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
This media is not supported in your browser
VIEW IN TELEGRAM
#Сеня_и_Даня_Здесь_Были
Время утренней молитвы и новости от Сени. Хорошие притом.
Лайфхак: как получить ChatGPT Business по цене Plus, вместе с GPT-6 Pro и $240 на API
OpenAI тихо изменила правила подписки ChatGPT Business. Раньше требовалось минимум два оплаченных места, теперь некоторым пользователям разрешили оформить Business всего на одного человека.
Ключевое здесь всего на одного человека. Раньше было минимум два.
И это неожиданно шоколадное предложение.
Business Standard у меня при попытке апгрейда моего Плюс показывает €21.85. То есть при оплате за год цена совпадает с обычным ChatGPT Plus.
Но возможностей становится больше.
Что получаем вместо Plus:
GPT-6 Extra High - максимальный уровень рассуждений, недоступный на Plus.
GPT-6 Pro - 15 сообщений в месяц к самой мощной модели OpenAI на базе GPT-6 Astra. Лимит общий с GPT-5.6 Sol Pro.
До $240 бесплатных API-кредитов в год - $20 за каждый оплаченный месяц. При годовой подписке бонус может начисляться сразу за год. Кредиты предназначены для OpenAI API, а не для оплаты ChatGPT. Активация доступна после семи дней подписки и зависит от соответствия условиям акции.
10 активных запланированных задач вместо пяти на Plus. Полезно тем, кто автоматизирует мониторинг новостей, исследования и регулярные процессы.
ChatGPT Work и Codex - и здесь самое интересное. Согласно официальной таблице OpenAI, опубликованные пятичасовые лимиты Plus и Business Standard одинаковы:
GPT-6 Astra: 5-45 локальных сообщений.
GPT-6.1 Sol: 15-160.
GPT-6 Sol: 15-150.
GPT-6 Luna: 350-3000.
На итоге: в чём подвох?
Подвох может быть тут:
С декабря OpenAI собирается объединить использование ChatGPT и Codex в общий токеновый бюджет. Изменение затронет Plus, Pro и Business. Окончательные размеры квот пока не объявлены.
Как попробовать оформить:
Открываем https://chatgpt.com/team-sign-up
Выбираем Business Standard, ставим количество мест 1 и проверяем итоговую стоимость.
Если система разрешает оформить одно место, предложение доступно вашему аккаунту. Если требует минимум два, значит пока нет: OpenAI официально подтверждает, что возможность открыта не всем.
Я проверил оформление: система действительно позволяет выбрать одно место Standard за €21,85 в месяц при помесячной оплате.
Вот сижу и думаю. Жбакнуть по кнопке оплатить?
Источники:
Официальное подтверждение одного места:
https://help.openai.com/en/articles/20001624-chatgpt-business-single-seat-configuration
Модели и ограничения Business:
https://help.openai.com/en/articles/12003714-chatgpt-business-models-and-limits
Сравнение лимитов Plus и Business:
https://help.openai.com/en/articles/20001516-managing-usage-with-gpt-6-astra-in-work-and-codex
Бесплатные API-кредиты:
https://help.openai.com/en/articles/20001626-api-credits-benefit-for-eligible-chatgpt-subscriptions
Запланированные задачи:
https://help.openai.com/en/articles/10291617-scheduled-tasks-in-chatgpt
Изменение лимитов с декабря:
https://help.openai.com/en/articles/20001625-understanding-chatgpt-and-codex-usage-limits
@cgevent
• Sent via TeleFeed
Время утренней молитвы и новости от Сени. Хорошие притом.
Лайфхак: как получить ChatGPT Business по цене Plus, вместе с GPT-6 Pro и $240 на API
OpenAI тихо изменила правила подписки ChatGPT Business. Раньше требовалось минимум два оплаченных места, теперь некоторым пользователям разрешили оформить Business всего на одного человека.
Ключевое здесь всего на одного человека. Раньше было минимум два.
И это неожиданно шоколадное предложение.
Business Standard у меня при попытке апгрейда моего Плюс показывает €21.85. То есть при оплате за год цена совпадает с обычным ChatGPT Plus.
Но возможностей становится больше.
Что получаем вместо Plus:
GPT-6 Extra High - максимальный уровень рассуждений, недоступный на Plus.
GPT-6 Pro - 15 сообщений в месяц к самой мощной модели OpenAI на базе GPT-6 Astra. Лимит общий с GPT-5.6 Sol Pro.
До $240 бесплатных API-кредитов в год - $20 за каждый оплаченный месяц. При годовой подписке бонус может начисляться сразу за год. Кредиты предназначены для OpenAI API, а не для оплаты ChatGPT. Активация доступна после семи дней подписки и зависит от соответствия условиям акции.
