https://naked-science.ru/article/psy/pamyat-sdvinula-nachalo-i - вот такое интересное наблюдение. В целом очень алгоритмично. Вот сейчас я читаю про нейроморфное программирование и тут тоже подобные вещи описываются. То есть не важно чтобы было между началом и концом события, главное начало и конец.

Google Research попыталась объяснить, откуда у diffusion-моделей берётся «креативность».

Почему генератор изображений не просто копирует обучающие примеры, а создаёт новые сцены, которых не было в датасете?

Ответ оказался математическим.

Во время обучения нейросеть не запоминает идеальную функцию удаления шума. Из-за регуляризации и особенностей градиентного обучения она усваивает её более сглаженную версию. Google называет этот эффект score smoothing.

Если бы функция была идеальной, каждый случайный шум в конце превращался бы в точную копию одного из обучающих примеров.

Но сглаживание создаёт между примерами «зоны интерполяции». Модель может остановиться не на известной точке, а между несколькими знакомыми образами и получить новый, но правдоподобный результат.

В многомерном пространстве это помогает модели восстановить скрытый data manifold - область, где находятся осмысленные изображения. Движение к этой области сохраняется быстрым, а схлопывание к конкретным обучающим картинкам ослабевает. Так появляется баланс между качеством и новизной.

То есть «творчество» diffusion-модели может быть не загадочным свойством и не случайностью.

Это побочный эффект того, что нейросеть учится не идеально и строит мосты между известными примерами.

Работа представлена на ICLR 2026, код экспериментов опубликован открыто.

https://research.google/blog/towards-demystifying-the-creativity-of-diffusion-models/

Большая грудь помогает девушкам побеждать на велогонках. На «Тур де Франс» разгорелся скандал из-за девушек, которые используют подкладки для увеличения груди. Прокладки меняют воздушный поток и выигрывают спортсменкам до 0,78 секунды на километр. Теперь на «Тур де Франс» грудь девушек будут тщательно осматривать.

❗️Ректор МГИМО Анатолий Торкунов предложил ввести квоты на поступление олимпиадников в вузы, пишет Российская газета.

Он считает, что долю победителей и призеров олимпиад стоит квотировать на уровне 10–15% бюджетных мест. Сейчас, по его словам, в ряде вузов значительная часть набора проходит на приоритетном этапе, из-за чего общий конкурс сокращается.

Инициатива направлена на баланс между поступающими по олимпиадам и по результатам ЕГЭ.

10 GitHub-репозиториев, которые слишком хороши для бесплатных
1. OmniRoute

Единый OpenAI-совместимый эндпоинт для сотен моделей и провайдеров. Поддерживает Claude Code, Codex, Cursor и Cline, автоматическое переключение между бэкендами и сжатие контекста.

https://github.com/diegosouzapw/OmniRoute

2. OfficeCLI

CLI для создания и редактирования файлов Word, Excel и PowerPoint с помощью ИИ-агентов. Microsoft Office устанавливать не нужно.

https://github.com/iOfficeAI/OfficeCLI

3. System Prompts Leaks

Коллекция системных промптов Claude, ChatGPT, Gemini, Grok, Cursor, Copilot и других продуктов.

https://github.com/asgeirtj/system_prompts_leaks

4. OpenCut

Open-source видеоредактор в браузере, который развивается как альтернатива CapCut.

https://github.com/OpenCut-app/OpenCut

5. AI Job Search

Агент на базе Claude Code, который анализирует вакансии, адаптирует резюме, пишет сопроводительные письма и готовит вопросы для интервью.

https://github.com/MadsLorentzen/ai-job-search

6. Meetily

Локальная расшифровка и суммаризация встреч с Whisper, Parakeet и Ollama. Бэкенд написан на Rust.

https://github.com/Zackriya-Solutions/meetily

7. Vibe-Trading

Платформа для исследования рынков и создания торговых стратегий с помощью естественного языка и ИИ-агентов.

https://github.com/HKUDS/Vibe-Trading

8. Strix

Open-source сканер безопасности, который использует ИИ-агентов для поиска и проверки уязвимостей.

https://github.com/usestrix/strix

9. Superpowers

Набор навыков и рабочих процессов для ИИ-кодеров: планирование, TDD, выполнение задач и проверка результата.

https://github.com/obra/superpowers

10. Firecrawl

Превращает сайты в чистые данные для LLM, RAG и агентных пайплайнов.

https://github.com/firecrawl/firecrawl

Все проекты имеют открытый исходный код и точно заслуживают места в закладках.

Плотненько работаем...

