Forwarded from kyrillic
Про критерии дейтинга для долгосрочных отношений.
Есть хорошая работа, изучавшая, чем похожи люди в долгосрочных отношениях. Эти корреляции можно использовать для определения критериев в дейтинге. На картинке - урезанная версия, я посмотрел саму работу, и вот, что получается!
1️⃣ Значительная корреляция по таким параметрам:
На удивление много корреляции про курение и алкоголь! Видимо это для многих важный мэтч, хотя наверное неосознанный.
2️⃣ Менее слабые корреляции (такие критерии можно ввести, если дейтинг-выбор реально большой 🙂)
3️⃣ Ниже список совсем слабой корреляции, он полезен, чтобы скорее исключить критерии, если они есть:
Любопытно, что жаворонки чаще живут с совами - связь слабая, но все же есть. А многие казалось бы важные совпадения на самом деле не так важны.
Короче берите на заметку, айтишники! Полезно, вы же топ дейтинга! 🤓
@kyrillic
Есть хорошая работа, изучавшая, чем похожи люди в долгосрочных отношениях. Эти корреляции можно использовать для определения критериев в дейтинге. На картинке - урезанная версия, я посмотрел саму работу, и вот, что получается!
1️⃣ Значительная корреляция по таким параметрам:
0,87 Год рождения
0,71 Число детей
0,65 Место рождения: широта (север-юг)
0,60 Бросил пить или никогда не пил
0,58 Пьет ли алкоголь сейчас
0,58 Политические взгляды
0,56 Религиозность
0,55 Уровень образования
0,54 Отказ от курения
0,53 Частота употребления алкоголя
0,51 Курит ли сейчас
0,50 Возраст матери
0,49 Место рождения: долгота (запад-восток)
0,47 Частота встреч с друзьями и семьёй
0,46 Возраст, в котором бросил курить
0,45 Удовлетворенность финансовым положением
0,44 Часов у телевизора в день
0,44 IQ
0,43 Возраст первого секса
0,43 Проблемы из-за наркотиков
0,42 Количество выпиваемого алкоголя
0,41 Возраст отца
На удивление много корреляции про курение и алкоголь! Видимо это для многих важный мэтч, хотя наверное неосознанный.
2️⃣ Менее слабые корреляции (такие критерии можно ввести, если дейтинг-выбор реально большой 🙂)
0,39 Носит очки
0,39 Жив ли отец
0,38 Начал ли курить
0,37 Никогда не курил
0,35 Жива ли мать
0,32 Число сексуальных партнеров
0,32 Отказ от курения
0,31 Был ли однополый секс
0,31 Время до первой сигареты после пробуждения
0,30 Был на грудном вскармливании
0,29 Количество выкуриваемых сигарет
0,28 Удовлетворенность отношениями в семье
0,28 Проблемное употребление алкоголя
0,27 Обхват талии
0,27 Рост
0,27 Форсированная жизненная ёмкость лёгких
0,26 Хочет бросить курить
0,26 Возраст окончания учёбы
0,25 Индекс массы тела
0,25 Начал ли курить
0,25 Общее счастье
0,24 Рост
0,23 Вес
0,23 Флюидный интеллект
0,23 Число принимаемых лекарств
0,21 Курил больше 100 раз в жизни
0,20 Играет в компьютерные игры
0,20 Потребление воды
3️⃣ Ниже список совсем слабой корреляции, он полезен, чтобы скорее исключить критерии, если они есть:
0,19 Обхват бедер
0,19 Удовлетворенность дружбой
0,18 Большое депрессивное расстройство
0,17 Соотношение талии и бедер
0,16 Одиночество
0,16 Обращался к врачу из-за нервов, тревоги
0,16 Число заболеваний
0,16 Систолическое давление
0,15 Чувство, что все надоело
0,15 Была депрессия целую неделю
0,15 Лейкоциты
0,15 Самооценка здоровья
0,15 Проблемы с зубами
0,15 Депрессия
0,15 Диабет
0,14 Есть кому довериться
0,12 Продолжительность сна
0,12 Сигарет в день
0,12 Число попыток бросить курить
0,12 Число братьев и сестёр
0,12 Удовлетворённость работой
0,12 Проблемы с сердцем
0,11 Чувство несчастья
0,11 Доброжелательность
0,11 Нейротизм
0,10 Число операций
0,10 Диастолическое давление
0,10 Эритроциты
0,09 Время за компьютером
0,09 Удовлетворенность здоровьем
0,09 Боль в груди
0,08 Как старо выглядит лицо
0,08 Общий холестерин
0,08 Экстраверсия
0,07 Число родных братьев
0,07 Число родных сестёр
0,07 Чувство вины
0,06 Склонность к риску
0,06 Число старших братьев и сестер
0,06 Перепады настроения
0,05 Вес при рождении
0,05 Возраст смерти матери
0,04 Обидчивость
0,04 Нейротизм
0,04 Нервозность
0,04 Рак
0,03 Возраст смерти отца
0,02 Долго переживает после неловкости
0,01 Цвет волос (темнота)
0,01 Комплекция в 10 лет
0,01 Бессонница
0,00 Число депрессивных эпизодов
0,00 Астма
−0,01 Леворукость или праворукость
−0,02 Раздражительность
−0,07 Проблемы со слухом
−0,10 Склонность к тревоге
−0,18 Хронотип (жаворонок или сова)
Любопытно, что жаворонки чаще живут с совами - связь слабая, но все же есть. А многие казалось бы важные совпадения на самом деле не так важны.
