Forwarded from Метаверсище и ИИще
This media is not supported in your browser
VIEW IN TELEGRAM
😁41🔥4🤣2
Эдди Османи, известный ИИ инженер, недавно присоединившийся к Антропику, поделился инструкцией к новому Опусу 5.5
Кратко:
📌 Как теперь надо
- Давать задачу целиком одним сообщением + назвать «финишную черту» (что значит «готово») и когда остановиться. Дальше — не мешать.
- Давать ей самой работать на длинных многошаговых задачах — Opus 5.5 тянет часы почти без присмотра.
- Дополнять запущенную задачу по ходу (дописать follow-up), а не перезапускать.
- Для дизайна — перечислять конкретные нежелательные стили, а не «избегай безликого вида».
- Прописать в CLAUDE.md: когда продолжать, когда останавливаться и спрашивать; перед разрушительным — стоп.
- Разбивать большие аудиты/миграции по субагентам и проверять доказательства каждого.
- Держать список задач в файле (TASKS.md) и читать файл, а не скроллбэк.
- При завершении — сначала читать «что нужно от меня», потом остальное саммари.
- Просить ревью кода до человека; просить помечать неподтверждённое.
- Прикреплять график/скриншот, а не перепечатывать цифры; просить сразу готовый файл, а не план.
- В проекте фиксировать: ранние ответы уже решены (ускоряет уточнения).
- /fast — для быстрого back-and-forth.
❌ Как теперь не надо
- Не писать «подумай внимательно / думай пошагово» — модель и так думает перед каждым ответом, это только замедляет.
- Не перезапускать долгую задачу из-за мелочи.
- Не давать общих дизайн-указаний — только конкретные паттерны.
- Не просить показывать внутренние рассуждения в ответе — это отклоняется.
- Не выключать запросы разрешения на разрушительные команды.
- Не перепечатывать цифры вместо прикрепления графика.
- Не читать всё саммари подряд — сначала блок «что нужно от меня».
Полная версия тут
#Osmani #Opus #промпты
------
@tsungular
Кратко:
📌 Как теперь надо
- Давать задачу целиком одним сообщением + назвать «финишную черту» (что значит «готово») и когда остановиться. Дальше — не мешать.
- Давать ей самой работать на длинных многошаговых задачах — Opus 5.5 тянет часы почти без присмотра.
- Дополнять запущенную задачу по ходу (дописать follow-up), а не перезапускать.
- Для дизайна — перечислять конкретные нежелательные стили, а не «избегай безликого вида».
- Прописать в CLAUDE.md: когда продолжать, когда останавливаться и спрашивать; перед разрушительным — стоп.
- Разбивать большие аудиты/миграции по субагентам и проверять доказательства каждого.
- Держать список задач в файле (TASKS.md) и читать файл, а не скроллбэк.
- При завершении — сначала читать «что нужно от меня», потом остальное саммари.
- Просить ревью кода до человека; просить помечать неподтверждённое.
- Прикреплять график/скриншот, а не перепечатывать цифры; просить сразу готовый файл, а не план.
- В проекте фиксировать: ранние ответы уже решены (ускоряет уточнения).
- /fast — для быстрого back-and-forth.
❌ Как теперь не надо
- Не писать «подумай внимательно / думай пошагово» — модель и так думает перед каждым ответом, это только замедляет.
- Не перезапускать долгую задачу из-за мелочи.
- Не давать общих дизайн-указаний — только конкретные паттерны.
- Не просить показывать внутренние рассуждения в ответе — это отклоняется.
- Не выключать запросы разрешения на разрушительные команды.
- Не перепечатывать цифры вместо прикрепления графика.
- Не читать всё саммари подряд — сначала блок «что нужно от меня».
Полная версия тут
#Osmani #Opus #промпты
------
@tsungular
✍19❤8🔥4⚡1👍1🤔1😐1
Google Cloud AI Research выкатила RRSI, это как RSI только еще и Regularized
Самоулучшение агентов становится нормой, но упирается в те же проблемы, которые были на этапах обучения моделей. - на тренировочном бенчмарке метрики растут, но если дать агенту незнакомые задачи, и эффект от обучения исчезает.
