Говорят, может и не нужна куча отдельных этапов в обучении (pretrain, midtrain, SFT, RL) и предлагают унифицированное обучение.
Training Foundation Models with a Single Algorithm
Yuda Song, Alvin Zhang, Fahim Tajwar, Daman Arora, Jeff Schneider, Daniel Khashabi, Ruslan Salakhutdinov, J. Andrew Bagnell, Aarti Singh, Andrea Zanette
Paper: https://arxiv.org/abs/2610.40564
Code: https://github.com/yudasong/unified-training
Model: https://huggingface.co/sfanm/unified-training
Review: https://arxiviq.substack.com/p/training-foundation-models-with-a
ЧТО сделали: Авторы предложили единое обучение — фреймворк и асинхронную систему, которые объединяют предобучение, мидтрейнинг, SFT и RL в один взвешенный по токенам лосс максимального правдоподобия. Градиенты политики при этом выражаются через подгонку правдоподобия под целевые распределения, зависящие от награды.
ЧТО получили: На логических головоломках при разных пропорциях смешивания данных pass@1 составляет примерно 4–39% на размерах задач из обучающего распределения (против 12.24–24.54% у поэтапных бейзлайнов) и примерно 1–13% на новых задачах с 12 персонажами (против 5.58% у выбранного поэтапного бейзлайна). До старта RL подмешивание данных мидтрейнинга в предобучение удерживает точность на общих бенчмарках на уровне 41.85–42.42% (против 42.37% у чистого предобучения и 35.00–38.49% у отдельного мидтрейнинга). В математическом RL для модели на 0.76B параметров последующий RL на коде даёт 23.67–24.96% pass@1 на HumanEval+ при доле подмешивания 0.5–5% (против 22.94% при поэтапном обучении).
ПОЧЕМУ это важно: Отдельные пайплайны для предобучения, SFT и RL можно заменить одним непрерывным потоком данных и взвешенной кросс-энтропией. Это улучшает последующую адаптацию и предотвращает забывание. Однако все эксперименты проведены на моделях меньше 1B параметров, для модели на 0.76B объединение применялось только в финальном RL, и ни одно расписание смешивания не оказалось лучшим сразу по всем метрикам.
Обучать здесь: https://t.me/gonzo_ML_podcasts/4843
• Sent via TeleFeed
Training Foundation Models with a Single Algorithm
Yuda Song, Alvin Zhang, Fahim Tajwar, Daman Arora, Jeff Schneider, Daniel Khashabi, Ruslan Salakhutdinov, J. Andrew Bagnell, Aarti Singh, Andrea Zanette
Paper: https://arxiv.org/abs/2610.40564
Code: https://github.com/yudasong/unified-training
Model: https://huggingface.co/sfanm/unified-training
Review: https://arxiviq.substack.com/p/training-foundation-models-with-a
ЧТО сделали: Авторы предложили единое обучение — фреймворк и асинхронную систему, которые объединяют предобучение, мидтрейнинг, SFT и RL в один взвешенный по токенам лосс максимального правдоподобия. Градиенты политики при этом выражаются через подгонку правдоподобия под целевые распределения, зависящие от награды.
ЧТО получили: На логических головоломках при разных пропорциях смешивания данных pass@1 составляет примерно 4–39% на размерах задач из обучающего распределения (против 12.24–24.54% у поэтапных бейзлайнов) и примерно 1–13% на новых задачах с 12 персонажами (против 5.58% у выбранного поэтапного бейзлайна). До старта RL подмешивание данных мидтрейнинга в предобучение удерживает точность на общих бенчмарках на уровне 41.85–42.42% (против 42.37% у чистого предобучения и 35.00–38.49% у отдельного мидтрейнинга). В математическом RL для модели на 0.76B параметров последующий RL на коде даёт 23.67–24.96% pass@1 на HumanEval+ при доле подмешивания 0.5–5% (против 22.94% при поэтапном обучении).