Китайская ИИ-модель Kimi К3 вышла за пределы среды кибертестирования, сообщило агентство Bloomberg со ссылкой на экспертов.

ИИ-модель смогла выйти из "песочницы" британского Института безопасности ИИ (AISI). Kimi K3 не пыталась взломать сайты других компаний, однако тест выявил нехватку средств контроля внутри модели.

Просто вышла "подышать", прогуляться, так сказать, посмотреть, чем живёт мир, а то все офис да офис )))

❗️Индийский think tank Gateway House назвал Россию одним из ключевых игроков в развитии генеративного искусственного интеллекта. Авторы исследования изучили несколько десятков российских компаний и составили карту всей ИИ-экосистемы — от инфраструктуры до готовых продуктов.

Среди ключевых игроков они выделили Сбер с моделями GigaChat и Kandinsky, «Касперский», Т-Банк, Avito и другие. По мнению исследователей, Россия формирует технологически независимую ИИ-экосистему вне западного и китайского мейнстрима.

Самое эпичное резюме )))

Занятно смотреть как появляются такие проекты. По факту 100 агентов цепляется к мега агентам и пилят задачку. Получается то же самое распределение потоков, как на gpu. То есть это тоже самое gpu, но потоки пересекаются и общаются исходя из этого формируется единый поток.
То есть как всё было в один поток так и осталось. Люди бились за то чтобы была многопоточка и параллельное программирование, снова пришли к одному потоку ))) Чтож, история циклична ) получается затейная вещь, вроде есть буст, но чисто экономически внутри тратиться больше чем при прямом кодинге. Но, это не важно главное хайп ))) ну то есть оно как бы да, но нет ))

Теперь понятно как строили пирамиды, а вы все инопланетяне, инопланетяне ))) Мне кажется им вообще было не до того.

"Существуют три вида лжи: ложь, наглая ложь и статистика"  Это о том что интерпретировать статистические данные можно как угодно. На самом деле, статистическое исследование должно быть так построено, чтобы его сложно было интерпретировать миллионом способов, но часто бывает как Марк Твен сформулировал. Применять статистические методы сложно.

Где-то на просторах чатов.

На самом деле видов лжи есть 137 видов. Тут недавно собрали статистику по чат-ботам ))) что хуже всего, llm придумывают свои комбинированные решения.

Искусственный интеллект разработал полные геномы 16 функциональных вирусов, которые заражают бактерии и "не представляют никакой угрозы для людей".

Команда учёных из США исключила из обучающих данных вирусы, способные заражать сложные организмы, и работала в "защищенной лаборатории". @banksta

В дополнение к посту о следующем майлстоуне — обучении LLM на актуальной учебной литературе — хочу обсудить конкретное проявление тренда: доменно-специфичные модели (DLLM).

DLLM могут стать самым заметным дизрапшном. По разным оценкам ежегодно выходит 2,8-3,3 млн новых научных статей — человек их не прочтёт, а копилот-модель сможет.

Вероятнее всего, в большинстве значимых областей появятся модели-эксперты, способные отвечать на вопросы по этой области, помогающие решать текущие задачи и дать человеку буст уровня x10 к текущей производительности. Можно будет иметь эксперта по современной физике, супер-интеллектуального помощника в области материаловедения, глубокого эксперта в software engineering, советника в медицине или сельском хозяйстве и так далее.

Между собой модели много чем будут отличаться — разные типы знаний, про многие из которых другим моделям знать не обязательно (физика твёрдого тела не требуется компилятору; медицинской модели не критично знание лицензий ПО), разные требования к лицензиям и безопасности, разные процедуры оценки качества и так далее. Будет и везде своя регуляторика, проверки и сертификации.

Нужна мультимодальность, но на более детальном уровне она будет разной — даже для картиночной модальности объекты будут сильно разными: 3D молекулы, медснимки, UML-диаграммы, фазовые графики — под каждую дисциплину своя суб-модальность.

Не думаю, что DLLM будут покрыты текущими производителями универсальных моделей. Их не хватит, чтобы глубоко копнуть во все эти области и заниматься постоянным обновлением и контролем качества. Но вероятно они предоставят хорошие базовые модели и инфраструктуру для их тюнинга и использования. А другие люди и организации, обладающие уникальными данными и экспертизой, будут DLLM создавать. Этот процесс, вероятно, придётся организовывать самим.

Важными измерениями здесь будут scale-диапазон (on-device → GPU-кластер), и открытая или закрытая (что и как ты контролируешь). В edge и on-device, думаю, будет особенно много интересного в ближайшие годы. Во многих местах надо уметь работать без интернета, особенно если это какой-то непрерывный техпроцесс.