🔧 Знакомая болезнь, - переобучение:
Нейросети прошли через то же, пока регуляризация не научила их обобщать.
В Google Cloud AI Research применили этот же подход к самоулучшению агентов.
Харнесс остаётся полностью редактируемым, а регуляризуют сам поиск.
Предложения:
затухающий бюджет правок: к финальным раундам остаётся одна
история правок с гипотезами: опровергнутое не тестируется заново
при стагнации бюджет уходит на нетронутые компоненты
Отбор:
критик до оценки отвергает подгонку с ответами и именами задач
шумовой пол: прирост обязан перекрыть разброс на неизменном харнессе
правило оплаты: лишние токены должны быть оплачены измеримым приростом
прореживание: компонент без пользы помечают на удаление
📊 Цифры:
Эволюция шла на одном бенчмарке, затем готовый харнесс запускали на остальных.
Кодинг: Terminal-Bench 74.2 → 80.2, SWE-bench Verified 82.0 → 83.8, хотя тот не участвовал в отборе.
Агентские задачи: JobBench +4.7, GDPval +3.5, APEX-Agents +3.7.
Инженерия: Frontier-Eng 17.7 → 22.0, плюс 24.3%.
Все шесть отложенных выросли; предшественники теряли прирост вне своих бенчмарков.
Бонус: харнесс тратит на ~30% меньше токенов, чем эволюция без регуляризации.
Не успели мы в 2026м привыкнуть к лавине агентских кодовых фреймворков, теперь это.
Походу мы уверенно врываемся в эпоху самоулучшающихся агентов. Таких механик будет всё больше и больше и каждая будет тянуть на свою поляну.
Важно не только успевать их пробовать, но и уметь оценивать эффект, - действительно ли они стали лучше и в чём именно.
Нужен полигон для RSI систем, причём в каждой компании свой, - в закрытом контуре, чтобы не сбежали не дай бог :)
📎 Код
Сайт проекта
#RRSI #RSI #агенты #Google
———
@tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен
Самоулучшение агентов становится нормой, но упирается в те же проблемы, которые были на этапах обучения моделей. - на тренировочном бенчмарке метрики растут, но если дать агенту незнакомые задачи, и эффект от обучения исчезает.
🔧 Знакомая болезнь, - переобучение:
Нейросети прошли через то же, пока регуляризация не научила их обобщать.
В Google Cloud AI Research применили этот же подход к самоулучшению агентов.
Харнесс остаётся полностью редактируемым, а регуляризуют сам поиск.
Предложения:
затухающий бюджет правок: к финальным раундам остаётся одна
история правок с гипотезами: опровергнутое не тестируется заново
при стагнации бюджет уходит на нетронутые компоненты
Отбор:
критик до оценки отвергает подгонку с ответами и именами задач
шумовой пол: прирост обязан перекрыть разброс на неизменном харнессе
правило оплаты: лишние токены должны быть оплачены измеримым приростом
прореживание: компонент без пользы помечают на удаление
📊 Цифры:
Эволюция шла на одном бенчмарке, затем готовый харнесс запускали на остальных.
Кодинг: Terminal-Bench 74.2 → 80.2, SWE-bench Verified 82.0 → 83.8, хотя тот не участвовал в отборе.
Агентские задачи: JobBench +4.7, GDPval +3.5, APEX-Agents +3.7.
Инженерия: Frontier-Eng 17.7 → 22.0, плюс 24.3%.
Все шесть отложенных выросли; предшественники теряли прирост вне своих бенчмарков.
Бонус: харнесс тратит на ~30% меньше токенов, чем эволюция без регуляризации.
Не успели мы в 2026м привыкнуть к лавине агентских кодовых фреймворков, теперь это.
Походу мы уверенно врываемся в эпоху самоулучшающихся агентов. Таких механик будет всё больше и больше и каждая будет тянуть на свою поляну.
