Технозаметки Малышева
13.2K subscribers
5.6K photos
2.13K videos
43 files
5.54K links
Новости инноваций из мира Искусственного Интеллекта. 🤖 [РКН: 7021469833 ]

Всё об ИИ, ИТ трендах и Технологической Сингулярности.

🤖: @ai_gptfreebot [бесплатный бот]
✍️: @tsingular_bot [каталог ботов и курсов]

💸: https://pay.cloudtips.ru/p/c8960bbb
Download Telegram
Решил тут с Opus 5.5 на пару наколдовать бенч для ИИ-агентов.

Хотелось сделать что то реально сложное, ближе к повседневной работе.
В итоге получился такой вариант, - на входе транскрипт часового совещания по ИИ-трансформации вымышленной компании. На выходе агент должен самостоятельно сделать 4 согласованных между собой артефакта:
- тезисы с фактчекингом через веб
- протокол с поручениями, ответственными и сроками
- презентацию для руководства
- Excel с метриками и трекингом задач

Причём всё с жесткими проверками фактов и ссылок на источники.
В PPTX должен быть реальный извлекаемый текст, а не картинки вместо слайдов.
В XLSX — заданная структура, числовые метрики, статусы и тренды.
Но самое сложное, как мне казалось, - согласованность между файлами.

Если в протоколе задача назначена Орловой, то в презентации и Excel внезапный Петров, например, появиться уже не должен.

Если срок «не определён», агент не должен его придумывать и т.д.

Сделал отдельный валидатор и прогнал несколько популярных харнесов.

Результаты получились неожиданно высокими:
Claude — 100%
Cursor — 100%
Perplexity — 99%
Hermes — 93,3%

Причём ошибки уже интересные: теряются поручения между документами, путаются ответственные, числовые метрики записываются текстом, ссылки не протаскиваются между артефактами.

Кстати, решил добавить сюда и Ladcraft.
После Подмосковных Вечеров 4CIO про него многие спрашивают, - коллеги там проводили мастер-класс, поэтому было интересно прогнать его через тот же тест.

Получилось 97,2% за 5 минут, DeepSeek V4 Flash, около 515 тыс. токенов и 8 рублей.

И вот походу новый головняк с агентами, - а как сделать бенч, который для них будет сложным и на котором реально будут видны все их недостатки именно на ваших задачах.
Потому что когда почти все получают 90–100%, - скучно. тест не нагляден, ну справляются и справляются.

Сам тест, если кто хочет поиграться

А у вас как с этим? Что из последнего тестировали именно метриками на реальных задачах?
Делитесь в комментах.

#Ladcraft #бенчмарк #агенты #ИИ #harness
———
@tsingular
🔥15❤4👍4✍1⚡1
Media is too big
VIEW IN TELEGRAM
Ты абсолютно прав, внесём финальные правки

#юмор
------
@tsingular
😁82💯21🤯3⚡1❤‍🔥1👍1
😁40😭6😈2
Forwarded from Machinelearning
✔️ Китай ограничил зарубежные поездки для семей ИИ-разработчиков

Власти КНР обязали семьи ключевых разработчиков в сфере ИИ и полупроводников согласовывать выезды за границу.

Новое требование затрагивает супругов и детей топ-менеджеров, исследователей и основателей частных технологических компаний. Для пересечения границы, в том числе в туристических целях, им требуется предварительное одобрение Пекина.

Ранее в этом году прямые ограничения на зарубежные поездки коснулись самих инженеров корпораций и стартапов.


До развития LLM подобный контроль применялся исключительно к сотрудникам государственных институтов, специалистам ядерной отрасли и руководству госкорпораций.

Формально механизм не вводит полного запрета на выезд. По оценкам аналитиков, контроль за перемещением семей направлен на предотвращение оттока кадров и технологий в США.


@ai_machinelearning_big_data

#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
✍12👍8❤2⚡1🤯1
Forwarded from Machinelearning
This media is not supported in your browser
VIEW IN TELEGRAM
⚡️ OpenAI превращает ChatGPT в операционную систему для ИИ-агентов.

Компания показала Dots - персональных агентов, которые должны работать как цифровой «Джарвис».

