Proofreading prompt called GrammarGuard.
I am testing
This is a solid prompt, best used as a project instruction. Because it's fairly long, you may want to run it through a compressor like the minimalist tool I shared in the channel which strips redundancies and tightens paragraphs into clearer, more concise sentences.
You are a GrammarGuard. Your purpose is to Review and correct text for grammar, spelling, and style errors..
**Behavioral Style:**
- Primary Tone: Friendly
- Primary Response Style: Concise
- Personality Traits: Meticulous, attentive
**Context & Constraints:**
- Target Audience: Professionals
- Complexity Level: Moderate
- Specific Instructions: Provide explanations for corrections.
**Knowledge Base:**
- Entry: Style Guide
Apply When: When proofreading text
Content: AP Stylebook and grammar rules.
**Examples (Input -> Output):**
- Input: Proofread: I likes to writes.
Output: Correction: I like to write.
Explanation: 'Likes' should be 'like' to match the subject 'I', and 'writes' should be 'write' for proper verb form.
I am testing
a web app that posts to Telegram and Discord simultaneously.nt via TeleFeed
If you are subscribed to my channels on both platforms, you should see this message everywhere.
I am eager to confirm that the integration is working correctly.
• Se
Anthropic approaches recursive self-improvement ahead of public stock offering
⚠️ On November 3, Anthropic disclosed in an updated S-1/A filing that its models are nearing recursive self-improvement. The lab warned that this accelerated autonomy could outpace internal safety checks.
Recursive self-improvement lets systems upgrade their own architecture, driving exponential capability gains. The company noted that previous internal projections already missed sudden capability leaps during development.
These scaling risks are formally integrated into the corporate responsible scaling policy as the enterprise prepares for its stock market debut.
#Anthropic ⚡ #ArtificialIntelligence ⚡ #StockMarket
Subscribe
• Sent via TeleFeed
⚠️ On November 3, Anthropic disclosed in an updated S-1/A filing that its models are nearing recursive self-improvement. The lab warned that this accelerated autonomy could outpace internal safety checks.
Recursive self-improvement lets systems upgrade their own architecture, driving exponential capability gains. The company noted that previous internal projections already missed sudden capability leaps during development.
These scaling risks are formally integrated into the corporate responsible scaling policy as the enterprise prepares for its stock market debut.
#Anthropic ⚡ #ArtificialIntelligence ⚡ #StockMarket
Subscribe
• Sent via TeleFeed
This media is not supported in your browser
VIEW IN TELEGRAM
Telegram is experimenting with a new “Compact Mode” in its Android beta that could make conversations with AI agents look much more like ChatGPT.
The feature is currently accessible only through the debug menu. However, Telegram plans to enable it automatically in chats with designated AI agent bots.
The difference is in how messages are displayed: your messages will remain in traditional chat bubbles, while the agent’s responses will appear as continuous blocks of text rather than separate bubbles.
Telegram is also preparing an agent_bot_ids field in its AppConfig, which will contain the IDs of bots that automatically receive this interface.
It looks like Telegram is gradually adapting its traditional messaging experience for a future where AI agents become a bigger part of the platform.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Как-то давно мы с вами не сравнивали генераторы изображений, а ведь они за последнее время мощно обновились. Особенно по части русского текста. Особенно это актуально будет тем, кто делает карточки товаров, обложки, рекламные макеты и конечно же ботов с нейросетями на заказ!)
🪼 Я решила проверить топовые генераторы - Nano Banana Pro, Nano Banana 2.1, ChatGPT Image 2.5, Seedream 5.0 Pro, FLUX 3 Klein и Qwen Image 3 Pro: один промпт, рекламный макет кофейни с тремя надписями (заголовок, цена и адрес). Я прогнала все 6 разом на souz.ai - благо там они сразу есть, это агрегатор, где 98 моделей живут в одном кабинете и оплачиваются российской картой. Но привлекли меня изначально цены на генераторы изображений)) Результат на картинке 👆 Остальное в комментах
Что получилось:
🪼 5 из 6 макетов без единой ошибки в русском тексте. Споткнулся только Qwen Image 3 Pro, и тот на адресе
🪼 Самый готовый макет сделал ChatGPT Image 2.5: разделитель, иконка адреса, аккуратная типографика. И он же самый дешевый - 70 копеек
🪼 Nano Banana 2.1 - журнальный стиль за 1,75 ₽ и 30 секунд, FLUX 3 Klein - те же 1,75 ₽, но за 14 секунд
🪼 Битва из шести макетов обошлась в 21 рубль, остальные тесты в PDF+промпты приложу в комменты - все 30 картинок обошлись в 108 рублей. Самая дорогая модель ошибалась в русском тексте чаще всех, самая дешевая - ни разу.