ПОЧЕМУ это важно: Отдельные пайплайны для предобучения, SFT и RL можно заменить одним непрерывным потоком данных и взвешенной кросс-энтропией. Это улучшает последующую адаптацию и предотвращает забывание. Однако все эксперименты проведены на моделях меньше 1B параметров, для модели на 0.76B объединение применялось только в финальном RL, и ни одно расписание смешивания не оказалось лучшим сразу по всем метрикам.
Обучать здесь: https://t.me/gonzo_ML_podcasts/4843
• Sent via TeleFeed
arXiv.org
Training Foundation Models with a Single Algorithm
Foundation models are typically trained in stages: pretraining, midtraining, supervised fine-tuning (SFT), and reinforcement learning (RL), with changes in both data and learning algorithms. We...
Я всё думал, как объяснить это странное чувство, когда трогаешь последние модели и чувствуешь, что у них немного инопланетный разум – оно способно решать задачи, как думающее существо, но думающие существа, к которым я привык, так не думают 🗿
И вот наглядный пример:
ресечеры попросили GPT6 Astra улучшить мелкий 0.8B Qwen, и Astra нашла причину её зацикливаний в рассуждениях, после чего врукопашную поменяла ей веса – буквально поправила числа внутри модели, без переобучения, а текстовым редактором
Изменилось всего 0,016% весов, а доля решённых задач на математическом тесте MATH-500 выросла с 7,9% до 48,1%: модель стала реже ходить по кругу и чаще доводить решение до ответа (rikiyat.github.io)
Это же еще значит, что оно так же бинарный код сможет редактировать☕️ fun
• Sent via TeleFeed
И вот наглядный пример:
ресечеры попросили GPT6 Astra улучшить мелкий 0.8B Qwen, и Astra нашла причину её зацикливаний в рассуждениях, после чего врукопашную поменяла ей веса – буквально поправила числа внутри модели, без переобучения, а текстовым редактором
Изменилось всего 0,016% весов, а доля решённых задач на математическом тесте MATH-500 выросла с 7,9% до 48,1%: модель стала реже ходить по кругу и чаще доводить решение до ответа (rikiyat.github.io)
Это же еще значит, что оно так же бинарный код сможет редактировать
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
rikiyat.github.io
Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights
We find that frontier LLMs are surprisingly good at natively reading and writing neural network weights, using a variety of recent tools and algorithms or even via direct weight editing.
Text from seven Grok models on the API will carry an invisible watermark by default from November 7. The company behind Grok says it's to comply with the EU AI Act.
Nothing is added to the text. The model slightly shifts which tokens it picks, so a copied answer looks like any other. Later the company can score a passage as watermarked, not watermarked or uncertain. Longer text gives a stronger signal.
It covers plain answers, structured outputs and tool calls. Team admins can switch it off per model, but only after confirming a legal exception applies to them. Access to detection is by application.
Anthropic starts marking text from its older Claude models on Tuesday.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
От эвристики человека, через прокси мясного в лице LLM.
Или почему я пока не верю в сильный концепт weight spacing programming.
Ну вы меня вынудили... Из каждого утюга ща пойдёт, уже сток скинули в лс с дрожанием и волнением...😬 Ну ща 📦 разберётся. 🔫
TL;DR: Работа интересная и местами впечатляющая, но заявка на "LLM понимает и программирует веса", но пока сильно опережает доказательства.🫤
Это скорее LLM-guided эвристический фикс известных дефектов, чем новая парадигма оптимизации. В самом экспе нового ничего модель не создаёт, но фиксит известные праблы.👍
Что действительно показали - LLM может по «сырым» весам определять поведение малых сетей: игру, фигуру в диффузии, язык и induction head. Точечные правки весов могут убирать известные блокеры: зацикливание в Qwen3.5-0.8B, неудачную политику в симуляторе и тп.