Короче берите на заметку, айтишники! Полезно, вы же топ дейтинга! 🤓
@kyrillic
❤1
Forwarded from kyrillic
Про ум, ч.6: талант
Мы по-разному понимаем этот термин! Предлагаю разобраться на одном наглядном примере - полиглотов. Это талант, интерес или тяжелый труд? Или совокупность факторов? Полиглотов много изучали, и считаю, что выводы релевантны множеству других навыков в жизни.
1️⃣ Есть врожденные предрасположенности: еще до старта изучения языков, у будущих полиглотов больше белого вещества в левой извилине Гешля (pubmed), которая связана с задачами "из звука в слово". Эта разница наблюдается и у начинающих, и у опытных.
По другим навыкам такие зависимости тоже можно найти, особенно если за них отвечает какой-то один отдел мозга.
2️⃣ Более того, навык наследуется: примерно половина объясняется генами (nature). И влияние генов можно примерно поровну разделить на 3 составляющие:
а) общий интеллект
б) уровень родного языка
в) изучение иностранных языков
Наверное и в других навыках врожденный уровень интеллекта сильно влияет на успех.
3️⃣ В Шведской Академии военных переводчиков провели эксперимент (sciencedirect) по языковой нагрузке: у переводчиков за три месяца выросли объем гиппокампа и толщина коры в трех зонах, а у контрольной группы (студенты-медики с не менее интенсивной, но не языковой нагрузкой) - без изменений.
При этом у тех, кто показал лучший результат, сильнее вырос правый гиппокамп и верхняя височная извилина, а у тех, кому пришлось работать тяжелее всего - средняя лобная извилина.
То есть над один и тем же навыком талантливые и неталантливые могут работать разными частями мозга. С разной эффективностью и энергозатратами.
4️⃣ В итоге более способный к языкам мозг порождает внутреннюю мотивацию искать возможности учить языки (researchgate). То есть такие люди скорее пойдут в переводчики, лингвисты и т.д. и гены влияют не напрямую на результат, а на то, какую среду человек себе выберет.
5️⃣ При этом почти весь талант полиглота сводится к одной особенности мозга: повышенной способности различать и удерживать незнакомые звуки.
Есть работы, которые фиксировали в мозге у полиглотов эффективную языковую сеть, но это следствие многих часов изучения языков, а не причина успеха полиглотов.
6️⃣ Еще прикольно, что полиглотам верят на слово, о числе языков. Если замерять уровень (пример), то хорошее владение будет в 2-3 раза меньше.
В жизни при оценке чужих навыков мы тоже часто верим на слово или смотрим на признаки вроде "работает в faang - крутой айтишник".
7️⃣ И гиперполиглоты при все таланте тратят ну просто уйму времени на изучение языков. Вот чел тратил 14 часов в день (!), а как женился - только 9 😀
8️⃣ Практический вывод возможно неочевидный: копировать методы талантливых бессмысленно, у них просто работает то, что у них и так работает. Если прогресс медленный, то стоит менять подход, а не упарываться дальше. В этом посте есть практический пример про талантливого дизайнера.
9️⃣ Лично у меня есть очень простой способ определения таланта у себя (точнее его отсутствия!): если какие-то популярные индустрийные книги кажутся мне полезными, то талант как минимум скромный.
Например если я пишу тексты, и при этом "Пиши-сокращай" дало кучу инсайтов, то шансы быть в высшей лиге невысоки, а скорее всего предел - уровень "миддл". То же касается "настольных книг дизайнера" или изучения фреймворков типа jtbd (пост) - все демонстрирует, что база в этой конкретной сфере невысокая, а прогресс будет небыстрый, потому что интуитивно понятно меньше, чем многим другим людям.
🔟 Короче говоря, врожденные таланты безусловно есть - это узкие особенности мозга, которые перфомят лучше, чем у других. Первоначальный успех мотивирует больше заниматься, а это ведет к быстрому росту в любимом деле. Более того, талантливые напрягают другие отделы мозга, так что неталантливым приходится упахиваться 10х, чтобы соответствовать.
Открытым остается вопрос, как определить эти особенности своего мозга на старте? Ложиться в МРТ? Такие тесты были бы точно полезнее генетических!
Предыдущие части рубрики: про EQ (там крутой тест), отличников, социальную интуицию, ультратехническое мышление и образование для талантливых.