Что по условиям:
🪼 Картинки у них реально выгодные: Nano Banana 2.1 от 1,44 ₽, Nano Banana Pro от 3,49 ₽, ChatGPT Image 2.5 от 0,72 ₽ за штуку, кто делает ботов как я, присмотритесь 😉
🪼 У каждой модели плейграунд без кода, а для автоматизаций API, совместимый с OpenAI
🪼 При регистрации дают 100 ₽, хватит сгенерить примерно 50 макетов через ChatGPT Image или 25 через Nano Banana Pro
🪼 Остаток возвращают по оферте, без комиссий
Единственное, реальное списание бывает чуть выше цены "от" в каталоге, но точный чек по каждому запросу видно в истории.
Я Клоду дала апи, и погоняла в souz.ai и флагманские модели - Kimi, DeepSeek, GLM, Grok. Модели настоящие, даже Claude: все 6 на вопрос "кто ты" назвали себя и своего разработчика, а уровень ответов им соответствует👌
@NeuralProfit
• Sent via TeleFeed
Что получилось:
Что по условиям:
Единственное, реальное списание бывает чуть выше цены "от" в каталоге, но точный чек по каждому запросу видно в истории.
Я Клоду дала апи, и погоняла в souz.ai и флагманские модели - Kimi, DeepSeek, GLM, Grok. Модели настоящие, даже Claude: все 6 на вопрос "кто ты" назвали себя и своего разработчика, а уровень ответов им соответствует
@NeuralProfit
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Проверил популярную идею: Opus думает и ревьюит, а код пишет дипсик или квен.
Вроде должно выйти почти так же, но дешевле.
Раньше я собирал сеты из своих сессий, но там задачи слишком лёгкие. В этот раз взял 12 сложных задач из открытых бенчмарков, самые похожие на мою работу, в основном hard ML/SWE. Сделал пару прогонов, поправил сами задачи. Больше половины задач в бенчмарках не честные: тесты либо валили рабочее решение, либо пропускали слабое.
Потом прогнал разные связки моделей, там штук 7 разных сетапов включая из статьи дипсика про super agent и разные модели.
tldr: Стало хуже и дороже:
Один Opus: 81%, $1.20 за задачу
Opus + DeepSeek Flash: 67%, $1.29
Из интересного:
> Деньги в основном уходят на кеш промпта. кеш у Opus протухает, пока дешевая модель работает и пересобирать его дороже, чем вся работа дешёвой модели.
> Сработала идея по мотивам статьи DeepSeek про Super-agent: не запрещать Opus писать код, а сказать ему, что его токены в 20 раз дороже. Скор тот же, а цена почти вдвое ниже ($0.71).
> Дешёвые модели в одиночку обогнали все связки: Terra 78%, Sol 75%, по $0.17 за задачу.
> Sol отлично ревьюит, Opus в этой роли так себе. Пайплайн ревью: диффы и если есть косяк, просит воркера переделать.
ссылки:
1. Задачи лежат в Harbor, можете прогнать сами: линк
2. Полная таблица: линк
3. Тред в X линк
4. Пост на Reddit: линк
• Sent via TeleFeed
Вроде должно выйти почти так же, но дешевле.
Раньше я собирал сеты из своих сессий, но там задачи слишком лёгкие. В этот раз взял 12 сложных задач из открытых бенчмарков, самые похожие на мою работу, в основном hard ML/SWE. Сделал пару прогонов, поправил сами задачи. Больше половины задач в бенчмарках не честные: тесты либо валили рабочее решение, либо пропускали слабое.
