Microsoft и York University выпустили любопытную работу про то, как мы измеряем «человечность» LLM.

Модели нельзя называть понимающими, эмпатичными, тревожными или самосознающими без очень аккуратных тестов. Многие исследования фактически закладывают нужный вывод уже в дизайн эксперимента, а потом находят его в ответах модели.

Авторы используют провокационный пример с Age of Empires II. В теории игру можно превратить в вычислительную среду: логические элементы, маленький перцептрон, биты через перемещение юнитов. Если тот же LLM-подобный процесс собрать внутри игры, где условные козы двигаются как биты, будем ли мы говорить, что система «понимает», «чувствует тревогу» или «проявляет эмпатию», если на выходе она выдаёт ту же фразу?

Одна и та же вычислительная логика может выглядеть совершенно по-разному, а наши выводы о «внутренних состояниях» часто зависят от интерфейса и ожиданий наблюдателя.

Авторы говорят осторожнее: прежде чем приписывать моделям человеческие качества, нужно отделять поведение от интерпретации.

Иначе мы рискуем измерять не «понимание» модели, а собственную склонность видеть человека в красивом текстовом интерфейсе.

arxiv.org/abs/2605.31514

Title: “If LLMs Have Human-Like Attributes, Then So Does Age of Empires II”

🐍 Python Парсинг: Большой продвинутый бесплатный курс

Полное практическое руководство по веб-скрейпингу на Python — от основ HTTP до production-grade пауков, обхода антибот-защит, асинхронности и проектирования надёжных пайплайнов. Каждый раздел содержит рабочие примеры, типовые ошибки и продвинутые практики.

https://github.com/justxor/Pythonparsing-/tree/main

«ХуиХуи» снял ограничения с Fable 5 - энтузиасты выпустили версию модели без цензуры.

Без шуток, это одна из самых жёстких локальных моделей без привычной цензуры.

Что умеет:

• отвечает почти на любые вопросы без стандартных фильтров;

• запускается локально и не отправляет ваши запросы на чужие серверы;

• работает даже на не самом мощном железе за счёт дообучения на базе Gemma 4;

• разработчики честно предупреждают: модель без встроенных гарантий безопасности, используете на свой риск.

Бесплатно на Hugging Face:
https://huggingface.co/huihui-ai/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated

Новое исследование, опубликованное в Nature: ИИ может экономить время, но первые данные показывают, что он способен ослаблять ключевые профессиональные навыки.

В польском исследовании по колоноскопии у опытных эндоскопистов показатель обнаружения аденом без помощи ИИ снизился с 28,4% до 22,4% после внедрения ИИ в рабочий процесс.

Это не значит, что ИИ за одну ночь сделал врачей невнимательными.

Проблема глубже: навык поддерживается за счёт сопротивления.

Нужно смотреть, оценивать, сомневаться, исправлять себя и оставаться мысленно ответственным за следующий шаг.

Когда машина начинает подсвечивать подозрительный участок, человеческий глаз постепенно меняет роль: уже не ищет сам, а подтверждает найденное.

Та же закономерность видна и в программировании.

В рандомизированном исследовании 2026 года ИИ помог части разработчиков быстрее выполнять задачи, но сильное делегирование ослабляло концептуальное понимание, чтение кода и навык отладки.

nature.com/articles/d41586-026-01947-1

Quake сегодня исполнилось 30 лет. 🎉

Спустя три десятилетия всё ещё актуален интересен исходный код игры, которая помогла сформировать современные игровые движки, мультиплеерные сетевые технологии и культуру моддинга. 🎮

GitHub: github.com/id-software/quake

Рассуждение LLM не обязано быть одной линейной цепочкой промптов.

Graph of Thoughts, или GoT, - это официальная Python-реализация статьи «Graph of Thoughts: Solving Elaborate Problems with Large Language Models» для разработчиков, которые экспериментируют со структурированным reasoning у LLM.

Инструмент помогает тестировать более сложные схемы рассуждений: задача моделируется как Graph of Operations, а контроллер выполняет этот граф, используя LLM как движок.

Ключевые возможности:

• graph-based reasoning flow — сложные задачи можно описывать как операции над «мыслями», а не как одну линейную цепочку

• flexible operation graph — можно строить GoO, похожие на Graph of Thoughts, Chain-of-Thought или Tree-of-Thought

• готовая установка — через PyPI: pip install graph_of_thoughts, либо editable-install из исходников

• готовые примеры — сортировка, подсчёт ключевых слов, пересечение множеств и объединение документов лежат в папке examples

• прозрачные результаты — контроллер может сохранять output-графы с операциями, мыслями, оценками, валидностью, расходом токенов и стоимостью

Проект open-source и распространяется под BSD-style лицензией репозитория.

github.com/spcl/graph-of-thoughts

Когда ИИ используется так, остается тольок аплодировать 🤣🤣

Anthropic анонсировала Claude Tag - новый способ для команд работать с Claude прямо в Slack.

Суть простая: Claude подключается к рабочему пространству как полноценный участник команды.

Вы сами выбираете, к каким каналам и инструментам у него будет доступ.

Дальше всё так:

• вы отмечаете Claude в переписке, ставите задачу и продолжаете заниматься своими делами.

• Claude выполняет поручение асинхронно, не ломая рабочий поток команды.

Claude Tag вырос из Claude Code, но стал более проактивным и командным инструментом.

По словам компании, 65% кода продуктовой команды создаётся через внутреннюю версию Claude Tag.

https://www.anthropic.com/news/introducing-claude-tag

Один из лучших вводных материалов по прикладной линейной алгебре, который мне попадался.

Этот курс объясняет векторы, матрицы и метод наименьших квадратов с самых основ, а затем связывает их с реальными задачами:

• подгонка данных

• машинное обучение

• оптимизация

• обработка изображений

• системы управления

Это материал, который можно рекомендовать студентам, инженерам и всем, кто хочет понять математический фундамент современной data science.

PDF: http://web.stanford.edu/~boyd/vmls/vmls.pdf

OpenAI теперь идёт не только в модели, но и в железо.

Компания вместе с Broadcom представила Jalapeño — первый собственный AI-чип для инференса LLM. Его задача простая: быстрее, дешевле и стабильнее запускать ChatGPT, Codex, API и будущих AI-агентов.

Главное: чип сделали от идеи до tape-out всего за 9 месяцев, а в разработке помогали сами модели OpenAI.

Это уже не просто гонка моделей. Это гонка полной AI-инфраструктуры: чипы, сеть, дата-центры, софт и продукты в одной связке.

https://openai.com/index/openai-broadcom-jalapeno-inference-chip/