Посты канала Технозаметки Малышева

сначала новые

#9150Фотоизменён

Argon от Google переписал модель океана из 174 тысяч строк Fortran в Rust за 59 минут 🎯 Разработчики взяли FVCOM, модель прибрежного океана из 264 файлов и 174 774 строк, а Argon от Google переписал её на Rust за 59 минут. Скорость выросла в 1,88 раза. ⚙️ Задание было из четырёх условий: никаких блоков unsafe, без выделений памяти в горячих циклах, файл до 400 строк с тестами, а числа обязаны совпасть с оригиналом на ста прогонах. 🕐 Работа шла в три этапа: одиннадцать минут на сборку и эталоны, три минуты на план, сорок пять минут на перенос в 13 модулей Rust. 🐞 Перенос вскрыл ошибки, которые в Фортране не были видны годами: одна запись выходила за массив на 50 колонок, счёт из трёх номеров узлов переполнял 32 бита на большой сетке, а солёность могла уйти в минус и попасть под корень. Строку H1(0) = H1(1) Argon объяснил как обход деления на ноль. 🧪 Первый прогон дал 36 из 37. Один тест упал на бассейне, где вся вода лежит одним слоем: расчёт полез за нижний слой, которого нет. Argon прочитал трассировку, добавил проверку и получил 42 из 42 при покрытии 96,8%, а сто прогонов совпали до 12-го знака. 📈 Скорость росла так: 883, 682, 548 и 469 мс после LLVM-профиля. Памяти программа стала занимать вдвое меньше: 5,48 МБ вместо 11,84 МБ. 💡 Навык Google выложил навыком migrate-to-rust: одна команда запускает её на любом коде. 📎 https://antigravity.google/blog/modernizing-40-year-old-scientific-code-with-gemini-4-argon · https://github.com/google/skills/tree/main/skills/developers/migrate-to-rust #Gemini #Antigravity #Rust #Fortran ------ @tsingular

Открыть в Telegram
Просмотры327−83%к среднему
Пересылки10
Реакции7
Комментарии1
#9143Фотоальбомизменён

Не даёт мне покоя тема самоулучшения навыков. Актуальность её растет тем сильнее, чем больше агентов внедряются в компаниях. Каждый из них множит свои навыки и при этом не всегда оптимально и успешно. Вы в это тоже упрётесь, если ещё нет. Поэтому предлагаю вместе посмотреть, как в разных работах предлагают навыки оптимизировать. Разобрал шесть работ 2026 года, обзор 124 исследований и Harness² от Google. Основные выводы пока такие: Контроль пороговых значений и метрик даёт больше, чем количество попыток. Когда количество навыков разрастается до нескольких десятков, простой поиск по сходству перестаёт работать надёжно и находить нужный навык, нужны иерархия, связи, версии и временные метки. Все методы пока проверяют эффект работы навыка после его запуска. Следующий шаг, - модель, которая оценит эффект от изменения навыка ДО его запуска. Обсудим в эфире на канале ИИзбранное в воскресенье в 20:00 Презентация там же #навыки #агенты #презентации #руководства ——— @tsingular

Открыть в Telegram
Просмотры1 040−46%к среднему
Пересылки33
Реакции11
Комментарии0
#9138Фотоальбом
Просмотры1 371−29%к среднему
Пересылки10
Реакции24
Комментарии0
#9137Видео

pg-jev: классификатор прикрутили к Postgres 🎯 появился плагин к Postgres, позволяющий фильтровать данные по смыслу: WHERE jev(reviews, 'клиент злится'). Без векторной колонки, индекса и отдельного сервиса рядом. Это расширение pg-jev: строки уходят в модель Jev от TypeSafe, которая возвращает вероятность «да/нет», выбранную метку или оценку по шкале. Ответ приходит числом, и SQL сразу его сортирует и складывает с обычными условиями. ⚙️ Функций четыре: jev() работает в WHERE, jev_prob() даёт вероятность, jev_choice() выбирает метку из списка, jev_score() ставит строку на шкалу. Строки уходят пакетами по двадцать штук, ответы кэшируются на время сессии. 📊 Замер на 2 000 строк: первый прогон 3,5 секунды, 100 запросов, около 296 тысяч токенов и 1,2 цента. Второй прогон - 50 миллисекунд, LIMIT 3 на новом условии - 0,6 секунды. ⚠️ В режиме по умолчанию вы отдаёте свои данные в чужой API. Хорошая новость в том, что адрес API можно заменить на свой сервер, и данные не покинут сеть. 💡 По сути это такой интересный вариант динамической онтологи. Быстрая оценка,- подходят ли данные для ответа на запрос. Лицензия PostgreSQL, 1,2 тыс. звёзд. 📎 https://github.com/realZachi/pg-jev · https://pgjev.com #Postgres #SQL #OpenSource #Jev ------ @tsingular