Потом прогнал разные связки моделей, там штук 7 разных сетапов включая из статьи дипсика про super agent и разные модели.
tldr: Стало хуже и дороже:
Один Opus: 81%, $1.20 за задачу
Opus + DeepSeek Flash: 67%, $1.29
Из интересного:
> Деньги в основном уходят на кеш промпта. кеш у Opus протухает, пока дешевая модель работает и пересобирать его дороже, чем вся работа дешёвой модели.
> Сработала идея по мотивам статьи DeepSeek про Super-agent: не запрещать Opus писать код, а сказать ему, что его токены в 20 раз дороже. Скор тот же, а цена почти вдвое ниже ($0.71).
> Дешёвые модели в одиночку обогнали все связки: Terra 78%, Sol 75%, по $0.17 за задачу.
> Sol отлично ревьюит, Opus в этой роли так себе. Пайплайн ревью: диффы и если есть косяк, просит воркера переделать.
ссылки:
1. Задачи лежат в Harbor, можете прогнать сами: линк
2. Полная таблица: линк
3. Тред в X линк
4. Пост на Reddit: линк
• Sent via TeleFeed
Only 24% think it will do more good, according to the NBC News exit poll of Tuesday's midterm elections.
For many it shaped the vote. 56% called AI and data centers a crucial or major factor in choosing whom to send to Congress. And 76% said they would oppose a new data center in their own community.
Voters don't trust either side with it: 43% said neither party is better at handling AI, 29% picked Democrats and 27% Republicans.
Wall Street noticed. Stock futures fell overnight as Democratic wins were seen as a threat to the AI and data center boom, NBC reports. Elon Musk's reaction on X: "Data centers in space looking pretty appealing right now"
Early exit poll figures; they can still shift.
@aipost
• Sent via TeleFeed
Please open Telegram to view this post
VIEW IN TELEGRAM
Ну, за Рендерман (олды живы?)
Three.js r187 просто прекрасен.
1 967 478 960 полигонов при 60 кадрах в секунду в браузере на втором видео: MeshletDrawingPipeline в three.js r187 разбивает меши на кластеры по 64 треугольника. ГПУ отсекает невидимые элементы, а для удаленных объектов используются менее детализированные версии (LOD). Этот миллиард, кстати, создан с помощью Opus 5.5.
Ну и зачем нам 3D, если у нас будет связка LLM плюс Three.js?
@cgevent
• Sent via TeleFeed
Three.js r187 просто прекрасен.
1 967 478 960 полигонов при 60 кадрах в секунду в браузере на втором видео: MeshletDrawingPipeline в three.js r187 разбивает меши на кластеры по 64 треугольника. ГПУ отсекает невидимые элементы, а для удаленных объектов используются менее детализированные версии (LOD). Этот миллиард, кстати, создан с помощью Opus 5.5.
Ну и зачем нам 3D, если у нас будет связка LLM плюс Three.js?
@cgevent
• Sent via TeleFeed
Чуть выше в канале я писал про внутренний прогноз роста выручки Anthropic, и что он не подразумевает увеличения темпов роста в ближайшие кварталы. Их планирование исходит из того, что рост замедлится, и что кварталы с ростом на 100 и более процентов не повторятся. Но рост всё равно будет.
Из обновленной S-1, как Паша писал выше, стало известно, что до конца 2030 года у Anthropic заключены контракты на $447b, или в среднем по $105B в год — это включая те, из которых они могут выйти. ChatGPT оценивает (так как точной цифры нет), что неотменяемые контракты в этот срок составляют не более $350B, или $82B в год. А на ближайшие 12 месяцев и того меньше — $65.5B неотменяемых и $70B в общем.
Выручка за последний квартал — $17B, то есть даже если она перестанет расти (и не упадет), то в следующий год Anthropic получат $68B — этого хватит, чтобы оплатить все обязательства. Кроме этого есть другие операционные расходы, конечно, при темпе Q3 это будет ~$30B/год, из которых ~$18.5B — денежные, то есть придется жечь баланс. На балансе у компании более $120 миллиардов, и ещё $80-100B прибавится после IPO.