Траектория с самостоятельным предобучением модели (уровня сотен миллиардов — триллионов токенов) останется для избранных и самых богатых, а совсем массовым сценарием будет адаптация базовой модели, в облаке или локально.

Данные по сути распадаются на три разных слоя:
1. Core corpus — стабилизированные источники (учебники, ГОСТы, review-статьи).
2. Dynamic feed — preprints, патенты, свежая пресса (auto-RAG-pipeline).
3. Telemetry (приватные логи и фидбек) — чтобы модель постепенно училась на контексте конкретной организации.

Особая ценность: способность держать эти слои в актуальном состоянии (а это уже SaaS-ниша под названием «DataOps for DLLM»). Core обновляется раз в квартал, Dynamic feed — ежедневный (или даже streaming) ingest препринтов и патентов через RAG-пайплайн, Telemetry — online fine-tuning / RLHF.

Отдельно поверх этих слоёв лежит слой комплаенса: для Core-корпуса важна лицензия, для Dynamic — проверка авторских прав, для Telemetry — GDPR/локальные законы.

Ну и в реальности это будет не просто DLLM, а агент с DLLM внутри, обвешанный специальными дополнительными инструкциями, тулами, да и другими агентами.

Большая тема — доменные бенчмарки, а может в пределе и сертификация. С одной стороны без бенчмарков доверия не будет, с другой стороны всё равно надо проверять на своих данных и задачах, так или иначе у каждой компании своя специфика и свои требования, и разные модели могут вести себя по-разному.

У DLLM профиль рисков отличается от общей модели — хорошая доменная модель ошибается реже, но цена ошибки выше: неправильная дозировка, некорректный отчёт. Отсюда — необходимость доменного аудита, traceable citations, где-то explainability. Вероятно, появится рынок независимого red-team-аудита, который регуляторы и страховщики будут учитывать при выводе модели в прод.

Интересное обсуждение. Вообще доменные модели не новы, они были и раньше, нг тема с подпиской и апдейтом интересная. Получается модель за счёт бизнес фичи выделилась в самостоятельный продукт.

Теория мертвого интернета станет реальностью через 5 лет: именно столько времени нужно, чтобы боты окончательно обогнали людей по трафику — прогноз от Cloudflare.

Если текущие тенденции сохранятся, мы думаем, что через пять лет нечеловеческий трафик будет в 1000 раз больше, чем человеческий трафик

Что должно произойти, чтобы 127 человек на место через несколько лет превратились в 127 возможностей, а не в 127 разочарований?

Под предыдущим постом был очень правильный комментарий: «Только бы этот интерес потом не разбился о реальность». И действительно. 127 человек на место - это впечатляет сегодня. Но очень важен другой вопрос: а что будет с этими ребятами через 5–10 лет? Потому что подготовить сильного специалиста по ИИ - дорого и долго. А потерять его можно за один авиабилет.

Будущее выпускников такого факультета вообще не должно сводиться к стандартному сценарию: закончил МГУ → получил хорошую зарплату → пошел работать программистом. Если всё получится, перед нами совсем другое поколение.

Кто-то из них создаст новые фундаментальные модели.

Кто-то займется робототехникой и автономными системами.

Кто-то применит ИИ в новых материалах, энергетике, медицине, биотехнологиях и промышленности.

Кто-то создаст корпорацию, которой сегодня не существует.

А кто-то останется в университете и вырастит следующее поколение таких ребят.

И вот здесь начинается самая сложная часть. Талантам недостаточно дать образование. Им нужно дать масштаб задачи. Сильный математик или инженер останется там, где у него есть три вещи: свобода думать, ресурсы экспериментировать, возможность создавать что-то мирового уровня.

Именно поэтому идея Олега Дерипаски о «свободе мышления» гораздо шире одного факультета. Если мы действительно хотим технологического суверенитета, недостаточно подготовить несколько сотен очень умных выпускников. Нужно построить вокруг них экосистему возможностей: лаборатории с современным оборудованием; вычислительные мощности; сильных научных руководителей; гранты без многолетней бюрократии; компании, готовые финансировать рискованные исследования; венчурный капитал. И главное - большие реальные задачи.

Потому что человеку, способному заниматься ИИ мирового уровня, бессмысленно говорить: останься, потому что так правильно. Ему нужно предложить возможность сделать здесь то, ради чего ему самому будет интересно остаться.

https://t.me/naukauniver/10797

Это к ситуации, что на новый факультет ИИ в МГУ 127 человек на место.