Открыть в Telegram
Просмотры1 575−19%к среднему
Пересылки71
Реакции17
Комментарии3
#9136Фото

Revolut перешли на GLM: счёт за код снизился в 10 раз 🎯 Revolut перевела 2 000 инженеров с Claude Code и Codex на открытые веса GLM Модель крутят на своих 56 чипах Nvidia B200. Получается 30 центов за миллион токенов И это десятая часть того, что уходило в Anthropic и OpenAI 🔁 Безлимит на инференс развязал разрабам руки. Раньше они ждали отката лимитов и тратили время между сессиями. Теперь же могут работать в удобном для себя ритме, что в итоге ускорило время написания кода на 60%, а путь от задачи до мержа на 70%. 📦 Контекст для разработки держат на 256 тысяч токенов, хотя модель держит миллион: длинный контекст занимает память видеокарт и мешает параллельным запросам. Квантизация FP4 на Blackwell экономит около 40% этой памяти без потери точности. Zai агрессивно растут. Что интересно,- они и партнерку активно развивают. У других китайских LLM вендоров такого не видел, а эти товарищи прям фокусно работают над b2b и маркетингом. В том числе в Европе. 📎 Запись доклада и расшифровка #GLM #Revolut #zai ——— @tsingular

Открыть в Telegram
Просмотры1 616−16%к среднему
Пересылки35
Реакции29
Комментарии16
#9135Фотоизменён
Просмотры1 100−43%к среднему
Пересылки7
Реакции24
Комментарии41
#9134Фото
Просмотры1 119−42%к среднему
Пересылки16
Реакции25
Комментарии20
#9133Фото

Переслано из Machinelearning

📌CLEAR измерила налог на токенизатор в разных языках Объединение Coalition for Language Equity in AI Research (CLEAR), опубликовало первое из своих исследований языкового равенства. Поставщики моделей берут плату за токен независимо от языка, а токенизаторы обучены в основном на английском и десятке высокоресурсных языков, поэтому текст на остальных распадается на более мелкие куски и обходится дороже при том же смысле. На одну фразу токенизатор GPT-5 расходует 13 токенов в английском варианте, 26 в малаялам и 78 в амхарском, потому что каждый знак эфиопского письма разбивается на два токена по одному байту. Ввод на амхарском выходит в шесть раз дороже английского при том же содержании и почти том же числе символов. Замеры проводили на наборе фраз FLORES-200, в анализ взяли 203 пары языка и письменности. Главная метрика - отношение числа токенов у самого дорогого языка к самому дешёвому, в дополнение считали коэффициент Джини, взятую из экономики меру неравномерности распределения, которой обычно описывают расслоение доходов. CLEAR придумала шкалу оценки: до трёх раз A, до шести B, до девяти C, до двенадцати D, выше - F. 🟡 Результаты На двадцати самых представленных в интернете языках модели почти равны между собой, разброс от 1,5 до 3,1 раза. На всех 200 языках единственная модель, кто получил высший грейд А - это переводческая NLLB-200, собранная под 200+ языков изначально. Gemini и Gemma получили оценку B. Китайский стек (Qwen 3, DeepSeek V4.1 Flash и Kimi K3) вместе с Fable 5, Opus 4.8 и Llama 4 Scout - D , у GPT-5 - F. 🟡Письменность важнее числа говорящих Латинские языки экономнее даже при малом распространении - астурийский в данных Common Crawl не встречается, но выигрывает от латиницы и родственных романских языков. Хуже всего приходится бирманскому, тибетскому, тифинагу, кхмерскому, лаосскому и ол-чики. Под налог попадают и крупные языки - урду с 288 млн говорящих, бенгальский с 266 млн, панджаби с 200 млн. Кроме цены авторы называют ещё два следствия, которые идут от того же лишнего объёма токенов: 🟠задержка ответа растёт, потому что на тот же текст модель считает больше токенов; 🟠полезная ёмкость контекста уменьшается - в редком языке в те же номинальные 128 тысяч токенов влезает лишь часть текста, который по-английски уместился бы целиком. От ИИ-вендоров CLEAR просит публиковать обе метрики в карточках моделей, закладывать долю языков в словарь следующего поколения токенизаторов и, поскольку токенизатор до обучения новой базовой модели не поменять, прямо сейчас нормировать цену по символам. Код для запуска теста на других моделях лежит в репозитории проекта. Продолжение про равенство качества ответов по языкам CLEAR обещает опубликовать позже. @ai_machinelearning_big_data #AI #ML #NLP #Research #CLEAR