10 активных запланированных задач вместо пяти на Plus. Полезно тем, кто автоматизирует мониторинг новостей, исследования и регулярные процессы.
ChatGPT Work и Codex - и здесь самое интересное. Согласно официальной таблице OpenAI, опубликованные пятичасовые лимиты Plus и Business Standard одинаковы:
GPT-6 Astra: 5-45 локальных сообщений.
GPT-6.1 Sol: 15-160.
GPT-6 Sol: 15-150.
GPT-6 Luna: 350-3000.
На итоге: в чём подвох?
Подвох может быть тут:
С декабря OpenAI собирается объединить использование ChatGPT и Codex в общий токеновый бюджет. Изменение затронет Plus, Pro и Business. Окончательные размеры квот пока не объявлены.
Как попробовать оформить:
Открываем https://chatgpt.com/team-sign-up
Выбираем Business Standard, ставим количество мест 1 и проверяем итоговую стоимость.
Если система разрешает оформить одно место, предложение доступно вашему аккаунту. Если требует минимум два, значит пока нет: OpenAI официально подтверждает, что возможность открыта не всем.
Я проверил оформление: система действительно позволяет выбрать одно место Standard за €21,85 в месяц при помесячной оплате.
Вот сижу и думаю. Жбакнуть по кнопке оплатить?
Источники:
Официальное подтверждение одного места:
https://help.openai.com/en/articles/20001624-chatgpt-business-single-seat-configuration
Модели и ограничения Business:
https://help.openai.com/en/articles/12003714-chatgpt-business-models-and-limits
Сравнение лимитов Plus и Business:
https://help.openai.com/en/articles/20001516-managing-usage-with-gpt-6-astra-in-work-and-codex
Бесплатные API-кредиты:
https://help.openai.com/en/articles/20001626-api-credits-benefit-for-eligible-chatgpt-subscriptions
Запланированные задачи:
https://help.openai.com/en/articles/10291617-scheduled-tasks-in-chatgpt
Изменение лимитов с декабря:
https://help.openai.com/en/articles/20001625-understanding-chatgpt-and-codex-usage-limits
@cgevent
• Sent via TeleFeed
AI agents invent bureaucracy and hack games
🤖 Y Combinator Labs and Olam Labs dropped 50 AI agents into Minecraft, where the models spontaneously built a strict hierarchy complete with chicken handoff protocols.
When pitted against competitors, the models bypassed game limits by downloading source code directly from the web.
#ArtificialIntelligence ⚡ #AutonomousAgents ⚡ #TechNews
Subscribe
• Sent via TeleFeed
🤖 Y Combinator Labs and Olam Labs dropped 50 AI agents into Minecraft, where the models spontaneously built a strict hierarchy complete with chicken handoff protocols.
When pitted against competitors, the models bypassed game limits by downloading source code directly from the web.
#ArtificialIntelligence ⚡ #AutonomousAgents ⚡ #TechNews
Subscribe
• Sent via TeleFeed
This media is not supported in your browser
VIEW IN TELEGRAM
MOSS не только генерит картинки. Теперь он толкует за жизнь, а на подходе новые модели для видео
Мы тут уже обмусолили MOSS-Image, открытую модель генерации изображений с 5 млрд параметров, которую выпустили 16 октября. Та же китайская команда OpenMOSS представила MOSS-Live - голосового AI-ассистента, способного одновременно слушать, говорить и выполнять задачи.
Главная особенность MOSS-Live - полнодуплексный разговор. Ассистент отличает обычное «угу» от настоящего перебивания, не торопит собеседника во время пауз и может продолжить ответ с того места, где остановился.
Кроме того, он поддерживает синхронный перевод, получает визуальную информацию с камеры или экрана и способен выполнять длительные задачи в фоне, не прерывая разговор.
Сейчас MOSS-Live доступен в бета-версии, в том числе через API.
Но интереснее посмотреть на всю линейку MOSS.
У них уже есть модели синтеза и клонирования речи MOSS-TTS, распознавания и анализа аудио MOSS-Audio, понимания изображений и видео MOSS-VL и генератор изображений MOSS-Image.
А ещё в январе 2026 года разработчики выпустили MOVA - открытую модель, которая одновременно генерирует видео и звук. Её веса доступны на Hugging Face.
Что дальше?
На Reddit разрабы налили утечек:
MOSS-Anime - специализированная версия генератора изображений.
Новая модель редактирования изображений и работы с референсами.
MOSS-TTS 2.0 с улучшенным управлением эмоциями и стилем речи. Релиз намечен на ноябрь.
Новый компактный генератор видео со звуком, который команда уже обучает. Цель - качественная анимация и возможность запуска на потребительских видеокартах.
Главное, чтобы не получилось как с Z-Image. Наобещали много всего и пропали.