Это я всё к чему. В обсуждениях последних дней люди достаточно часто как бы насмехаются над теми, кто говорит про выручку в ближайший год:
• вы и дальше линии на графике просто вверх продолжаете?
• ты правда думаешь что если они заработали $32B за 9 месяцев 2026-го, то за следующие 12 месяцев заработают около $70B?
• и другие схожие вещи
И поэтому даже такой простой тезис, как «Anthropic полностью или почти полностью смогут оплатить вычислительные мощности со своей выручки на горизонте 12 месяцев» вызывает вопросы и встречается скептиками в штыки — хотя как я расписал выше по сути это данность, предполагающая отсутствие любого дальнейшего роста.
В попытках понять, насколько аналитики и скептики согласны со мной, я обратился к GPT и попросил поискать прогнозы «медведей» (так в финансах называют тех, кто верит в падение цены активов). Не буду детально пересказывать результаты, саммари такое: даже пессимистичные сценарии рассматривают, что рост какой-никакой будет. Кто-то считает, что через 4 квартала он опустится до полпроцента (но всё равно как-никак вырастет в предыдущие 3), кто-то даже рисует «скромные» десятки процентов роста.
Отдельно хотел отметить прогноз FutureSearch — это как раз одна из систем ИИ-прогнозирования, про которую я пересылал сообщение выше. На недавних соревнованиях они обошли ведущих прогнозистов-людей. По мнению системы, к маю выручка Anthropic вырастет на 65%, а пессимистичный десятый перцентиль предсказания — на 25%. «Десятый перцентиль» означает, что 90% сценариев по построенной модели выходят лучше (выручка выше).
Так что даже скептичные сценарии развития указывают на то, что Anthropic сможет оплатить мощности в ближайшие 12 месяцев со своей выручки, не сжигая деньги с баланса.
• Sent via TeleFeed
Из обновленной S-1, как Паша писал выше, стало известно, что до конца 2030 года у Anthropic заключены контракты на $447b, или в среднем по $105B в год — это включая те, из которых они могут выйти. ChatGPT оценивает (так как точной цифры нет), что неотменяемые контракты в этот срок составляют не более $350B, или $82B в год. А на ближайшие 12 месяцев и того меньше — $65.5B неотменяемых и $70B в общем.
Выручка за последний квартал — $17B, то есть даже если она перестанет расти (и не упадет), то в следующий год Anthropic получат $68B — этого хватит, чтобы оплатить все обязательства. Кроме этого есть другие операционные расходы, конечно, при темпе Q3 это будет ~$30B/год, из которых ~$18.5B — денежные, то есть придется жечь баланс. На балансе у компании более $120 миллиардов, и ещё $80-100B прибавится после IPO.
Это я всё к чему. В обсуждениях последних дней люди достаточно часто как бы насмехаются над теми, кто говорит про выручку в ближайший год:
• вы и дальше линии на графике просто вверх продолжаете?
• ты правда думаешь что если они заработали $32B за 9 месяцев 2026-го, то за следующие 12 месяцев заработают около $70B?
• и другие схожие вещи
И поэтому даже такой простой тезис, как «Anthropic полностью или почти полностью смогут оплатить вычислительные мощности со своей выручки на горизонте 12 месяцев» вызывает вопросы и встречается скептиками в штыки — хотя как я расписал выше по сути это данность, предполагающая отсутствие любого дальнейшего роста.
В попытках понять, насколько аналитики и скептики согласны со мной, я обратился к GPT и попросил поискать прогнозы «медведей» (так в финансах называют тех, кто верит в падение цены активов). Не буду детально пересказывать результаты, саммари такое: даже пессимистичные сценарии рассматривают, что рост какой-никакой будет. Кто-то считает, что через 4 квартала он опустится до полпроцента (но всё равно как-никак вырастет в предыдущие 3), кто-то даже рисует «скромные» десятки процентов роста.