Открыть в Telegram
Просмотры1 212−37%к среднему
Пересылки15
Реакции6
Комментарии1
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч194
10 ч1 212
  1. Всего сейчас1 212
#9132Фото

Better-auth: универсальная авторизация для агентов Наткнулся на интересный открытый фреймворк для авторизации, который подходит в том числе и для ИИ агентов и для MCP инструментов. 🎯 Обычно, агенту, который читает почту, выдают тот же токен, что и человеку. Отзывать его накладно, ограничивать дополнительно, - сложно или невозможно вообще, а в журнале при этом он выглядит или как обычный системный или вообще как учётка обычного пользователя. Better-auth даёт агенту собственную личность: срок, права и след. 🔑 Сервис описывает действия: что на входе и выходе. Агент читает это описание по известному адресу и говорит, чего хочет. Потом ждёт. Человек подтверждает запрос кодом или отпечатком пальца - поддерживаются все популярные типы аутентификации. Агент получает токен на ограниченное время, например на десять минут и только под этот сервис или действия. Есть защита от повторных запросов и журналирование. 🔌 MCP-сервера поддерживают через такую же механику: приложение само выдаёт токены. Клиент не регистрируется вручную: он держит файл с описанием на своём сайте, сервер читает оттуда. Токен выдан под конкретный сервер, поэтому украденный токен бесполезен. 🧩 Остальное привычно: пароль, соцсети, вход из консоли, OIDC и отзыв. Потолок прав машинному клиенту задаёт администратор. MIT, 30,6 тыс. звёзд, версия 1.7.15. 💡 Польза для нас в том, что не нужно писать свой слой авторизации для агентов и объяснять безопасникам, почему бот ходит под чужой учёткой. Но есть ограничения: библиотека работает только с TypeScript, а стандарт Agent Auth ещё в процессе доработок. Изучаем, забираем тут: https://github.com/better-auth/better-auth https://better-auth.com/docs/plugins/agent-auth #MCP #OAuth #betterauth #OpenSource #агенты ––– @tsingular

Открыть в Telegram
Просмотры1 539−20%к среднему
Пересылки61
Реакции9
Комментарии2
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
4 ч990
14 ч1 539
  1. Через 6 часов990
  2. Всего сейчас1 539
#9131Фото

Переслано из Machinelearning

📌 Сбер открыл исходный код Kandinsky Avatar 1.0 для генерации говорящих видеоаватаров Модель создаёт ролики продолжительностью до 60 секунд с частотой 24 кадра в секунду. Для генерации достаточно изображения, аудиозаписи и текстового описания сцены. Kandinsky Avatar 1.0 синхронизирует артикуляцию с речью, добавляет мимику, движения головы и жесты. Поддерживаются разные языки, для обучения использовали более миллиона видеофрагментов на 95 языках. Разработчикам доступны две версии: Pro — генерация видео в HD, по оценке Сбера, качество сопоставимо с HeyGen IV. Lite — создание роликов в SD, модель можно запустить на домашней видеокарте. Сбер открыл модели для коммерческого использования. На их основе можно разрабатывать виртуальных консультантов, образовательные сервисы, инструменты локализации и приложения для создания видеоконтента https://huggingface.co/kandinskylab/Kandinsky-S2V-1.0-Pro-distill-Diffusers @ai_machinelearning_big_data #AI #Kandinsky #opensource

Открыть в Telegram
Просмотры1 460−24%к среднему
Пересылки46
Реакции14
Комментарии0
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
4 ч984
14 ч1 460
  1. Через 6 часов984
  2. Всего сейчас1 460
#9130Фото
Просмотры1 9390%к среднему
Пересылки22
Реакции25
Комментарии2
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
1 ч494
8 ч1 434
27 ч1 939
  1. Через 1 час494
  2. Через 6 часов1 434
  3. Через 24 часа1 939
  4. Всего сейчас1 939
#9129Фото