Это полезно для аудита, интерпретируемости и отладки, где градиенту нечего оптимизировать без objective функции.
При этом наблюдаем:
1.Провал на Gemma 3 270M. Метод убирает препятствие, скрывающее способность модели, но не добавляет новую способность. Градиентный спуск именно этим и занимается.🧠
2. Qwen-это кейс про ремонт задокументированного бага, а не доказательство общего понимания весов.
3. Breakout 517 vs PPO, это нечестное сравнение, где разные бюджеты, возможная эксплуатация конкретной среды и нет отложенных задач.
4. Нет пока масштабируемости, те имеем малые сети, one-shot правки и нет итеративного цикла оценка→отбор→сходимость.
5. Нет аудита побочных эффектов: улучшили MATH и IFEval, но могли незаметно сломать другое.
6. Воспроизводимость низкая: всё ключевое - на проприетарной GPT-6 Astra. Вспомним кейсы с "открытиями" в математике, где обнаруживались неточности.
По сути это метаэвристика, где LLM вместо челика, как гиперэвристика, но пока без полноценного поиска и гарантий.🆒
Вижу для Weight-Space Programming наиболее правдоподобная роль это semantic prior + градиентное дообучение, а не «семантический спуск вместо градиента». Как универсальный оптимизатор - пока нет. Как исследовательское направление, думаю, да, за ним стоит следить.💪
• Sent via TeleFeed
Или почему я пока не верю в сильный концепт weight spacing programming.
Ну вы меня вынудили... Из каждого утюга ща пойдёт, уже сток скинули в лс с дрожанием и волнением...
TL;DR: Работа интересная и местами впечатляющая, но заявка на "LLM понимает и программирует веса", но пока сильно опережает доказательства.
Это скорее LLM-guided эвристический фикс известных дефектов, чем новая парадигма оптимизации. В самом экспе нового ничего модель не создаёт, но фиксит известные праблы.
Что действительно показали - LLM может по «сырым» весам определять поведение малых сетей: игру, фигуру в диффузии, язык и induction head. Точечные правки весов могут убирать известные блокеры: зацикливание в Qwen3.5-0.8B, неудачную политику в симуляторе и тп.
Это полезно для аудита, интерпретируемости и отладки, где градиенту нечего оптимизировать без objective функции.
При этом наблюдаем:
1.Провал на Gemma 3 270M. Метод убирает препятствие, скрывающее способность модели, но не добавляет новую способность. Градиентный спуск именно этим и занимается.
2. Qwen-это кейс про ремонт задокументированного бага, а не доказательство общего понимания весов.
3. Breakout 517 vs PPO, это нечестное сравнение, где разные бюджеты, возможная эксплуатация конкретной среды и нет отложенных задач.
4. Нет пока масштабируемости, те имеем малые сети, one-shot правки и нет итеративного цикла оценка→отбор→сходимость.
5. Нет аудита побочных эффектов: улучшили MATH и IFEval, но могли незаметно сломать другое.
6. Воспроизводимость низкая: всё ключевое - на проприетарной GPT-6 Astra. Вспомним кейсы с "открытиями" в математике, где обнаруживались неточности.
По сути это метаэвристика, где LLM вместо челика, как гиперэвристика, но пока без полноценного поиска и гарантий.
Вижу для Weight-Space Programming наиболее правдоподобная роль это semantic prior + градиентное дообучение, а не «семантический спуск вместо градиента». Как универсальный оптимизатор - пока нет. Как исследовательское направление, думаю, да, за ним стоит следить.
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
rikiyat.github.io
Sparks of Weight-Space Programming: LLMs can natively read & write neural network weights
We find that frontier LLMs are surprisingly good at natively reading and writing neural network weights, using a variety of recent tools and algorithms or even via direct weight editing.
This media is not supported in your browser
VIEW IN TELEGRAM
Sam Altman says the model OpenAI used on the Navier-Stokes problem, one of seven math puzzles with a $1 million prize, is coming out soon.