@kyrillic
Мы по-разному понимаем этот термин! Предлагаю разобраться на одном наглядном примере - полиглотов. Это талант, интерес или тяжелый труд? Или совокупность факторов? Полиглотов много изучали, и считаю, что выводы релевантны множеству других навыков в жизни.
1️⃣ Есть врожденные предрасположенности: еще до старта изучения языков, у будущих полиглотов больше белого вещества в левой извилине Гешля (pubmed), которая связана с задачами "из звука в слово". Эта разница наблюдается и у начинающих, и у опытных.
По другим навыкам такие зависимости тоже можно найти, особенно если за них отвечает какой-то один отдел мозга.
2️⃣ Более того, навык наследуется: примерно половина объясняется генами (nature). И влияние генов можно примерно поровну разделить на 3 составляющие:
а) общий интеллект
б) уровень родного языка
в) изучение иностранных языков
Наверное и в других навыках врожденный уровень интеллекта сильно влияет на успех.
3️⃣ В Шведской Академии военных переводчиков провели эксперимент (sciencedirect) по языковой нагрузке: у переводчиков за три месяца выросли объем гиппокампа и толщина коры в трех зонах, а у контрольной группы (студенты-медики с не менее интенсивной, но не языковой нагрузкой) - без изменений.
При этом у тех, кто показал лучший результат, сильнее вырос правый гиппокамп и верхняя височная извилина, а у тех, кому пришлось работать тяжелее всего - средняя лобная извилина.
То есть над один и тем же навыком талантливые и неталантливые могут работать разными частями мозга. С разной эффективностью и энергозатратами.
4️⃣ В итоге более способный к языкам мозг порождает внутреннюю мотивацию искать возможности учить языки (researchgate). То есть такие люди скорее пойдут в переводчики, лингвисты и т.д. и гены влияют не напрямую на результат, а на то, какую среду человек себе выберет.
5️⃣ При этом почти весь талант полиглота сводится к одной особенности мозга: повышенной способности различать и удерживать незнакомые звуки.
Есть работы, которые фиксировали в мозге у полиглотов эффективную языковую сеть, но это следствие многих часов изучения языков, а не причина успеха полиглотов.
6️⃣ Еще прикольно, что полиглотам верят на слово, о числе языков. Если замерять уровень (пример), то хорошее владение будет в 2-3 раза меньше.
В жизни при оценке чужих навыков мы тоже часто верим на слово или смотрим на признаки вроде "работает в faang - крутой айтишник".
7️⃣ И гиперполиглоты при все таланте тратят ну просто уйму времени на изучение языков. Вот чел тратил 14 часов в день (!), а как женился - только 9 😀
8️⃣ Практический вывод возможно неочевидный: копировать методы талантливых бессмысленно, у них просто работает то, что у них и так работает. Если прогресс медленный, то стоит менять подход, а не упарываться дальше. В этом посте есть практический пример про талантливого дизайнера.
9️⃣ Лично у меня есть очень простой способ определения таланта у себя (точнее его отсутствия!): если какие-то популярные индустрийные книги кажутся мне полезными, то талант как минимум скромный.
Например если я пишу тексты, и при этом "Пиши-сокращай" дало кучу инсайтов, то шансы быть в высшей лиге невысоки, а скорее всего предел - уровень "миддл". То же касается "настольных книг дизайнера" или изучения фреймворков типа jtbd (пост) - все демонстрирует, что база в этой конкретной сфере невысокая, а прогресс будет небыстрый, потому что интуитивно понятно меньше, чем многим другим людям.
🔟 Короче говоря, врожденные таланты безусловно есть - это узкие особенности мозга, которые перфомят лучше, чем у других. Первоначальный успех мотивирует больше заниматься, а это ведет к быстрому росту в любимом деле. Более того, талантливые напрягают другие отделы мозга, так что неталантливым приходится упахиваться 10х, чтобы соответствовать.
Открытым остается вопрос, как определить эти особенности своего мозга на старте? Ложиться в МРТ? Такие тесты были бы точно полезнее генетических!
Предыдущие части рубрики: про EQ (там крутой тест), отличников, социальную интуицию, ультратехническое мышление и образование для талантливых.
@kyrillic
❤1
Forwarded from kyrillic
Про фаундерские продажи, в дополнение к моему выступлению хочу предложить к прочтению эпичный текст Леши @mister_sosister, тоже YC фаундера. Думаю это самое важное, о чем стоит задуматься перед стартом бизнеса или стартапа:
На пятый год у меня сошелся пазл, и я наконец понял формулу, как достичь успеха в бизнесе
Поговорим про хардкор
Это тема которая меня близко задела, и заставила за полностью пересмотреть каждую функцию в компании.