Важно не только успевать их пробовать, но и уметь оценивать эффект, - действительно ли они стали лучше и в чём именно.
Нужен полигон для RSI систем, причём в каждой компании свой, - в закрытом контуре, чтобы не сбежали не дай бог :)
📎 Код
Сайт проекта
#RRSI #RSI #агенты #Google
———
@tsingular | Max | YouTube | RuTube | VK | VK Video | Дзен
🔥10⚡4❤2🤩2🤯1
Создатель oMLX перешёл работать в Hugging Face, проект остался открытым
Hugging Face объявила о найме Jun Kim (jundot), автора и ведущего разработчика oMLX.
Лицензия Apache 2.0 сохраняется: Kim продолжает руководить проектом. Из хобби проект переходит в полностью финансируемую разработку. (под крышей NVidia :) )
⚙️ oMLX это сервер локального запуска моделей на Apple Silicon поверх фреймворка MLX. Главное решение: постраничный кеш KV-блоков на SSD. Агентские сессии постоянно сдвигают контекст и обнуляют кеш, поэтому на длинных промптах первый токен приезжал через 30-90 секунд. oMLX кладёт блоки кеша на диск в формате safetensors и восстанавливает совпавший префикс за миллисекунды, в том числе после перезапуска сервера.
Дальше по списку: непрерывная пакетная обработка запросов с ускорением до 4,14 раза на восьми параллельных, одновременная работа языковой, зрительной, эмбеддинговой модели и реранкера, совместимость с API OpenAI и Anthropic, вызов инструментов и MCP, приложение в строке меню macOS. С февраля проект собрал 22 тысячи звёзд и 125 релизов.
🎯 Для MLX Hugging Face отводит oMLX роль испытательного полигона, а удачные решения поднимает в mlx-lm и mlx-vlm. Отдельный фокус: быстрый перенос описания модели из transformers в эталонную реализацию на MLX, чтобы новые модели заводились во всех движках сразу.
💼 Вывод хотите устроиться в ИИ гиганта, - сделайте стартап, который бы они купили вместе с вами :)
Openclaw вот в начале года, теперь oMLX.
#oMLX #MLX #HuggingFace
———
@tsingular
Hugging Face объявила о найме Jun Kim (jundot), автора и ведущего разработчика oMLX.
Лицензия Apache 2.0 сохраняется: Kim продолжает руководить проектом. Из хобби проект переходит в полностью финансируемую разработку. (под крышей NVidia :) )
⚙️ oMLX это сервер локального запуска моделей на Apple Silicon поверх фреймворка MLX. Главное решение: постраничный кеш KV-блоков на SSD. Агентские сессии постоянно сдвигают контекст и обнуляют кеш, поэтому на длинных промптах первый токен приезжал через 30-90 секунд. oMLX кладёт блоки кеша на диск в формате safetensors и восстанавливает совпавший префикс за миллисекунды, в том числе после перезапуска сервера.
Дальше по списку: непрерывная пакетная обработка запросов с ускорением до 4,14 раза на восьми параллельных, одновременная работа языковой, зрительной, эмбеддинговой модели и реранкера, совместимость с API OpenAI и Anthropic, вызов инструментов и MCP, приложение в строке меню macOS. С февраля проект собрал 22 тысячи звёзд и 125 релизов.
🎯 Для MLX Hugging Face отводит oMLX роль испытательного полигона, а удачные решения поднимает в mlx-lm и mlx-vlm. Отдельный фокус: быстрый перенос описания модели из transformers в эталонную реализацию на MLX, чтобы новые модели заводились во всех движках сразу.
💼 Вывод хотите устроиться в ИИ гиганта, - сделайте стартап, который бы они купили вместе с вами :)
Openclaw вот в начале года, теперь oMLX.
#oMLX #MLX #HuggingFace
———
@tsingular
🔥11✍2⚡2👍1
Клод умеет писать картины кодом.
просто просишь его повторить стиль автора и написать себе библиотеки, если нужно.