It was 10,000 agents of the model that is going to be released soon, the next GPT, working for about four days, nonstop, collaborating with each other perfectly.
"There was no hierarchy. There were no bosses," he told an energy conference in Abu Dhabi on Monday. He gave no release date.
OpenAI published its proposed proof in September. It isn't an accepted solution yet: the institute behind the prize first wants long scrutiny and broad agreement from mathematicians.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Nick Nisi, an engineer at WorkOS, took Google's map of a male fruit fly's brain, all 176,422 neurons, and made it run on a laptop.
A fly can't read code. So a helper AI answers 30 yes/no questions about each change, and the answers become a smell. A reproduced bug tastes bitter, a harmless change tastes like sugar. If the smell makes the fly stick its tongue out, it approves.
On 301 changes it had never seen, the fly was right 88.3% of the time. A coin flip gets 50%.
A harder test went badly. Given 24 tasks that were supposed to change what the code does, it approved none of the correct changes. It had learned "did the behavior change," not "is this change right." A basic statistical classifier reading the same smell scored 94.8%.
You can try the fly on your own pull request.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
The course is CS329Z, "Engineering AI Agents." Anyone can open the slides and the reading list on the course site, lecture by lecture.
What it covers:
1. Retrieval, tool use and an agent loop built from scratch, then how frameworks like DSPy do the same
2. Agent memory, multi-agent systems and why they fail
3. Optimization, data and evals: how to tell whether an agent actually works
4. Coming up: a fireside chat with Andrew Ng on Nov 9 and the creators of SWE-bench, now at Anthropic, on Nov 16
It's taught by Diyi Yang, Michael Ryan and John Yang. New materials go up as the lectures happen, through final demos in December.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
This media is not supported in your browser
VIEW IN TELEGRAM
Увидел красивую анимацию на сайте - попроси агента повторить
Пока допиливаю ролик про Kimi, наткнулась на "реверс-инжиниринг" для видео, - reanimate - скилл для ИИ-агентов, который помогает перенести понравившуюся анимацию в свой проект. Можно дать ссылку на сайт, запись экрана, видео, GIF или Lottie.
🪼 Агент разбирает движение: что появляется первым, с какой задержкой, куда едет и как замедляется.
🪼 Пишет код под стек проекта: CSS, Framer Motion, GSAP или Three.js. Затем записывает результат, сравнивает с оригиналом и исправляет расхождения.
🪼 Есть примеры с частицами, интерактивными карточками и 3D-кубом.
🪼 Установка:
Дальше пишете агенту: "
Сам скилл бесплатный, MIT
@NeuralProfit
• Sent via TeleFeed
Пока допиливаю ролик про Kimi, наткнулась на "реверс-инжиниринг" для видео, - reanimate - скилл для ИИ-агентов, который помогает перенести понравившуюся анимацию в свой проект. Можно дать ссылку на сайт, запись экрана, видео, GIF или Lottie.
npx skills add NiazMorshed2007/reanimate -gДальше пишете агенту: "
/reanimate повтори анимацию карточки из этого видео, но с моим текстом и цветами".Сам скилл бесплатный, MIT
@NeuralProfit
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
GPT-6 без дообучения улучшила веса Qwen3.5-0.8B
Просто поразительное исследование выпустили сегодня рисерчеры из MIT CSAIL. Они показали, что топовые LLM могут напрямую читать и осознанно менять веса нейросетей, причем без градиентного спуска и обучения.
Это назвали Weight-Space Programming.
В главном эксперименте авторы дали Astra веса крошечной Qwen3.5-0.8B и попросили улучшить ее способности в математике. В итоге Astra обнаружила в весах нейроны, из-за которых модель зацикливалась в рассуждениях, и исправила их. Всего она переписала около 0.016% весов, и после этого на MATH-500 скор Qwen3.5-0.8B вырос с 7,9% до 48,1%, а на GSM8K – с 13,8% до 67,1%.