Дело в том, что ваши результаты (в любой сфере), напрямую зависят от вашего подхода, как вы взаимодействуйте с системой, и вашей продуктивности—какой аутпут вы получаете при равном инпуте
Сейчас объясню:
Представьте, такого, наивного ферст тайм фаундера, который решил сделать свою дейтинг аппу, туду-лист, маркетплейс, что угодно классическое, о чем прикольно фантазировать, но очень сложно запускать; как этот фаундер пол года обдумывает механики, хвастается идеей, вылизывает экраны, представляет как сейчас разбогатеет, а потом ничего не происходит. Для большинства из вас, умных, такой человек кажется наивным, и вы понимаете что это не будет работать, и то что он делает скорее контр-продуктивно
А теперь представьте что на этой шкале вы посредине, а дальше есть более осмысленные люди, которые лучше понимают систему, и для которых то что вы делаете кажется ковырянием в песочнице. И вот я пообщался с таким человеком, он мне говорит: "мы постим 10 постов в день с 10 аккаунтов, а то что вы делаете, один пост в день, это и не может работать"
Поймите эту разницу в масштабе:
• кто то использует систему линейно, берет свой имейл и пишет лидам ручками, по 5 писем в день, а кто то покупает 10 доменов, 50 ящиков, и отправляет 500 писем в день
• кто то целый день переснимает видос, редактирует, и потом получает пару тысяч просмотров в месяц, а кто то строит контент ферму, льет видосы со 100 акаунтов, и генерит миллиард просмотров
• кто то сидит месяц ждет лендос от агенства, и потом не может к нему прикоснуться, а кто то генерит 10 лендосов за вечер под каждый ICP
• в разработке так же: кто то неделями меняет цвет кнопки обсуждая это на звонках, а кто то за день строит целый продукт; кто то пишет обертки для api, а кто то за то же время строит свои модели; кто то делает аналитику, а кто то находит проблемы и сразу их решает
• кто то неделю пишет одну статью в блог, а кто то публикует десять статей в день, и тд
Чувствуете вкус?
Те, кто получает топ 1% результата системы (денег, просмотров, юзеров, етц) используют систему с топ 1% эффективностью. Соответственно, если вы прикладываете 1х усилия, и используете систему линейно, то стоит ли удивляться, что вы получаете 1х результат, как любой другой человек?
Что я наблюдаю, что работает для успешных компаний, и что выводит игроков в лидеры, это не простой наивный подход "как все", а хардкор: как сделать больше усилий, или найти хаки, чтобы один человек мог приумножить свои усилия 100х, и делать, то что другим потребует 100х людей или 100х времени.
________
Для этого, конечно, приходится чем то жертвовать. Когда ты автоматизируешь/делегируешь что угодно, уходит контроль над деталями, внимание к мелочам, проседает качество, но повышается объем. Конечно, нанятые инфлюенсеры рассказывают о проекте хуже чем это сделал бы фаундер, кринжовые посты продают лучше чем умные, агент пишет текст хуже чем человек, а делегирование личных акаунтов вообще убивает в них личность...
Это еще можно назвать агрессивностью, на сколько ты готов выходить за рамки, жертвовать качеством, чувствовать кринж, ради результата—тк это все обычно работает на грани, в серой зоне (см. airbnb, uber, higgsfield), часто через нарушения правил пользования, ботоводство, спам, копирование, регуляции, общественные нормы, которые направлены защитить линейных пользователей.
Продолжение в первом комменте или у Леши в посте.
На пятый год у меня сошелся пазл, и я наконец понял формулу, как достичь успеха в бизнесе
Поговорим про хардкор
Это тема которая меня близко задела, и заставила за полностью пересмотреть каждую функцию в компании.
Дело в том, что ваши результаты (в любой сфере), напрямую зависят от вашего подхода, как вы взаимодействуйте с системой, и вашей продуктивности—какой аутпут вы получаете при равном инпуте
Нельзя получить выдающийся результат выполняя рядовые действия
Сейчас объясню:
Представьте, такого, наивного ферст тайм фаундера, который решил сделать свою дейтинг аппу, туду-лист, маркетплейс, что угодно классическое, о чем прикольно фантазировать, но очень сложно запускать; как этот фаундер пол года обдумывает механики, хвастается идеей, вылизывает экраны, представляет как сейчас разбогатеет, а потом ничего не происходит. Для большинства из вас, умных, такой человек кажется наивным, и вы понимаете что это не будет работать, и то что он делает скорее контр-продуктивно
А теперь представьте что на этой шкале вы посредине, а дальше есть более осмысленные люди, которые лучше понимают систему, и для которых то что вы делаете кажется ковырянием в песочнице. И вот я пообщался с таким человеком, он мне говорит: "мы постим 10 постов в день с 10 аккаунтов, а то что вы делаете, один пост в день, это и не может работать"
Поймите эту разницу в масштабе:
• кто то использует систему линейно, берет свой имейл и пишет лидам ручками, по 5 писем в день, а кто то покупает 10 доменов, 50 ящиков, и отправляет 500 писем в день
• кто то целый день переснимает видос, редактирует, и потом получает пару тысяч просмотров в месяц, а кто то строит контент ферму, льет видосы со 100 акаунтов, и генерит миллиард просмотров
• кто то сидит месяц ждет лендос от агенства, и потом не может к нему прикоснуться, а кто то генерит 10 лендосов за вечер под каждый ICP
• в разработке так же: кто то неделями меняет цвет кнопки обсуждая это на звонках, а кто то за день строит целый продукт; кто то пишет обертки для api, а кто то за то же время строит свои модели; кто то делает аналитику, а кто то находит проблемы и сразу их решает
• кто то неделю пишет одну статью в блог, а кто то публикует десять статей в день, и тд
Чувствуете вкус?