код в комментарии
(читать его отдельное удовольствие, - рекомендую, даже если вы не программист)
Прикольно, но мы сделаем ещё 1 шаг, - закинем картинку от Опуса в GPT - и вуаля, - у нас шедевр!
А дальше идём в Grok Imagine и у нас видео :)
what a time to be alive!
#нейрорендер #Claude #Opus #Айвазовский #dev
———
@tsingular
просто просишь его повторить стиль автора и написать себе библиотеки, если нужно.
код в комментарии
(читать его отдельное удовольствие, - рекомендую, даже если вы не программист)
Прикольно, но мы сделаем ещё 1 шаг, - закинем картинку от Опуса в GPT - и вуаля, - у нас шедевр!
А дальше идём в Grok Imagine и у нас видео :)
what a time to be alive!
#нейрорендер #Claude #Opus #Айвазовский #dev
———
@tsingular
🔥25❤6👍2⚡1
🔥25👍4⚡2
Forwarded from Уставший техдир
This media is not supported in your browser
VIEW IN TELEGRAM
История топовых AI-компаний в одном ролике
А ведь еще недавно, мысль, что нейронки будут выдавать качественную кинематографичную картинку у большинства скептиков вызывала смех
А ведь еще недавно, мысль, что нейронки будут выдавать качественную кинематографичную картинку у большинства скептиков вызывала смех
🔥49🤩25🤣5⚡2
JetBrains Air: 26 лет разработки IDE получают глоток свежего воздуха
📋 JetBrains Air,- зонтичная система агентной разработки, запущенная 22 сентября.
Внутри: Air в самих IDE, Air Teams для координации команд и Air Governance (бывший JetBrains Central) для управления расходами и политиками, плюс свой агент Junie.
26 лет JetBrains делала рабочее место для команд разработчиков, а теперь строит систему для команд ИИ агентов.
🔧 Открытость в основе.
Агенты подключаются через ACP, общий протокол JetBrains и Zed, в реестре уже Claude Agent, Codex, Gemini CLI, Copilot и OpenCode.
Мультивендорная поддержка обеспечивается и на уровне моделей и на уровне харнесса.
Air сам по себе бесплатен, модели идут через подписку AI Pro за 10 долларов в месяц или AI Ultimate за 30 либо через свои ключи от Anthropic, OpenAI и Google.
💼 Выводы для бизнеса:
JetBrains предоставляет единый слой контроля над агентами вендоров.
Ставка тут на то, что рынок моделей и агентов растет по экспоненте и нужны инструменты и среды, которые консолидируют не только разработку, но и упростят управление процессами, политиками и затратами для любых поставщиков ИИ в компании.
📎 Ссылки:
• JetBrains Air
• ACP
• Air Governance
Диспетчерская для агентов разработчиков.
#JetBrains #агенты #разработка #IDE
------
@tsingular
📋 JetBrains Air,- зонтичная система агентной разработки, запущенная 22 сентября.
Внутри: Air в самих IDE, Air Teams для координации команд и Air Governance (бывший JetBrains Central) для управления расходами и политиками, плюс свой агент Junie.
26 лет JetBrains делала рабочее место для команд разработчиков, а теперь строит систему для команд ИИ агентов.
🔧 Открытость в основе.
Агенты подключаются через ACP, общий протокол JetBrains и Zed, в реестре уже Claude Agent, Codex, Gemini CLI, Copilot и OpenCode.
Мультивендорная поддержка обеспечивается и на уровне моделей и на уровне харнесса.
Air сам по себе бесплатен, модели идут через подписку AI Pro за 10 долларов в месяц или AI Ultimate за 30 либо через свои ключи от Anthropic, OpenAI и Google.
💼 Выводы для бизнеса:
JetBrains предоставляет единый слой контроля над агентами вендоров.
Ставка тут на то, что рынок моделей и агентов растет по экспоненте и нужны инструменты и среды, которые консолидируют не только разработку, но и упростят управление процессами, политиками и затратами для любых поставщиков ИИ в компании.