Это не все. Оказалось, что Astra может неплохо интерпретировать модели по весам.
Например, ученые дообучили 4 одинаковые модели играть в разные игры: Breakout, Pong, Pac-Man и Freeway. Astra получила только веса (около 17 тысяч чисел) и описание входов, без названий игр, и смогла угадать, чему учили эти модели, во всех четырех случаях.
В другом эксперименте три диффузионные модели рисовали круг, квадрат и треугольник. Astra по весам определила каждую фигуру, прочитав выходной слой. Важно, что при этом она не запускает эти сети, а просто читает веса.
А еще Astra умеет писать нейросети с нуля. Она без обучения, с нуля, взяла и выдала веса сетей для трех игр MinAtar. Во всех трех случаях она обошла модели, которые были обучены с помощью обучения с подкреплением (POO) на 100 млн шагов.
Также авторы просили ее написать сеть для игры в Go. Она писала веса одним скриптом на 336 строк и выигрывала больше половины партий у двух маленьких обученных на PPO сетей. Если же ей давали возможность несколько раз прогнать свою сеть в песочнице, то она обыгрывала равную по размеру PPO-сеть, обученную на 20 млн партий.
Результаты пока ранние, но само направление невероятно многообещающее. С помощью Weight-Space Programming можно было бы делать элаймент, аудит моделей, дешевую инициализацию весов, ну и рекурсивное самоулучшение на десерт.
Сейчас авторы делают бенчмарк и харнесс для оценки способностей моделей к такому программированию весов. Полные логи всех экспериментов выложены на GitHub.
https://rikiyat.github.io/blog/weight-space-programming/
• Sent via TeleFeed
Просто поразительное исследование выпустили сегодня рисерчеры из MIT CSAIL. Они показали, что топовые LLM могут напрямую читать и осознанно менять веса нейросетей, причем без градиентного спуска и обучения.
Это назвали Weight-Space Programming.
В главном эксперименте авторы дали Astra веса крошечной Qwen3.5-0.8B и попросили улучшить ее способности в математике. В итоге Astra обнаружила в весах нейроны, из-за которых модель зацикливалась в рассуждениях, и исправила их. Всего она переписала около 0.016% весов, и после этого на MATH-500 скор Qwen3.5-0.8B вырос с 7,9% до 48,1%, а на GSM8K – с 13,8% до 67,1%.
Это не все. Оказалось, что Astra может неплохо интерпретировать модели по весам.
Например, ученые дообучили 4 одинаковые модели играть в разные игры: Breakout, Pong, Pac-Man и Freeway. Astra получила только веса (около 17 тысяч чисел) и описание входов, без названий игр, и смогла угадать, чему учили эти модели, во всех четырех случаях.
В другом эксперименте три диффузионные модели рисовали круг, квадрат и треугольник. Astra по весам определила каждую фигуру, прочитав выходной слой. Важно, что при этом она не запускает эти сети, а просто читает веса.
А еще Astra умеет писать нейросети с нуля. Она без обучения, с нуля, взяла и выдала веса сетей для трех игр MinAtar. Во всех трех случаях она обошла модели, которые были обучены с помощью обучения с подкреплением (POO) на 100 млн шагов.
Также авторы просили ее написать сеть для игры в Go. Она писала веса одним скриптом на 336 строк и выигрывала больше половины партий у двух маленьких обученных на PPO сетей. Если же ей давали возможность несколько раз прогнать свою сеть в песочнице, то она обыгрывала равную по размеру PPO-сеть, обученную на 20 млн партий.
Результаты пока ранние, но само направление невероятно многообещающее. С помощью Weight-Space Programming можно было бы делать элаймент, аудит моделей, дешевую инициализацию весов, ну и рекурсивное самоулучшение на десерт.