Те, кто получает топ 1% результата системы (денег, просмотров, юзеров, етц) используют систему с топ 1% эффективностью. Соответственно, если вы прикладываете 1х усилия, и используете систему линейно, то стоит ли удивляться, что вы получаете 1х результат, как любой другой человек?
Что я наблюдаю, что работает для успешных компаний, и что выводит игроков в лидеры, это не простой наивный подход "как все", а хардкор: как сделать больше усилий, или найти хаки, чтобы один человек мог приумножить свои усилия 100х, и делать, то что другим потребует 100х людей или 100х времени.
________
Для этого, конечно, приходится чем то жертвовать. Когда ты автоматизируешь/делегируешь что угодно, уходит контроль над деталями, внимание к мелочам, проседает качество, но повышается объем. Конечно, нанятые инфлюенсеры рассказывают о проекте хуже чем это сделал бы фаундер, кринжовые посты продают лучше чем умные, агент пишет текст хуже чем человек, а делегирование личных акаунтов вообще убивает в них личность...
...но в капитализме побеждает продуктивность, а не перфекционизм
Это еще можно назвать агрессивностью, на сколько ты готов выходить за рамки, жертвовать качеством, чувствовать кринж, ради результата—тк это все обычно работает на грани, в серой зоне (см. airbnb, uber, higgsfield), часто через нарушения правил пользования, ботоводство, спам, копирование, регуляции, общественные нормы, которые направлены защитить линейных пользователей.
Продолжение в первом комменте или у Леши в посте.
#fun #math #ai
OpenAI withdraws three AI-generated math papers due to a sign error.
"LLMs make sign errors. After all, they are only human."
https://www.youtube.com/watch?v=L3wKzyIN1yk
OpenAI withdraws three AI-generated math papers due to a sign error.
"LLMs make sign errors. After all, they are only human."
https://www.youtube.com/watch?v=L3wKzyIN1yk
YouTube
Rag'n'Bone Man - Human (Official Video)
Official music video for Rag’n’Bone Man’s ‘Human’
Track: Human – Rag’n’Bone Man: https://bit.ly/RnBMHuman
----------------------
Latest Album 'Life By Misadventure', which includes hit tracks All You Ever Wanted, Anywhere Away From Here (with P!nk), Alone…
Track: Human – Rag’n’Bone Man: https://bit.ly/RnBMHuman
----------------------
Latest Album 'Life By Misadventure', which includes hit tracks All You Ever Wanted, Anywhere Away From Here (with P!nk), Alone…
😭1
#ai #security
Бесплатный сканер безопасности опенсорс проектов от антропиков, но только для популярных проектов, конечно.
"We accept established projects that have a critical impact on infrastructure and user security. We will consider each request on a case-by-case basis, but some things we keep in mind are: (1) Exposure to remote attacks (e.g. libraries that are used to process untrusted input); and (2) Number of users/other projects depending on this project."
https://www.anthropic.com/research/launching-opt-in-vuln-finding-service-for-open-source
Бесплатный сканер безопасности опенсорс проектов от антропиков, но только для популярных проектов, конечно.
"We accept established projects that have a critical impact on infrastructure and user security. We will consider each request on a case-by-case basis, but some things we keep in mind are: (1) Exposure to remote attacks (e.g. libraries that are used to process untrusted input); and (2) Number of users/other projects depending on this project."
https://www.anthropic.com/research/launching-opt-in-vuln-finding-service-for-open-source
Anthropic
An opt-in vulnerability-finding service for open-source software
We’re launching OSS Scanner, an opt-in vulnerability scanner for the open-source ecosystem informed by our experience using Claude to find vulnerabilities during Project Glasswing. Projects that join will receive thorough, periodic security scans by our strongest…
#math #ai
Воу, круто улучшили результат OpenAI, в 2**165. И концепция Four-minute mile интересная.
Да и идея, что, оказывается, абстрактная математика - этотупые вычисления\токенмакксинг, упирающиеся в железо, а вовсе не в изощрённый ум.
Современная DS разработка, кстати, тоже упирается в вычисления, но не на стороне LLM - последние полгода при разработке практических алгоритмов мне в основном приходится ждать завершения вычислительных прогонов. Идеи и код реализации генерятся быстро.
https://www.youtube.com/watch?v=WXh4LF3zJ1Q
Воу, круто улучшили результат OpenAI, в 2**165. И концепция Four-minute mile интересная.