📎 Ссылки:
• JetBrains Air
• ACP
• Air Governance
Диспетчерская для агентов разработчиков.
#JetBrains #агенты #разработка #IDE
------
@tsingular
🤣7🔥4⚡3❤2🫡1🗿1🦄1
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
🧬 Claude обнаружил ранее неописанную ферментную систему с повторами ДНК, напоминающими CRISPR, сообщает Anthropic.
Около 950 агентов работали 21 час и использовали 210 млн токенов. Они исследовали более 200 тысяч обратных транскриптаз - ферментов, копирующих РНК в ДНК, - выделили 3500 потенциальных систем и отобрали 20 наиболее интересных.
Один агент заметил необычные повторяющиеся последовательности рядом с геном фермента.
Находку назвали ART - array-associated reverse transcriptases. Она встречается преимущественно у бактериофагов - вирусов, заражающих бактерии.
Сам фермент был известен ранее. Claude выявил связанные с ним повторы и дополнительный белок, которые вместе образуют отдельную систему. Учёные провели первые лабораторные эксперименты: оказалось, что из массива повторов образуются разные короткие РНК.
Функция ART пока неизвестна, а возможность использовать её для редактирования генома ещё предстоит исследовать.
Поиск и анализ выполняли агенты, лабораторную работу - люди. Результаты опубликованы в препринте.
https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
@ai_machinelearning_big_data
#claude #anthropic
Около 950 агентов работали 21 час и использовали 210 млн токенов. Они исследовали более 200 тысяч обратных транскриптаз - ферментов, копирующих РНК в ДНК, - выделили 3500 потенциальных систем и отобрали 20 наиболее интересных.
Один агент заметил необычные повторяющиеся последовательности рядом с геном фермента.
Находку назвали ART - array-associated reverse transcriptases. Она встречается преимущественно у бактериофагов - вирусов, заражающих бактерии.
Сам фермент был известен ранее. Claude выявил связанные с ним повторы и дополнительный белок, которые вместе образуют отдельную систему. Учёные провели первые лабораторные эксперименты: оказалось, что из массива повторов образуются разные короткие РНК.
Функция ART пока неизвестна, а возможность использовать её для редактирования генома ещё предстоит исследовать.
Поиск и анализ выполняли агенты, лабораторную работу - люди. Результаты опубликованы в препринте.
https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
@ai_machinelearning_big_data
#claude #anthropic
1👍14🔥12⚡2
Forwarded from Анализ данных (Data analysis)
⚡️ Claude помог ускорить собственный интерфейс втрое за две недели
Anthropic рассказала, как команда вместе с Claude внесла более 3000 изменений в claude.ai и десктопное приложение. По данным компании - без пользовательских инцидентов и откатов.
Результаты по 75-му перцентилю:
— Готовность сайта к вводу: 3,1 → 0,55 секунды.
— Загрузка облачной сессии Cowork: 2,6 → 0,73 секунды.
— Запуск десктопного приложения: 6,3 → 3,3 секунды.
Всё координировали в Slack: одновременно шло более 150 тредов. Claude находил узкие места, создавал бенчмарки, готовил исправления и проверял метрики после выпуска. Каждое изменение одобрял человек.
Среди находок — 6900 React-хуков и 900 подписок, участвовавших в обработке каждого нажатия клавиши, и лишний вызов
Чтобы ускорения сохранялись, в CI добавили проверки: изменение, увеличивающее число инструкций на контролируемом участке, не проходит.
Ускорили загрузку, навигацию и отрисовку интерфейса. Заявленные «3×» относятся именно к этим сценариям.
https://claude.dev/blog/how-we-made-claude-ai-faster/
Anthropic рассказала, как команда вместе с Claude внесла более 3000 изменений в claude.ai и десктопное приложение. По данным компании - без пользовательских инцидентов и откатов.
Результаты по 75-му перцентилю:
— Готовность сайта к вводу: 3,1 → 0,55 секунды.