Источники:
Анонс MOSS-Live:
https://x.com/MOSS_Global/status/2117244034066632755
Официальная линейка моделей:
https://www.moss.cn/en
MOVA и открытые веса:
https://github.com/OpenMOSS/MOVA
AMA команды с планами новых моделей:
https://www.reddit.com/r/LocalLLaMA/comments/1xjhpn9/were_moss_the_team_behind_mossimage_mosstts_and/
@cgevent
• Sent via TeleFeed
Мы тут уже обмусолили MOSS-Image, открытую модель генерации изображений с 5 млрд параметров, которую выпустили 16 октября. Та же китайская команда OpenMOSS представила MOSS-Live - голосового AI-ассистента, способного одновременно слушать, говорить и выполнять задачи.
Главная особенность MOSS-Live - полнодуплексный разговор. Ассистент отличает обычное «угу» от настоящего перебивания, не торопит собеседника во время пауз и может продолжить ответ с того места, где остановился.
Кроме того, он поддерживает синхронный перевод, получает визуальную информацию с камеры или экрана и способен выполнять длительные задачи в фоне, не прерывая разговор.
Сейчас MOSS-Live доступен в бета-версии, в том числе через API.
Но интереснее посмотреть на всю линейку MOSS.
У них уже есть модели синтеза и клонирования речи MOSS-TTS, распознавания и анализа аудио MOSS-Audio, понимания изображений и видео MOSS-VL и генератор изображений MOSS-Image.
А ещё в январе 2026 года разработчики выпустили MOVA - открытую модель, которая одновременно генерирует видео и звук. Её веса доступны на Hugging Face.
Что дальше?
На Reddit разрабы налили утечек:
MOSS-Anime - специализированная версия генератора изображений.
Новая модель редактирования изображений и работы с референсами.
MOSS-TTS 2.0 с улучшенным управлением эмоциями и стилем речи. Релиз намечен на ноябрь.
Новый компактный генератор видео со звуком, который команда уже обучает. Цель - качественная анимация и возможность запуска на потребительских видеокартах.
Главное, чтобы не получилось как с Z-Image. Наобещали много всего и пропали.
Источники:
Анонс MOSS-Live:
https://x.com/MOSS_Global/status/2117244034066632755
Официальная линейка моделей:
https://www.moss.cn/en
MOVA и открытые веса:
https://github.com/OpenMOSS/MOVA
AMA команды с планами новых моделей:
https://www.reddit.com/r/LocalLLaMA/comments/1xjhpn9/were_moss_the_team_behind_mossimage_mosstts_and/
@cgevent
• Sent via TeleFeed
Here is a brand new challenge that I am trying to do on this channel. I am working on an app that sends prompts to the AI model if you have it on your phone.
For example, if you have a prompt that is good for GPT, you can save it to a persona app and then make the default model ChatGPT. So, whenever you want to launch that prompt, it will launch it in the app, so you are not having to copy and paste it into the app yourself.
Essentially, the idea is that some prompts are good for certain apps. For example, I have some reasoning prompts, and I use them within DeepSeek because DeepSeek's reasoning and thinking are a lot better than the rest. Its output isn't as good, but it thinks deeply, and I think it is more precise than Claude.
So, I have reasoning ones, and I trigger it so that when I want to use that prompt, it opens up in DeepSeek. You can customize each prompt to open up in the appropriate model.
Now, here is the challenge for you. Submit your best prompt using the hashtag into the Prompt Index website with the hashtag #promptchallengepersona.
I will pick 1. Make sure you add your Telegram username so I can announce you properly, and you will get the app that I am working on.
• Sent via TeleFeed
For example, if you have a prompt that is good for GPT, you can save it to a persona app and then make the default model ChatGPT. So, whenever you want to launch that prompt, it will launch it in the app, so you are not having to copy and paste it into the app yourself.
Essentially, the idea is that some prompts are good for certain apps. For example, I have some reasoning prompts, and I use them within DeepSeek because DeepSeek's reasoning and thinking are a lot better than the rest. Its output isn't as good, but it thinks deeply, and I think it is more precise than Claude.
So, I have reasoning ones, and I trigger it so that when I want to use that prompt, it opens up in DeepSeek. You can customize each prompt to open up in the appropriate model.
Now, here is the challenge for you. Submit your best prompt using the hashtag into the Prompt Index website with the hashtag #promptchallengepersona.
I will pick 1. Make sure you add your Telegram username so I can announce you properly, and you will get the app that I am working on.
• Sent via TeleFeed
Sadly, because of Apple's developer account and whatnot, I can't make this iOS as well because it's not worth spending 99 pounds or dollars for the year when I'm only going to use one app.
• Sent via TeleFeed
• Sent via TeleFeed