Отдельно хотел отметить прогноз FutureSearch — это как раз одна из систем ИИ-прогнозирования, про которую я пересылал сообщение выше. На недавних соревнованиях они обошли ведущих прогнозистов-людей. По мнению системы, к маю выручка Anthropic вырастет на 65%, а пессимистичный десятый перцентиль предсказания — на 25%. «Десятый перцентиль» означает, что 90% сценариев по построенной модели выходят лучше (выручка выше).
Так что даже скептичные сценарии развития указывают на то, что Anthropic сможет оплатить мощности в ближайшие 12 месяцев со своей выручки, не сжигая деньги с баланса.
• Sent via TeleFeed
Media is too big
VIEW IN TELEGRAM
#Нейропрожарка
«Восхождение» / ASCENT / Короткометражный анимационный фильм.
Автор: Александр Ерохин
Связь: @CthulhuException
Что для нас самое важное в жизни — и что происходит, когда мы это теряем? «Восхождение» — история человека, который продолжает идти к цели, не смотря на риск погибнуть. Мне хотелось рассказать о том, ради чего мы движемся вперёд и что происходит со смыслом этого пути, когда самого важного рядом больше нет.
На сегодняшний день считаю «Восхождение» своей лучшей работой - по сценарию, эмоциональному воздействию и сочетанию изображения, монтажа и звука.
Производство: для работы использовался Codex с моделями GPT-5-6 Sol и GPT-6 Astra — разбор сцен, подготовка промптов и организация производственных задач. Под этот процесс разрабатывались собственные скиллы. Изображения и визуальные референсы создавались с помощью GPT-2 и Nano Banana Pro, видео — Seedance 2.5 и Wan 3.0. Работа с генерациями велась внутри платформы HX через MCP. Монтаж и сведение — CapCut. Важной задачей было сохранить цельный анимационный облик героев и связать отдельные клипы по движению и состоянию персонажей.
Большую часть истории несут изображение, музыка и звуки действий. Отдельно сводились нажатия на кнопку, шаги, окружающий фон и дополнительные эффекты: они должны совпадать с происходящим в кадре и поддерживать музыку. После изменений монтажа звуковые события пересинхронизировались, перепады громкости выравнивались. Музыка — Abel Korzeniowski.
На разбор хочется вынести эмоциональную сторону: считывается ли цена достижения без подробных объяснений и работают ли паузы между событиями?
На производство каждой работы в среднем уходило около недели свободного времени. Примерные расходы — 300–400 евро на фильм.
@cgevent
• Sent via TeleFeed
«Восхождение» / ASCENT / Короткометражный анимационный фильм.
Автор: Александр Ерохин
Связь: @CthulhuException
Что для нас самое важное в жизни — и что происходит, когда мы это теряем? «Восхождение» — история человека, который продолжает идти к цели, не смотря на риск погибнуть. Мне хотелось рассказать о том, ради чего мы движемся вперёд и что происходит со смыслом этого пути, когда самого важного рядом больше нет.
На сегодняшний день считаю «Восхождение» своей лучшей работой - по сценарию, эмоциональному воздействию и сочетанию изображения, монтажа и звука.
Производство: для работы использовался Codex с моделями GPT-5-6 Sol и GPT-6 Astra — разбор сцен, подготовка промптов и организация производственных задач. Под этот процесс разрабатывались собственные скиллы. Изображения и визуальные референсы создавались с помощью GPT-2 и Nano Banana Pro, видео — Seedance 2.5 и Wan 3.0. Работа с генерациями велась внутри платформы HX через MCP. Монтаж и сведение — CapCut. Важной задачей было сохранить цельный анимационный облик героев и связать отдельные клипы по движению и состоянию персонажей.
Большую часть истории несут изображение, музыка и звуки действий. Отдельно сводились нажатия на кнопку, шаги, окружающий фон и дополнительные эффекты: они должны совпадать с происходящим в кадре и поддерживать музыку. После изменений монтажа звуковые события пересинхронизировались, перепады громкости выравнивались. Музыка — Abel Korzeniowski.
На разбор хочется вынести эмоциональную сторону: считывается ли цена достижения без подробных объяснений и работают ли паузы между событиями?
На производство каждой работы в среднем уходило около недели свободного времени. Примерные расходы — 300–400 евро на фильм.