Переслано из НИИ ИИ

Сахил Лавингия, основатель Gumroad, написал книгу «Минималистичный предприниматель» о том, как строить небольшой прибыльный бизнес. На её основе он создал набор навыков для ИИ. Один из них, /mvp, помогает ограничить первую версию продукта одной задачей и выбрать самый простой способ её выполнить. Например, вы хотите превращать записи вебинаров в материалы для соцсетей. Здесь легко увлечься: добавить личный кабинет, выбор площадок, календарь публикаций, нарезку видео, аналитику. С ИИ каждую новую функцию можно сразу попросить собрать. Список растёт, а первый клиент всё ещё ждёт свои тексты. У Лавингии есть ориентир: собрать первую версию за выходные. Если объём не помещается, его нужно сократить. В нашем примере можно начать с конкретного предложения: из одной записи вебинара подготовить три поста для Telegram и передать автору на согласование. Для такой версии достаточно получить ссылку на видео и описание аудитории, сделать расшифровку и подготовить тексты в общем документе. Часть работы выполнит ИИ, выбор мыслей и проверка останутся за человеком. Личный кабинет пока можно отложить: запись принимается через форму или переписку. Уже на этом этапе автор сможет прочитать посты и дать обратную связь. Возможно, ему нужны более короткие тексты. Возможно, важные для него мысли остались за пределами подборки. Эти замечания помогут уточнить сам результат, прежде чем вы потратите время на интерфейс вокруг него. Навык помогает сформулировать, что именно делает первая версия, как её собрать доступными средствами и как быстро получить обратную связь. Автоматизацию Лавингия предлагает строить на процессе, который уже удалось выполнить вручную. https://github.com/slavingia/skills/blob/main/skills/mvp/SKILL.md

Открыть в Telegram
Просмотры1 923−1%к среднему
Пересылки77
Реакции20
Комментарии1
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
2 ч851
9 ч1 469
28 ч1 923
  1. Через 24 часа1 923
  2. Всего сейчас1 923
#9128Фото
Просмотры1 899−2%к среднему
Пересылки35
Реакции33
Комментарии0
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч1 412
24 ч1 899
  1. Через 6 часов1 412
  2. Через 24 часа1 899
  3. Всего сейчас1 899
#9127Фото
Просмотры2 140+11%к среднему
Пересылки7
Реакции12
Комментарии0
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
4 ч549
14 ч1 840
32 ч2 140
  1. Через 6 часов549
  2. Через 24 часа2 140
  3. Всего сейчас2 140
#9126Фотоизменён

Wonder Valley: один датацентр с тепловыделением 23х Хиросим в день 🎯 «Все усилия „зеленых“ были зря» — по расчёту физика Роберта Дэвиса, площадка Wonder Valley в Альберте выбросит 30 млн тонн CO2 за год — больше 4% выбросов Канады. За сутки она отдаст столько тепла, сколько дали бы 23 бомбы, сброшенные на Хиросиму. Стоимость — $70 млрд, место — округ Гринвью, территория народа Sturgeon Lake Cree. 🔥 Дэвис насчитал 18 ГВт тепла в сутки и назвал площадку самым большим источником тепла в одной точке на планете. Расчёт предварительный, по открытым данным: на месте ничего не измеряли. ⚖️ Жители Sturgeon Lake Cree подали в суд, потому что провинция решила, что полная экологическая оценка проекту не нужна. Альберта отвечает: питание и охлаждение здесь стандартные, проверены годами, а разрешения на воздух, землю и воду нужны всё равно. 🧩 Дэвис возражает: «Разрешения проверяют части, а оценка проверяет целое». Глава O'Leary Digital Пол Паланджян пишет, что компания проходит проверки и говорит с общинами. Вождь Шелдон Саншайн говорит, что проект пошёл совсем не тем путём. 📎 История вопроса: https://www.cbc.ca/news/canada/edmonton/wonder-valley-data-centre-environmental-impact-assessment-9.7158526 Make Greenland green again, так сказать. И все ради генерации видео с котиками. #ЦОД #Инфраструктура #Экология ——— @tsingular