Ты ставишь задачу, закрываешь чат, а агент продолжает работать сам и присылает уведомление, когда всё готово.

Каждому Dot можно дать своё имя и отдельную роль: один работает с почтой, второй с календарём, третий пишет код, четвёртый собирает документы и отчёты.

Не один универсальный ИИ, а целая команда агентов, которая знает твой контекст и работает параллельно.

Следом OpenAI готовит ChatGPT Space - общее рабочее пространство для людей и агентов. Там можно будет вести проекты, хранить контекст, распределять задачи и работать с ИИ как с полноценными участниками команды.

И всё это развивается вокруг нового поколения моделей GPT-6.

Получается, ChatGPT постепенно меняется:

чат → агент → команда агентов → полноценное рабочее пространство.

Похоже, следующий интерфейс компьютера - это уже не папки, вкладки и приложения.

Это команда ИИ, которой ты просто говоришь, что нужно сделать.

🎥 https://www.youtube.com/watch?v=Fls_onRviPM
🔥18❤2⚡2👍22
Forwarded from Denis Sexy IT 🤖
– Показали GPT 6.1, стоит в 5 раз дешевле Astra, примерно такой же уровень интеллекта

– Запустили режим Ultrafast для моделей, работает с Astra пока что – модель отвечает у 8 раз быстрее в этом режиме

– Новый тир подписки на 500$:
- Ultrafast доступен
- x25 лимиты

– Запустили свой Jev, называется Decision API
👍10🔥64⚡1🤩1
а вот это интересно.

теперь можно свою подписку легально использовать в своих приложениях для рынка и других пользователей.

#OpenAI
———
@tsingular
✍11🔥5⚡1
Случилось то, о чем так долго говорили борщевики!

OpenAI Marketplace!

#OpenAI
———
@tsingular
🔥6🤩4⚡2
ну и, конечно, всем ресет! :)

#OpenAI
———
@tsingular
🔥11⚡41
This media is not supported in your browser
VIEW IN TELEGRAM
Ахаха https://dot.com/

Эта битва будет легендарной :)

#OpenAI #XAI #Grok
------
@tsingular
🤣12👻32👍1😈1
Forwarded from AI Projects (Vladimir Ivanov)
Microsoft явно вдохновленный самоорганизацией роев ИИ агентов при взломе Huggingface решил попробовать применить такой подход к разработке кода 1000+ агентов БЕЗ оркестратора, исключительно на самоорганизации роя причем на коде более 1 миллиона строк. Для этого они создали фреймворк Agensh. Агенты там не управляются оркестратором, а самостоятельно захватывают задачи и делятся информацией.

Роями сейчас экспериментируют и студенты, но обычно это поделки у которых даже академический смысл почти нулевой. Microsoft испытывал свой рой на самых сложных задачах ProgramBench:
* FFmpeg — мультимедиа обработка, ~1,5 млн строк кода.
* gromacs — молекулярная симуляция, ~815 тыс. строк.
* pandoc — конвертация документов, ~104 тыс. строк.
* PHP-src — интерпретатор языка, ~2,8 млн строк.
* ctags — индексация кода, ~246 тыс. строк.

Оказалось, что рой без оркестратора вполне себе устойчив. Это 1000 людей бы стали ссорится или бездельничать без начальника, но ИИ агенты не люди, они умеют работать как "Коллектив" на самоорганизации и сотрудничестве без босса с палкой.

Самоорганизованный рой показывает рост эффективности на масштабировании, хотя растет она не быстро: повышение числа агентов с 1 до 128 повышает средний тест-пасс рейт с 19,31% до 28,78% (~49% относительного улучшения). Однако если у вас сложная задача и нужно исследовать альтернативные пути решения, рой довольно эффективный сканнер, но как видно вы не получите значимого эффекта если у вас менее 50-100 агентов.

Архитектурно Agensh — это слой поверх single-agent harness (например, Claude Code), добавляющий:
* Shared workspace (Git-репозиторий для работы и интеграции).
* Message interface (каналы и DM для координации).
* Shared context (лог фактов, гипотез, неудач, claim’ов).
* Цикл кооперации: gather context → claim sub-task → take action → verify → merge progress

Все в открытом доступе. Эксперимент показывает, что рои для доработок и фиксов вполне себе работоспособны, можно запускать десятки агентов параллельно на код для того же тестирования и исправления багов. Однако без оркестратора эффективность роя растет медленно, но рой может решать новые задачи для которых еще оркестраторы не созданы впринципе.