— Загрузка облачной сессии Cowork: 2,6 → 0,73 секунды.
— Запуск десктопного приложения: 6,3 → 3,3 секунды.
Всё координировали в Slack: одновременно шло более 150 тредов. Claude находил узкие места, создавал бенчмарки, готовил исправления и проверял метрики после выпуска. Каждое изменение одобрял человек.
Среди находок — 6900 React-хуков и 900 подписок, участвовавших в обработке каждого нажатия клавиши, и лишний вызов
location.reload(), вызывавший полмиллиона скрытых перезагрузок в день.Чтобы ускорения сохранялись, в CI добавили проверки: изменение, увеличивающее число инструкций на контролируемом участке, не проходит.
Ускорили загрузку, навигацию и отрисовку интерфейса. Заявленные «3×» относятся именно к этим сценариям.
https://claude.dev/blog/how-we-made-claude-ai-faster/
🔥18⚡3❤🔥1❤1
Forwarded from Тимур Хахалев про AI Coding
Интересные инсайты по skills
Тут недавно на Hacker News появился тред с вопросом "Как вы менеджите ваши skills".
Почитал весь тред и решил выписать интересные на мой взгляд инсайты и добавить немного от себя.
Skill – это кэш рабочего процесса: "как уже делали эту задачу". Должен отвечать на вопрос "как сделать X".
1. Когда skill действительно нужен
- нужно хранить то, чего нет в обучающих данных модели:
- внутренние сервисы;
- нестандартные конфигурации;
- инфраструктуру и связи между репозиториями;
- правила доступа к окружениям.
- принятые в команде гайдлайны
- один и тот же процесс повторяется несколько раз в день или в неделю;
- процесс должен выполняться одним и тем же способом;
например:
- нужно не забывать тесты, документацию, ревью или другие обязательные шаги;
- нужно выполнять compliance-проверку;
- часто требуется один и тот же способ работы с Jira, Git, CI, инфраструктурой или браузером;
При этом, если действие можно выразить обычным кодом, лучше выразить его кодом. Модели оставить принятие решений и задачи, которые трудно формализовать.
2. Как создавать skills
- не начинать с поиска готовых skills.
- сначала попросить агента выполнить задачу.
- попросить агента упаковать процесс выполнения задачи в skill. Тут рекомендую использовать skill-creator от Anthropic – там есть evals для проверки skill.
- попробовать skill в новом чате
3. Улучшение skill
- после каждой сессии со скиллом анализировать, что можно вынести в skill;
- собирать статистику повторяющихся рабочих процессов для создания новых скиллов;
- просить другой frontier-моделью уменьшить и упростить текст skill.
- проводить ежемесячный аудит неиспользуемых skills;
4. Безопасность
- Рассматривать каждый skill как код, которому агент доверяет.
- Проверять происхождение и содержимое.
- Не устанавливать случайные skills из интернета без ревью.
В комментах добавьте ваши инсайты по скиллам!inb4: скиллы не нужны
Лайк, репост,
✔ ️ Тимур Хахалев про AI Coding, подписывайтесь!
Тут недавно на Hacker News появился тред с вопросом "Как вы менеджите ваши skills".
Почитал весь тред и решил выписать интересные на мой взгляд инсайты и добавить немного от себя.
Skill – это кэш рабочего процесса: "как уже делали эту задачу". Должен отвечать на вопрос "как сделать X".
1. Когда skill действительно нужен
- нужно хранить то, чего нет в обучающих данных модели:
- внутренние сервисы;
- нестандартные конфигурации;
- инфраструктуру и связи между репозиториями;
- правила доступа к окружениям.
- принятые в команде гайдлайны
- один и тот же процесс повторяется несколько раз в день или в неделю;
- процесс должен выполняться одним и тем же способом;
например:
- нужно не забывать тесты, документацию, ревью или другие обязательные шаги;
- нужно выполнять compliance-проверку;
- часто требуется один и тот же способ работы с Jira, Git, CI, инфраструктурой или браузером;
При этом, если действие можно выразить обычным кодом, лучше выразить его кодом. Модели оставить принятие решений и задачи, которые трудно формализовать.