Да и идея, что, оказывается, абстрактная математика - это
Современная DS разработка, кстати, тоже упирается в вычисления, но не на стороне LLM - последние полгода при разработке практических алгоритмов мне в основном приходится ждать завершения вычислительных прогонов. Идеи и код реализации генерятся быстро.
https://www.youtube.com/watch?v=WXh4LF3zJ1Q
YouTube
The Mathematics are Mad
Don’t vibe code your auth. Use WorkOS: https://trm.sh/workos
[Chapters]
00:00:00 - Why are Mathematicians so mad?
00:01:34 - WorkOS
00:02:19 - Mathematical Misalignment
00:03:55 - The Problems
00:04:27 - No more Proof fanfair
00:05:50 - Lean
00:07:08 -…
[Chapters]
00:00:00 - Why are Mathematicians so mad?
00:01:34 - WorkOS
00:02:19 - Mathematical Misalignment
00:03:55 - The Problems
00:04:27 - No more Proof fanfair
00:05:50 - Lean
00:07:08 -…
#llms #jev
Как я и говорил!
Вот и аналоги jev пошли от крупных игроков.
https://3dnews.ru/1149752/microsoft-vipustila-ii-kotoriy-vibiraet-varianti-i-ne-razgovarivaet-v-testah-on-okazalsya-v-35-raz-bistree-gpt6-sol
Как я и говорил!
Вот и аналоги jev пошли от крупных игроков.
https://3dnews.ru/1149752/microsoft-vipustila-ii-kotoriy-vibiraet-varianti-i-ne-razgovarivaet-v-testah-on-okazalsya-v-35-raz-bistree-gpt6-sol
Telegram
Aspiring Data Science
#llms #jev
Классная идея - ограничить домен вывода LLM, получить удешевление инференса + доп гарантии соблюдения схемы данных. В будущем мы наверняка будем видеть больше подобных решений, наверяка скоро AI лидеры выпустят свои подобные модельки.
Оцениваю…
Классная идея - ограничить домен вывода LLM, получить удешевление инференса + доп гарантии соблюдения схемы данных. В будущем мы наверняка будем видеть больше подобных решений, наверяка скоро AI лидеры выпустят свои подобные модельки.
Оцениваю…
#math #ai
А вот и прекрасную визуализацию к постам выше сделали.
Иллюстрация, как сообщество в реальном времени улучшает результат OpenAI в задаче перемножения целых.
Математика теперь делается PR-ами на гитхаб?! ))
https://beyond-n-log-n.netlify.app/
А вот и прекрасную визуализацию к постам выше сделали.
Иллюстрация, как сообщество в реальном времени улучшает результат OpenAI в задаче перемножения целых.
Математика теперь делается PR-ами на гитхаб?! ))
https://beyond-n-log-n.netlify.app/
#ai
Такая мысль настигла: последний год я вижу, как люди, даже признанные специалисты в своих областях, сопротивляются, не хотят признавать что ИИ (искусственный интеллект) - это вообще интеллект.
Хотя он уже нас во всех областях превзошёл, от стихосложения, рисования, до программирования и теперь вот "абстрактной" математики.
Осталось только, чтобы он скептикам сам леща отвесил механической ладонью, но и тогда останутся сомневающиеся )
И вот я вроде понял, почему так происходит, откуда берётся это отрицание очевидного.
1) Большинство людей не способны анализировать историю (да-да, школьный предмет) и делать из неё выводы. (Да и вообще анализировать информацию, похоже.)
А история показывает, как научный подход методически и из раза в раз опровергает идею человечества о своей "исключительности". Нет, мир не вращается вокруг нашей планеты. И она не одна в Галактике. Нет, человек не венец Вселенной. Он ничем (кроме более сложного поведения) не отличается от других животных (хотя многие и не желают этого признавать). Так с чего бы интеллекту быть нашим эксклюзивом?
2) Мы путаем интеллект и одушевлённость (наличие интересов и целей), потому что сами обладаем и тем, и тем, и для нас это неразделимо.
А оказалось, что одно вполне может существовать без другого.
Такая мысль настигла: последний год я вижу, как люди, даже признанные специалисты в своих областях, сопротивляются, не хотят признавать что ИИ (искусственный интеллект) - это вообще интеллект.
Хотя он уже нас во всех областях превзошёл, от стихосложения, рисования, до программирования и теперь вот "абстрактной" математики.
Осталось только, чтобы он скептикам сам леща отвесил механической ладонью, но и тогда останутся сомневающиеся )
И вот я вроде понял, почему так происходит, откуда берётся это отрицание очевидного.
1) Большинство людей не способны анализировать историю (да-да, школьный предмет) и делать из неё выводы. (Да и вообще анализировать информацию, похоже.)
А история показывает, как научный подход методически и из раза в раз опровергает идею человечества о своей "исключительности". Нет, мир не вращается вокруг нашей планеты. И она не одна в Галактике. Нет, человек не венец Вселенной. Он ничем (кроме более сложного поведения) не отличается от других животных (хотя многие и не желают этого признавать). Так с чего бы интеллекту быть нашим эксклюзивом?
