной из первых областей активного применения LLM, и галлюцинации моделей здесь остаются реальной проблемой, поскольку на кону здоровье людей. Методы оценки неопределенности (uncertainty quantification, UQ) присваивают ответу меру уверенности модели: если она низка, врачу стоит быть внимательнее. В описанной системе ассистент работает с диалогом первичного сбора анамнеза, а GigaChat-2-Max по этому диалогу предлагает до трех диагностических гипотез. Поскольку в одном ответе могут соседствовать хорошо обоснованный диагноз и предположение почти без предпосылок, уверенность оценивается отдельно для каждого диагноза, а не усредняется. Дополнительный механизм «guardrail» присваивает каждому диагнозу уровень уверенности и показывает их врачу; основную LLM переобучать не требуется, хотя сам модуль оценки обучается отдельно. Уверенность здесь характеризует надежность вывода модели по имеющемуся диалогу и соответствует единице минус значение оценки неопределенности, но не является вероятностью заболевания у пациента.
В работе сравнили 16 методов оценки неопределенности. Одна группа использует повторные генерации и сравнение ответов по смыслу, как правило с помощью дополнительной модели для natural language inference (NLI). Другая группа, Text-Based UQ (TB UQ), использует только текст диалога и диагноза и совместима с закрытой моделью-ассистентом. Третья группа опирается на внутренние признаки LLM: вероятности токенов, скрытые состояния и значения attention; в частности, такой подход используется в методе UHead. Однако внутренние признаки GigaChat-2-Max, который ставил диагнозы, недоступны, поэтому наиболее очевидным бейзлайном стало сэмплирование ответов и сравнение их по смыслу.
С этим подходом возникла доменная проблема: «острый панкреатит» и «обострение хронического панкреатита» могут выглядеть похоже, но в задаче соответствуют разным состояниям, а формулировки, различающиеся текстуально, эксперт может считать соответствующими друг другу. Обычная NLI-модель может не учитывать такие различия. Для решения этой проблемы обучили специализированную модель сопоставления диагнозов на основе ModernBERT на экспертной разметке пар диагнозов и решениях ансамбля моделей. После этого универсальные NLI-модели в нескольких методах UQ заменили обученной доменной моделью. В эксперименте с открытой GigaChat-2-Lite это улучшило два из трех проверенных методов на основе семантического сравнения.
Обратить внимание стоит на два ограничения. Улучшение NLI-модели для семантического сравнения повышает качество оценок неопределенности, но такой модификации оказалось недостаточно, чтобы получить лучший результат среди всех подходов. Кроме того, уверенность модели нельзя рассматривать как вероятность заболевания: для этого нужны другие методы и дополнительная калибровка оценок неопределенности.
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
🤖 22 страницы за один рабочий день: как я сделала редизайн сайта с ИИ, не будучи дизайнером
**22 страницы за один рабочий день: маркетолог ИТ-компании сделала редизайн сайта с ИИ без дизайнера**
Маркетолог ИТ-компании на ~60 специалистов (аутстафф, рынок РФ) рассказала, как в одиночку провела редизайн корпоративного сайта с помощью ИИ. Объём работы — 22 страницы и пять новых кейсов. Чистого времени на дизайн ушёл один рабочий день, хотя проект растянулся примерно на четыре: редизайн шёл кусками между остальными задачами, поскольку маркетинг в компании представлен одним человеком. Код — около 6 000 строк — писала не автор, а ИИ; ни один дизайнер в проекте не участвовал. До этого автор так же, практически в одиночку и с помощью ИИ, провела 35+ глубинных интервью.
Работа началась с одной страницы — «Аутстаффинг разработчиков». Задача была сформулирована без ТЗ: сделать приятнее и читаемее, а за образец взять собственные статьи и кейсы компании. До конца проекта автор зафиксировала три правила: фирменный стиль остаётся (чёрный фон, зелёный #80d207, шрифты Oswald и Roboto, никакого ребрендинга); меню и подвал не меняются — пункты, порядок и выпадающие подразделы остаются как есть, чтобы человек, привыкший к сайту, в нём не потерялся; тексты не трогаются, меняется подача, а не содержание. Третье правило оказалось самым полезным: тексты берутся из CMS как есть, оформление собирается по шаблону, и одна удачная страница сразу превращается в десять.
Для пользователей ИИ кейс важен распределением ролей. ИИ здесь
Категория: ИИ
Теги: #ИИ #AI #Нейросети #Искра