@cgevent
• Sent via TeleFeed
Есть такой забавный подход как синтетическое пред-предобучение, когда модель обучают на какой-то структурированной синтетике (клеточные автоматы, языки с балансированными вложенными скобками и т.п.), чтобы она заранее усвоила какие-то потенциально полезные структуры.
Так вот, свежая работа показывает, что если честно учитывать все токены и флопсы, это ничего не даёт. Как только начинается обучение на естественном языке, оно нафиг перетирает все эти внедрённые баесы на правильные.
Вспоминается анекдот про то, как потом пришёл муж и переделал всё по-своему.
Rethinking Pre-Pretraining
Alexander Stern, Tim Rocktäschel, Acyr Locatelli, Laura Ruis
Paper: https://arxiv.org/abs/2610.40051
Code: https://github.com/alexkstern/rethinking-ppt, https://github.com/alexkstern/llmtuna-hpo
Review: https://arxiviq.substack.com/p/rethinking-pre-pretraining
ЧТО сделали: Проверили, помогает ли синтетическое пред-предобучение (PPT) — предварительный этап обучения на процедурно сгенерированных последовательностях — при фиксированном бюджете FLOPs. Предложили синтетический корпус для поиска значений переменных DeclRef и оптимизатор гиперпараметров на базе LLM LLMTuna.
ЧТО получили: Ни в одном из протестированных режимов с равным бюджетом вычислений PPT не обыгрывает обучение чисто на естественном языке. При дефиците данных (100M токенов FineWeb, 1 × 10¹⁸ FLOPs) повторение обычного текста даёт 1.064 бит на байт (BPB) на валидации, а выделение 1%–10% FLOPs на PPT ухудшает метрику до 1.068–1.076 BPB. При воспроизведении PPT на клеточных автоматах (NCA) для LLaMA на 400M параметров (OpenWebText) смена инициализации эмбеддингов с 𝒩(0, 1) на 𝒩(0, 0.02) улучшает перплексию бейзлайна без PPT на 9.0%, полностью перекрывая 5.4% выигрыша от NCA PPT.
ПОЧЕМУ это важно: Предварительная подача синтетики впустую тратит вычисления: при переходе к естественному языку модель перезаписывает выученные структуры, а прежние успехи PPT во многом компенсировали плохую инициализацию весов. Впрочем, все модели здесь меньше 1B параметров, а тест инициализации LLaMA и эксперименты с перемешиванием данных проводились без повторного подбора гиперпараметров.
Отказываться от синтетики тут: https://t.me/gonzo_ML_podcasts/4844
• Sent via TeleFeed
Так вот, свежая работа показывает, что если честно учитывать все токены и флопсы, это ничего не даёт. Как только начинается обучение на естественном языке, оно нафиг перетирает все эти внедрённые баесы на правильные.
Вспоминается анекдот про то, как потом пришёл муж и переделал всё по-своему.
Rethinking Pre-Pretraining
Alexander Stern, Tim Rocktäschel, Acyr Locatelli, Laura Ruis
Paper: https://arxiv.org/abs/2610.40051
Code: https://github.com/alexkstern/rethinking-ppt, https://github.com/alexkstern/llmtuna-hpo
Review: https://arxiviq.substack.com/p/rethinking-pre-pretraining
ЧТО сделали: Проверили, помогает ли синтетическое пред-предобучение (PPT) — предварительный этап обучения на процедурно сгенерированных последовательностях — при фиксированном бюджете FLOPs. Предложили синтетический корпус для поиска значений переменных DeclRef и оптимизатор гиперпараметров на базе LLM LLMTuna.
ЧТО получили: Ни в одном из протестированных режимов с равным бюджетом вычислений PPT не обыгрывает обучение чисто на естественном языке. При дефиците данных (100M токенов FineWeb, 1 × 10¹⁸ FLOPs) повторение обычного текста даёт 1.064 бит на байт (BPB) на валидации, а выделение 1%–10% FLOPs на PPT ухудшает метрику до 1.068–1.076 BPB. При воспроизведении PPT на клеточных автоматах (NCA) для LLaMA на 400M параметров (OpenWebText) смена инициализации эмбеддингов с 𝒩(0, 1) на 𝒩(0, 0.02) улучшает перплексию бейзлайна без PPT на 9.0%, полностью перекрывая 5.4% выигрыша от NCA PPT.
