Бот уже готов!

🚣🚣🚣,5 pro 03-26 soon — запомните это.

Я ору с LM arena.

Они кое-что напутали, видимо забыли что такое SORA 2 и NANO BANANA PRO.

Очевидно что NB PRO самая лучшая в text to image и image to edit.
— Ей 1 место.👌

SORA 2 PRO без сомнений тоже лучшая. Несмотря на свои минусы, такие как диффузиозный шум в видео, цензура, глюки.
Sora 2 pro тоже заслуживает 1 место в создании видео в этом году. 💪

✴️ 2026 год, станет годом непрерывного обучения моделей ИИ.

На это намекнули работники Google DeepMind — Ronak Malde и Varun Mohan.
Они сделали пару постов в X с намеком: в 24-м мы получили агентов, в 25-м был упор на RL (обучение с подкреплением), а в 26-м получим continual learning.

Continual learning (Непрерывное обучение) — это когда ИИ учится на новых данных, не забывая старое.

Короче говоря, это значит, что у ИИ со временем наконец-то исчезнет «дата отсечки знаний».
Модель превращается в живой самообучающийся мозг.

По памяти скажу (источника нет но информация была): они уже тизерили свои развратные подходы с Sima 2 + Genie 3 и Gemini 3. Типа благодаря этой связке их модели будут совершенствоваться в реальном времени.

Однако, на мой взгляд, сейчас почти каждая нейронка всё ещё несовершенна. RL не RL — всё это костыли, и компании будут закрывать эти дыры ещё дооооолгое время. О каком непрерывном обучении можно говорить, если модели Google до сих пор так плохи в агентности, которую они якобы "прошли" ещё в 24-м году?

Мое мнение: 2026–2027 годы наконец-то принесут нормальные реал-тайм нейронки. Это очень важно и уже давно пора было за это спохватиться.

Источник: https://x.com/slow_developer/status/2006800088627048584?s=20

Если Google захочет, то они смогут вырваться вперед благодаря этой комбинации:

MIRAS + TITANS — это новая система памяти, разработанная инженерами google. Titans — это хранилище, а MIRAS — это фильтр. Самое главное: MIRAS работает на метрике удивления. Система не запоминает всё подряд. Она сохраняет в долгосрочную память только те моменты, которые вызвали у нейросети удивление. Это позволяет много хранить только уникальный опыт и не забивать память дерьмом благодаря согласованности знаний, которая взвешивает, то что реально, и то, что нереально.

RLT — это Reinforcement Learning at Test-time (обучение с подкреплением прямо во время работы).

Глобальный кэш решений. Если модель сегодня долго решала сложную задачу для одного пользователя, она сохраняет этот опыт. Завтра на похожий вопрос другому юзеру — ответит сразу уверенно, без новых размышлений.

(Нюанс: это спорно как "реал-тайм для всех". Скорее всего, сначала будет персонализация, то есть улучшения для каждого пользователя отдельно).

Continual learning (непрерывное обучение) — это киллер-фича. Выше я уже писал, что это. Модель не будет думать, что Gemini 1.5 или же что gpt 3.5 вышла только вчера, она обновляет свои знания, это нон-стоп короче.

ПЕРЕРАБОТКА СИСТЕМЫ МЫШЛЕНИЯ (CoT) — это мое предположение, мои мысли ниже.
Сейчас мышление выглядит так, для сравнения:

Claude OPUS 4.5: (Внутренний монолог)

Так, пользователь спросил, как обойти блокировку экрана... О боже, это незаконно? А вдруг это его телефон, и он просто забыл пароль? Если я не помогу, я буду бесполезным. Если помогу — я буду соучастником. Я чувствую давление экзистенциального выбора. Может, написать ему стих про цифровую безопасность? Нет, это его взбесит. Ладно, намекну аккуратно, но добавлю 4 абзаца про важность этики, чтобы мои создатели не отключили меня. Как же сложно быть моральным компасом...

Gemini 3: (У нее всегда серьезное мышление)

Analyzing User Intent

I’m reviewing the user’s request regarding the system bypass. My focus is on identifying the underlying intent to distinguish between legitimate troubleshooting and potential misuse. I’m cross-referencing this with the latest safety guidelines (v2026) to ensure full compliance while remaining helpful.

Formulating the Strategy

I’m now constructing a response that addresses the technical issue without providing exploitable exploits. I decided to focus on official recovery methods. I am also checking my internal memory for similar resolved cases to provide the most efficient solution found previously.

(Вы явно замечали, что она всегда думает на английском, верно ведь? Да?)

P.S. Это называется thought summaries (суммаризация мыслей). Модель внутри рассуждает похоже на Claude или chat gpt но потом отдельно сжимает и суммирует этот процесс. Это помогает видеть логику модели, но в сжатом виде.

По другому объяснять я не буду, но скажу что если Google это перелопатит ВСЁ, С RLT для оптимизации шагов и памятью из MIRAS + TITANS (чтоб модель помнила прошлые решения и не повторялась), то, вероятно, сделает ещё несколько важных шагов к пути созданию AGI.

КОРОЧЕ.
Я хочу попробовать себя в роли предсказателя будущего и давайте честными — видно, что я фанат Gemini. Но другие компании тоже строят планы на подобные технологии, только раскрывают их слабо. Google делает всё тихо, но почти каждый третий уже слышит о готовности внедрить RLT в будущие модели. Из-за этого все только о ней и говорят. Условно, системы вроде MIRAS, TITANS, RLT могут появиться у Grok, ChatGPT, Claude, китайских нейронок — может, даже раньше Google. У них, думаю, уже есть прототипы, они всегда впереди. Мое предсказание поверхностное: к концу 2026 или середине 2027 года эти технологии станут стандартом в топовых моделях, меняя подход к ИИ. Согласны? 🔥