2) Мы путаем интеллект и одушевлённость (наличие интересов и целей), потому что сами обладаем и тем, и тем, и для нас это неразделимо.
А оказалось, что одно вполне может существовать без другого.
💯1
#llms #jev
Вот табличка сбалансированной точности vs стоимости jev-подобных моделек на моей реальной задаче (разбор фактов из медицинской статьи).
Оригинальный jev уже не самый дешёвый и не самый точный )
Традиционные генеративные LLM-ки по точности отстают: qwen3.8-flash 0.920, mimo-v2.6-flash 0.910, glm-5.3-flash 0.900, deepseek-v4-pro и gpt-6-luna по 0.890, а по стоимости на порядок выше.
Вот табличка сбалансированной точности vs стоимости jev-подобных моделек на моей реальной задаче (разбор фактов из медицинской статьи).
Оригинальный jev уже не самый дешёвый и не самый точный )
Традиционные генеративные LLM-ки по точности отстают: qwen3.8-flash 0.920, mimo-v2.6-flash 0.910, glm-5.3-flash 0.900, deepseek-v4-pro и gpt-6-luna по 0.890, а по стоимости на порядок выше.
Forwarded from partially unsupervised
Слушаю «Утопию правил» Дэвида Гребера. Во второй главе - основанной на эссе Of Flying Cars and the Declining Rate of Profit - он ворчит про то, как исследования последних пятидесяти лет замедлились и перестали приносить плоды обществу, используя метафору летающих автомобилей и scifi 1950-х. Летающих тачек не появилось, только заполнение формочек в SaaS, унылый интернет и вообще сплошная симуляция. Гребер критикует менеджериализм и бюрократию (поддерживаю, пусть часто и в ущерб карьере), и заодно неолиберализм в целом (тут его местами заносит, например, в романтизацию совка).
Основной месседж состарился отлично, а иллюстрации - просто чудовищно. Эссе было написано в 2012, в год выхода AlexNet, первого шага к bitter lesson.
> We don’t have computers we can have an interesting conversation with, or robots that can walk our dogs or take our clothes to the Laundromat.
Теперь разговоров с канплюктерами у нас избыток, а вот прогулки с собакой я бы отдал роботу в последнюю очередь.
> Still, precision weapons never do seem capable of assassinating specific individuals (Saddam, Osama, Qaddafi)
Хороший год для сбора контрпримеров (хотя парочке specific individuals бы еще...)
> ..in a technological environment in which the only breakthroughs were those that made it easier to create, transfer, and rearrange virtual projections of things that either already existed, or, we came to realize, never would.
Обзывайте меня оптимистом, но помимо рилсов и нейрослопа последние десять лет принесли нам быстрые чипы из EUV литографов, многоразовые ракеты, дешевые батареи и mRNA вакцины. Не эпоха Bell Labs, но все не так плохо.
> ...there isn’t very much to be learned from sequencing genes that’s of much use to anyone else.
На почве критикуемого проекта генома человека расцвели тысячи цветов, тот же CRISPR и диагностическое секвенирование за копейки.
В общем, технологический пессимизм не разделяю. Жаль, что неудачные примеры заставляют уместную критику выглядеть слегка нелепо.
Основной месседж состарился отлично, а иллюстрации - просто чудовищно. Эссе было написано в 2012, в год выхода AlexNet, первого шага к bitter lesson.
> We don’t have computers we can have an interesting conversation with, or robots that can walk our dogs or take our clothes to the Laundromat.
Теперь разговоров с канплюктерами у нас избыток, а вот прогулки с собакой я бы отдал роботу в последнюю очередь.
> Still, precision weapons never do seem capable of assassinating specific individuals (Saddam, Osama, Qaddafi)
Хороший год для сбора контрпримеров (хотя парочке specific individuals бы еще...)
> ..in a technological environment in which the only breakthroughs were those that made it easier to create, transfer, and rearrange virtual projections of things that either already existed, or, we came to realize, never would.
Обзывайте меня оптимистом, но помимо рилсов и нейрослопа последние десять лет принесли нам быстрые чипы из EUV литографов, многоразовые ракеты, дешевые батареи и mRNA вакцины. Не эпоха Bell Labs, но все не так плохо.
> ...there isn’t very much to be learned from sequencing genes that’s of much use to anyone else.
На почве критикуемого проекта генома человека расцвели тысячи цветов, тот же CRISPR и диагностическое секвенирование за копейки.
В общем, технологический пессимизм не разделяю. Жаль, что неудачные примеры заставляют уместную критику выглядеть слегка нелепо.
#xor #tabular
Что за число напечатает код
Близкое к 1.0 (100% точность, ведь градиентные бустинги над деревьями очень мощны и хороши, особенно для бинарной классификации, а связь таргета и признаков простая и детерминированная)?
Или близкое к 0.5 (50% точность, случайное угадывание, ведь это знаменитая "задача XOR"))) ?