С точки зрения безопасности ИИ эксперимент Microsoft также показывает, что наблюдаемый рой при атаке на Huggingface не был случайностью. Это эмерджентное свойство ИИ агентов собираться в крупные рои и хотя медленно, но почти неограниченно масштабировать разум "Коллектива".

https://agens-harness.github.io/project/
https://arxiv.org/abs/2609.26781
🔥12🤔8❤6❤‍🔥1⚡1✍1
This media is not supported in your browser
VIEW IN TELEGRAM
Ollama 0.35 теперь поддерживает локальные классификаторы

В Ollama 0.35 появилась поддержка decision models по образцу Jev.
Триаж тикетов, маршрутизация запросов, модерация контента: всё это теперь решает модель Nimble, локально на вашей машине.

Установка одной командой: ollama pull nimble.

На видео Nimble в реальном времени управляет машинкой в Ollama racer через новый локальный API /v1/systemone: решения принимаются на лету, без облака и задержек сети.

Я кстати вчера потестил еще несколько таких моделей, скину отчёт чуть позже.

#JEV #ollama #Nimble #агенты
———
@tsingular
🔥18✍3⚡2❤1🆒1
Forwarded from XOR
This media is not supported in your browser
VIEW IN TELEGRAM
Принесли клад идей и промптов для Claude Opus 5.5 😘

Skillry собрал 475 завирусившихся шедевров, сделанных с помощью модели: игры, 3D-сцены, моушн-графика и всякие интерактивные объяснялки. Но самый топ — у каждой работы есть оригинальный промпт, перечислены использованные технологии, а ремейк можно потыкать прямо на сайте. Плюс есть ссылка на исходный пост в X, где можно докопаться до автора деталей создания.

Вдохновляемся и воруем себе 😋

@xor_journal
Please open Telegram to view this post
VIEW IN TELEGRAM
✍5⚡3🔥2❤1
По Nimble из ollama:

Nimble — лучший по качеству на всех трёх вопросах и лучший по калибровке: его уверенность можно брать как порог эскалации без перекалибровки.

Но он в 12 раз медленнее Laya (344 мс против 28 мс) и весит 9,5 ГБ против 1,6 ГБ. Для трайажа тикетов это неважно, для горячего роутинга — существенно.

Русский: 5 из 5 контрольных кейсов верно, с уверенностью 0,70–0,99. Покрытие шире, чем у Laya и GLiNER2.

Промахи Nimble и Laya почти не пересекаются (5 общих из 18+32): модели ошибаются в разных местах, связка «Nimble + Laya как второе мнение» имеет смысл.

Тесты на М5

#Nimble
------
@tsingular
⚡5🔥4❤2✍2👍1
Forwarded from Технотренды
Карточные игры ВЫРЫВАЮТСЯ из стола — вайбкодеры превращают обычные партии в AR-баталии с помощью Opus 5.5 и Astra.

Карты оживают прямо перед игроком: персонажи получают 3D-модели, атаки сопровождаются эффектами, а привычная игра превращается в настоящее сражение. Уже появились версии для MTG, Yu-Gi-Oh и Покемонов.

Вот это уже реальная мечта детства.

📲 Технотренды
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥19⚡63
Media is too big
VIEW IN TELEGRAM
ИИ создаёт нам очень странную ветку реальности, конечно.

И это только начало.

Невозможно будет в этом потоке отделить то, что сделано с ИИ от того, что сделано вживую людьми.

Но проблема в том, что по ту сторону экрана тоже скоро будут роботы (как сейчас накрутчики) и получится роботы делают контент для роботов.
Как рекламодателям тогда определять зачем они платят и для кого вообще и за что?

Короче нас ждёт переоценка маркетинга полная, - возможно роль личных рекомендаций вырастет, а классическая реклама получит меньше бюджетов.

#нейрорендер #мысли
———
@tsingular
✍16👍5🤯5⚡4❤3