Сейчас авторы делают бенчмарк и харнесс для оценки способностей моделей к такому программированию весов. Полные логи всех экспериментов выложены на GitHub.
https://rikiyat.github.io/blog/weight-space-programming/
• Sent via TeleFeed
Goldman Sachs restricts AI coding tools to engineers
⚠️ Traders and bankers lost access to advanced developer assistants like Claude Code and GitHub under internal guidelines issued in October at Goldman Sachs. Employees outside engineering spent months building content and monitoring trading flows with the tools before management rolled back access.
Back in July, chief information officer Marco Argenti praised vibe coding by non-technical staff who built quick prototypes before handing them off to engineers.
Spokesperson Nick Carcaterra attributed the decision to productivity and risk management concerns, stating that the experimentation phase has ended.
#GoldmanSachs ⚡ #ArtificialIntelligence ⚡ #SoftwareEngineering
Subscribe
• Sent via TeleFeed
⚠️ Traders and bankers lost access to advanced developer assistants like Claude Code and GitHub under internal guidelines issued in October at Goldman Sachs. Employees outside engineering spent months building content and monitoring trading flows with the tools before management rolled back access.
Back in July, chief information officer Marco Argenti praised vibe coding by non-technical staff who built quick prototypes before handing them off to engineers.
Spokesperson Nick Carcaterra attributed the decision to productivity and risk management concerns, stating that the experimentation phase has ended.
#GoldmanSachs ⚡ #ArtificialIntelligence ⚡ #SoftwareEngineering
Subscribe
• Sent via TeleFeed
Anthropic S-1, часть 3: Не читайте, дети, Эда Зитрона [начало | предыдущий пост]
Серия предыдущих постов про финотчетность Антропика вызвала у многих интересную реакцию. Я там, по сути, даже никаких сильных заявлений или предсказаний не делаю – просто разбираю объективные факты, которые следуют из опубликованной отчетности. И всё равно в ответ получил кучу комментариев в стиле «рррря, сколько тебе заплатил Дарио за этот прогрев гоев ложью??»
Я это называю синдромом Джокера-циника. Людям очень нравится ощущать, что все окружающие их являются глупеньковыми и наивным лошпеками, и только они сами орлиным взором цепко пронзают все тайны чужого обмана. Как раз среди таких категорий населения супер-популярным является Эд Зитрон – пиарщик, который за последние несколько лет стал самым громким критиком «ИИ-пузыря».
При этом забавно там вот что: Зитрон раз за разом с абсолютной самоуверенностью выдает 100%-ные прогнозы, которые потом не сбываются вообще никак, – но в глазах своей аудитории почему-то ничуть не теряет «экспертный статус»:
Так вот, к чему я веду: после недавнего выхода формы S-1 Эд Зитрон рассказывал по всем углам, что Антропик, дескать, специально в рамках грандиозного обмана спрятал от инвесторов данные 3-го квартала (потому что там с финансовой точки зрения ужас-ужас). Хотя, всем адекватным аналитикам было примерно понятно, что эту инфу компания добавит в черновик S-1, как только они досчитают все цифры.
Ну и вчера – сюрприз-сюрприз! – Anthropic действительно обновили форму и добавили туда результаты за 3-й квартал. И они, э-э, вполне годные? Чуть подробнее про них напишу в следующем посте.
А пока один только момент: Зитрон в своем материале недельной давности упирал на то, что Антропик прячут данные баланса на 30.09.2026, так как там можно будет увидеть резкое снижение остатков денежных средств. Типа, Anthropic цинично пытается казаться генерирующей кэш компанией – хотя по факту уже во второй половине 2026-го они начали его массово сжигать в топке. Думаю, вы уже догадываетесь, к чему тут идет: согласно только что вышедшей отчетности, за прошедший квартал остатки кэша на балансе (вместе с вложениями в US Treasuries) даже несколько подросли…
Короче, что я хотел сказать: если вы хотите читать адекватную и объективную аналитику по происходящему с финансами AI-компаний – то делать это лучше где угодно, кроме блога Эда Зитрона. Этот занимается откровенным натягиванием совы на глобус строго в одном направлении – для подтверждения собственного bias’а и сбора классов с других таких же ИИ-хейтеров.