Ответ: хрен там плавал! близкое к 0.5 . И это дают также xgboost & lightgbm.
Что за число напечатает код
import numpy as np
import pandas as pd
from catboost import CatBoostClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
rng = np.random.default_rng(0)
n = 4000
m=100
# 3 informative binary columns, target = x1 XOR x2 XOR x3
info = rng.integers(0, 2, size=(n, 3))
y = info[:, 0] ^ info[:, 1] ^ info[:, 2]
# 100 pure-noise columns
noise = rng.standard_normal(size=(n, m))
X = pd.DataFrame(
np.hstack([info, noise]),
columns=["x1", "x2", "x3"] + [f"noise_{i}" for i in range(m)],
)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
model = CatBoostClassifier(verbose=0, random_seed=0)
model.fit(X_train, y_train)
acc = accuracy_score(y_test, model.predict(X_test))
print(f"CatBoost test accuracy: {acc:.3f}")
Близкое к 1.0 (100% точность, ведь градиентные бустинги над деревьями очень мощны и хороши, особенно для бинарной классификации, а связь таргета и признаков простая и детерминированная)?
Или близкое к 0.5 (50% точность, случайное угадывание, ведь это знаменитая "задача XOR"))) ?
#games
Вот такую игрушку сделал мой товарищ. Русский поддерживается, но UI пока на английском. Попробуйте )
https://worldtable.gg/
Вот такую игрушку сделал мой товарищ. Русский поддерживается, но UI пока на английском. Попробуйте )
https://worldtable.gg/
🔥1
#ai
Я не люблю таких людей. Мне противна двуличность и ложь, непризнание заслуг других, "невосхищение" чудом.
"- There was a year or two when people could delude themselves into thinking, "Oh, sure, AI could do software engineering, but math is truly creative. It's the pinnacle of human intellect, and no AI is going to replace us there." That's now completely untenable.
- Did they really think that?
- I mean, no matter what happens, I've learned that there are immediately people who say, "Of course AI could do that. No one ever doubted it." Even if those same people did doubt it six months ago, right?
They say, "Oh, that thing is trivial. Wake me up when AI does X." Whether it's chess, beating the top human player at Go, solving Math Olympiad problems, or even solving one of these Millennium Problems—as we saw a month ago—every time, you get people saying, "That's not impressive. Wake me up when AI does X."
And then, sooner or later, AI does X, and they come up with a new excuse, a new reason why it doesn't count.
This is a consistent pattern we've seen for decades. People just refuse to say in advance what it would take to impress them and then stick to that."
https://youtu.be/MZrXulP7sVc
Я не люблю таких людей. Мне противна двуличность и ложь, непризнание заслуг других, "невосхищение" чудом.
"- There was a year or two when people could delude themselves into thinking, "Oh, sure, AI could do software engineering, but math is truly creative. It's the pinnacle of human intellect, and no AI is going to replace us there." That's now completely untenable.
- Did they really think that?
- I mean, no matter what happens, I've learned that there are immediately people who say, "Of course AI could do that. No one ever doubted it." Even if those same people did doubt it six months ago, right?
They say, "Oh, that thing is trivial. Wake me up when AI does X." Whether it's chess, beating the top human player at Go, solving Math Olympiad problems, or even solving one of these Millennium Problems—as we saw a month ago—every time, you get people saying, "That's not impressive. Wake me up when AI does X."
And then, sooner or later, AI does X, and they come up with a new excuse, a new reason why it doesn't count.
This is a consistent pattern we've seen for decades. People just refuse to say in advance what it would take to impress them and then stick to that."
https://youtu.be/MZrXulP7sVc
YouTube
Theoretical Computer Scientist: AI Just Changed Math Forever, with Scott Aaronson
What’s left for humans to do once AI is better at solving problems than we are? Today, we’re talking to Scott Aaronson, a theoretical computer scientist at UT Austin who has spent his career on quantum computing theory. We explore how AI is changing the way…
#math
Прекрасно объяснены 5 решённых задачи, включая ряд Флинта-Хиллза (аппроксимация Pi дробями), перемножение целых чисел за nops<n*log(n) . Затронуты 3 "подкопа" к задачам тысячелетия (Riemann, Erdős, Hilbert).
https://www.youtube.com/watch?v=Pp1siLlt-dI
Прекрасно объяснены 5 решённых задачи, включая ряд Флинта-Хиллза (аппроксимация Pi дробями), перемножение целых чисел за nops<n*log(n) . Затронуты 3 "подкопа" к задачам тысячелетия (Riemann, Erdős, Hilbert).
https://www.youtube.com/watch?v=Pp1siLlt-dI
YouTube
OpenAI's Secret AI Wrote 722 Math Papers. Real Math or Sludge?
OpenAI just dropped 722 AI-written math papers on GitHub, claiming 372 new results, four weeks after someone dared it to "solve a few more" Millennium Prize problems. We open the box: a sum that explodes at 355, a 1961 shape that settles a 76-year-old coloring…