Открыть в Telegram
Просмотры2 069+7%к среднему
Пересылки18
Реакции17
Комментарии34
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
4 ч577
15 ч1 769
32 ч2 069
  1. Через 6 часов577
  2. Через 24 часа2 069
  3. Всего сейчас2 069
#9125Видео
Просмотры1 980+2%к среднему
Пересылки15
Реакции19
Комментарии7
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
5 ч674
15 ч1 703
33 ч1 980
  1. Через 6 часов674
  2. Всего сейчас1 980
#9124Фото

GPT-6 читает и правит веса нейросетей напрямую, - люди так не умеют 🎯 MIT CSAIL показали: GPT-6 Astra по одним числам весов понимает, чему обучена сеть, и меняет их без градиентов. Человеку такой разбор не под силу — веса для нас остаются списком чисел. Главный результат: правка 0,016% весов подняла MATH-500 у Qwen3.5-0.8B с 7,9% до 48,1% — без единого шага обучения!!! 🧠 Чтение. У четырёх PPO-сетей одна архитектура и 17 253 веса; Astra назвала игру каждой, не видя списка вариантов. У трёх языковых моделей срезали входной и выходной слои — она определила язык и нашла все copying-головы, совпав с измерениями. 🔧 "Ремонт машины": Машина в Kinetix застревала на рампе: 0 успехов из 256 эпизодов. Astra изменила 3,5% весов одним ответом — прошли 1 024 из 1 024. ⚡️ Сетки с нуля. Без данных и градиентов она написала сети для трёх игр MinAtar: в Breakout 517,4 очка против 25,3 у PPO после 500 млн шагов. Для Go хватило 50 прогонов сети, чтобы обойти обученную модель. 💡 Предел возможностей. Gemma 3 270M она не улучшила: ошибки там размазаны, одного виновника нет. Правка снимает помеху, но не добавляет способность. 📎 Логи всех экспериментов: https://github.com/RikiyaT/lm_understand-logs Когда сингулярность наступит, - вам никто не скажет, но будут знаки. #LLM #MIT #обучение ——— @tsingular

Открыть в Telegram
Просмотры2 437+26%к среднему
Пересылки81
Реакции43
Комментарии8
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
6 ч1 192
34 ч2 437
  1. Через 6 часов1 192
  2. Всего сейчас2 437
#9123Фотоальбом
Просмотры2 285+18%к среднему
Пересылки92
Реакции—
Комментарии—
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч1 377
24 ч2 285
  1. Через 6 часов1 377
  2. Через 24 часа2 285
  3. Всего сейчас2 285
#9122Фотоальбомизменён
Просмотры2 308+19%к среднему
Пересылки92
Реакции30
Комментарии43
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
7 ч1 379
17 ч2 161
24 ч2 308
  1. Через 6 часов1 379
  2. Через 24 часа2 308
  3. Всего сейчас2 308
#9121Видео

Переслано из Derp Learning

Mago Studio - opensource local-frist end-to-end AI production studio Не прошло и месяца как Maga Mago Studio опенсорснули (в отличие от некоторых гарфилдов). Есть полноценные пайпланы для работы с картинками, видео, и генерации короткого метра из сценария. С историей настроек, возможностью итерации, редактирования, вот это вот все. С нормальным управлением проектами, а не все рендеры в кучу в общей истории и 'завтра разберусь' Локально крктится на Qwen 3.8 как LLM, Qwen 3VL для описания картинок и оценки генераций на соответствие промту, Minimax h3 для видео, Qwen Image/Edit, Flux - для генерации\редактирования картинок. Поскольку это опенсорс, можно легко заменить предлагаемые веса на эти ваши любимые unсensored lgtv+ abliterated furfag2000 edition, добавить свои модели, апи, сделать еще более ночную тему. И, что самое главное, дизайн разработан не программистами (A1111 привет) твит код лайк шер алишер, звезды в репу, пожелания в комменты

Открыть в Telegram
Просмотры1 890−2%к среднему
Пересылки75
Реакции21
Комментарии3
Динамика просмотровСкрыть динамику

Рост просмотров

Часов после публикации

Показать таблицей
Часов после публикацииПросмотры
0 ч0
8 ч1 327
25 ч1 890
  1. Через 6 часов1 327
  2. Через 24 часа1 890
  3. Всего сейчас1 890