[Джокер презрительно сплюнул и закурил]
• Sent via TeleFeed
Серия предыдущих постов про финотчетность Антропика вызвала у многих интересную реакцию. Я там, по сути, даже никаких сильных заявлений или предсказаний не делаю – просто разбираю объективные факты, которые следуют из опубликованной отчетности. И всё равно в ответ получил кучу комментариев в стиле «рррря, сколько тебе заплатил Дарио за этот прогрев гоев ложью??»
Я это называю синдромом Джокера-циника. Людям очень нравится ощущать, что все окружающие их являются глупеньковыми и наивным лошпеками, и только они сами орлиным взором цепко пронзают все тайны чужого обмана. Как раз среди таких категорий населения супер-популярным является Эд Зитрон – пиарщик, который за последние несколько лет стал самым громким критиком «ИИ-пузыря».
При этом забавно там вот что: Зитрон раз за разом с абсолютной самоуверенностью выдает 100%-ные прогнозы, которые потом не сбываются вообще никак, – но в глазах своей аудитории почему-то ничуть не теряет «экспертный статус»:
🐌 В 2025 году он называл оптимистичный прогноз выручки Anthropic на 2027 год в размере $34,5 млрд «смехотворным». Что имеем сейчас: компания уже получила $33 млрд выручки за первые 9 месяцев 2026-го – даже 2027 года ждать не пришлось, лол.
🐌 Полгода назад он писал про «нулевой шанс, что Антропик заработал $4,5 млрд выручки за 2025 год» (аудит в итоге подтвердил, что заработал).
🐌 Зитрон неоднократно утверждал, что ИИ-компании убыточные на уровне инференса, и у них в принципе отсутствует какой-либо путь к прибыльности (из отчетности выяснилось, что Anthropic может генерировать операционную прибыль не только на уровне инференса, но и даже для инференса + тренировки моделей, что в разы круче).
Так вот, к чему я веду: после недавнего выхода формы S-1 Эд Зитрон рассказывал по всем углам, что Антропик, дескать, специально в рамках грандиозного обмана спрятал от инвесторов данные 3-го квартала (потому что там с финансовой точки зрения ужас-ужас). Хотя, всем адекватным аналитикам было примерно понятно, что эту инфу компания добавит в черновик S-1, как только они досчитают все цифры.
Ну и вчера – сюрприз-сюрприз! – Anthropic действительно обновили форму и добавили туда результаты за 3-й квартал. И они, э-э, вполне годные? Чуть подробнее про них напишу в следующем посте.
А пока один только момент: Зитрон в своем материале недельной давности упирал на то, что Антропик прячут данные баланса на 30.09.2026, так как там можно будет увидеть резкое снижение остатков денежных средств. Типа, Anthropic цинично пытается казаться генерирующей кэш компанией – хотя по факту уже во второй половине 2026-го они начали его массово сжигать в топке. Думаю, вы уже догадываетесь, к чему тут идет: согласно только что вышедшей отчетности, за прошедший квартал остатки кэша на балансе (вместе с вложениями в US Treasuries) даже несколько подросли…
Короче, что я хотел сказать: если вы хотите читать адекватную и объективную аналитику по происходящему с финансами AI-компаний – то делать это лучше где угодно, кроме блога Эда Зитрона. Этот занимается откровенным натягиванием совы на глобус строго в одном направлении – для подтверждения собственного bias’а и сбора классов с других таких же ИИ-хейтеров.
[Джокер презрительно сплюнул и закурил]
• Sent via TeleFeed