2. Как создавать skills
- не начинать с поиска готовых skills.
- сначала попросить агента выполнить задачу.
- попросить агента упаковать процесс выполнения задачи в skill. Тут рекомендую использовать skill-creator от Anthropic – там есть evals для проверки skill.
- попробовать skill в новом чате
3. Улучшение skill
- после каждой сессии со скиллом анализировать, что можно вынести в skill;
- собирать статистику повторяющихся рабочих процессов для создания новых скиллов;
- просить другой frontier-моделью уменьшить и упростить текст skill.
- проводить ежемесячный аудит неиспользуемых skills;
4. Безопасность
- Рассматривать каждый skill как код, которому агент доверяет.
- Проверять происхождение и содержимое.
- Не устанавливать случайные skills из интернета без ревью.
В комментах добавьте ваши инсайты по скиллам!
Лайк, репост,
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥11❤6✍3⚡2💯1
This media is not supported in your browser
VIEW IN TELEGRAM
Крупнейшее в мире шоу человекоподобных роботов в реальном времени в прямом эфире 💃
На церемонии открытия WorldSkills Shanghai 2026, 22 сентября, 19 человекоподобных роботов Unitree выступили вместе со 120 танцорами. Это крупнейшее в мире шоу с участием полноразмерных универсальных человекоподобных роботов: перед аудиторией более 10 000 человек полностью управляемый ИИ автономный танцевальный коллектив роботов выступил с прямой трансляцией по всему миру в реальном времени.
- 19 роботов + 120 танцоров — это групповое автономное поведение, а не одиночная демонстрация. Для физического ИИ это заметно сложнее: синхронизация и устойчивость в толпе людей.
- Заявлено полностью автономное управление ИИ без телеоператора. На видео это не проверить, но Unitree обычно показывает именно такие шоу.
#Unitree #роботы #PhysicalAI #AGI #Embodiedintelligence #Китай
------
@tsingular
На церемонии открытия WorldSkills Shanghai 2026, 22 сентября, 19 человекоподобных роботов Unitree выступили вместе со 120 танцорами. Это крупнейшее в мире шоу с участием полноразмерных универсальных человекоподобных роботов: перед аудиторией более 10 000 человек полностью управляемый ИИ автономный танцевальный коллектив роботов выступил с прямой трансляцией по всему миру в реальном времени.
- 19 роботов + 120 танцоров — это групповое автономное поведение, а не одиночная демонстрация. Для физического ИИ это заметно сложнее: синхронизация и устойчивость в толпе людей.
- Заявлено полностью автономное управление ИИ без телеоператора. На видео это не проверить, но Unitree обычно показывает именно такие шоу.
#Unitree #роботы #PhysicalAI #AGI #Embodiedintelligence #Китай
------
@tsingular
⚡8🔥8👾5❤1🆒1
Forwarded from Хакер — Xakep.RU
Малварь ClosedQuorum использует Gemini, DeepSeek, Qwen и Mistral для принятия решений
Исследователи Cisco Talos обнаружили Windows-малварь ClosedQuorum. После заражения этот вредонос не ждет команд от своих операторов, а принимает решения сам, проконсультировавшись с четырьмя ИИ-моделями: DeepSeek, Qwen, Mistral и Google Gemini. Специалисты называют ClosedQuorum первой публично описанной Windows-малварью, которая отдает тактические решения на откуп ИИ.
https://xakep.ru/2026/09/24/closedquorum/
Исследователи Cisco Talos обнаружили Windows-малварь ClosedQuorum. После заражения этот вредонос не ждет команд от своих операторов, а принимает решения сам, проконсультировавшись с четырьмя ИИ-моделями: DeepSeek, Qwen, Mistral и Google Gemini. Специалисты называют ClosedQuorum первой публично описанной Windows-малварью, которая отдает тактические решения на откуп ИИ.
https://xakep.ru/2026/09/24/closedquorum/