ПОЧЕМУ это важно: Предварительная подача синтетики впустую тратит вычисления: при переходе к естественному языку модель перезаписывает выученные структуры, а прежние успехи PPT во многом компенсировали плохую инициализацию весов. Впрочем, все модели здесь меньше 1B параметров, а тест инициализации LLaMA и эксперименты с перемешиванием данных проводились без повторного подбора гиперпараметров.
Отказываться от синтетики тут: https://t.me/gonzo_ML_podcasts/4844
• Sent via TeleFeed
arXiv.org
Rethinking Pre-pretraining
We report that allocating compute to synthetic pre-pretraining (PPT) never outperforms pure natural-language training in our compute-matched experiments. This holds across four PPT curricula...
The more AI this marketing chief exec uses, the less scared he gets
A marketing exec says he uses AI-built apps and voice tools to streamline work, travel, and creativity — not replace humans.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
A marketing exec says he uses AI-built apps and voice tools to streamline work, travel, and creativity — not replace humans.
Read Full Story 🔹 Subscribe
#AI ⚡️ #ArtificialIntelligence ⚡️ #Tech
• Sent via TeleFeed
US election results threaten AI data center expansion
The November 3, 2026, U.S. midterm election results are triggering an immediate regulatory pivot against the artificial intelligence infrastructure boom. Democratic candidates secured key gubernatorial victories across multiple states after campaigning on strict plans to restrict data center construction. Nationwide, 45 ballot measures challenging new developments appeared, with voters overwhelmingly siding against expansion projects.
The political shift has rattled investors, pushing CoreWeave bonds to new lows 📉. Stocks linked to infrastructure build-outs, including IREN, Hut 8, and Applied Digital, faced sharp declines as markets priced in stricter local oversight.
In Texas, Governor-elect Gina Hinojosa plans to implement an immediate moratorium on new permit approvals. She intends to block developments until a legislative session prioritizes local resource use, such as water and electricity, over the demands of large tech corporations.
While hyper-scalers like Microsoft and Amazon saw stock prices climb, the physical growth of the sector now faces localized legal roadblocks in nearly half of all proposed U.S. project sites.
#ArtificialIntelligence ⚡ #DataCenters ⚡ #USPolitics
Subscribe
• Sent via TeleFeed
The November 3, 2026, U.S. midterm election results are triggering an immediate regulatory pivot against the artificial intelligence infrastructure boom. Democratic candidates secured key gubernatorial victories across multiple states after campaigning on strict plans to restrict data center construction. Nationwide, 45 ballot measures challenging new developments appeared, with voters overwhelmingly siding against expansion projects.
The political shift has rattled investors, pushing CoreWeave bonds to new lows 📉. Stocks linked to infrastructure build-outs, including IREN, Hut 8, and Applied Digital, faced sharp declines as markets priced in stricter local oversight.
In Texas, Governor-elect Gina Hinojosa plans to implement an immediate moratorium on new permit approvals. She intends to block developments until a legislative session prioritizes local resource use, such as water and electricity, over the demands of large tech corporations.
While hyper-scalers like Microsoft and Amazon saw stock prices climb, the physical growth of the sector now faces localized legal roadblocks in nearly half of all proposed U.S. project sites.
#ArtificialIntelligence ⚡ #DataCenters ⚡ #USPolitics
Subscribe
• Sent via TeleFeed
Telegram
Meet ChatGPT!
Explore creative ways to use the latest AI tools. Stay updated on OpenAI, Anthropic, Google, Meta, Mistral, xAI — and AI models like ChatGPT, Claude, Gemini, Llama, Grok, DeepSeek.
Buy ads: https://telega.io/c/meet_chatgpt
Contact us: @RealPanda_bot
Buy ads: https://telega.io/c/meet_chatgpt
Contact us: @RealPanda_bot