172 subscribers
125 photos
47 videos
101 files
623 links
ALGORITHMS MACHINE LEARNING
Download Telegram
Intelligent internet introduced open source Zenith a long-running agent harness

Zenith takes base models to the top of FrontierSWE via adaptive self improvement
Claude не считает количество сообщений — он считает токены
Каждый запрос оценивается в определенное количество токенов
Как следствие, некоторые чаты расходуют лимит намного быстрее, чем ожидаешь

Как это обойти:

Редактируйте запросы вместо отправки новых
Если править уже отправленные сообщения, лимит не расходуется, при этом ответ дается уже к отредактированному запросу

Новая беседа каждые 20 сообщений
П
осле 30 вопросов каждый следующий забирает много токенов
После 20 сообщений запрашивайте краткую сводку, копируйте ее и вставляйте в новый диалог

Группируйте вопросы
Вместо отправки отдельными сообщениями, пишите несколько вопросов или запросов в одно — это стоит в несколько раз меньше токенов, при этом ответы вы получите на все вопросы
Как вариант, перечисляйте всё что вам нужно в нумерованный список и попросите отвечать в таком порядке

Используйте Projects
Загружайте туда файлы, и ссылайтесь на них вместо повторной отправки в чат
Так файлы кешируются один раз и больше не расходуют токены

Используйте память
Перейдите в «Настройки» → «Память» и сохраните данные о себе на будущее

Отключите лишние функции
При каждом запросе токены расходуются на веб-поиск, режим исследования и коннекторы
Если они вам не требуются, отключите их с помощью иконок рядом с полем ввода текста

Чаще используйте Haiko
Эта модель экономична по токенам, при этом зачастую достаточна для текстовых запросов вроде проверки грамматики, форматирования или извлечения сути из текста

Используйте модели соответственно задачам
Haiku дает быстрые ответы, форматирование, мозговой штурм
Sonnet — написание текстов, анализ, код, серьезные черновики
Opus — глубокие исследования, строгая логика, проверка обширных документов
Не используйте Opus для задач уровня Haiku

Разбивайте работу на несколько сессий
Claude работает 5-часовыми окнами, которые перезапускаются по истечении времени
Это тормозит работу
Лучше заранее распланировать задачи в течение дня, чтобы попадать точно в окна, а не между ними

С помощью таких «бабушкиных советов» бесплатная версия Claude может стать гораздо полезнее
Как создать свой первый навык Claude:

1. Не создавайте его с нуля
Откройте старый чат Claude Cowork, где вы уже объяснили свою задачу

2. Запрос: «Превратить этот разговор в навык»
Claude воссоздает ваш собственный рабочий процесс в обратном направлении

3. Хотите создать новый? Запрос: «Используй инструмент skill-creator, чтобы помочь мне создать навык»
Он проведет с вами интервью

4. Он сгенерирует файл
SKILL.md с вашей командой /command + вашими правилами

5. Перед сохранением попросите Claude протестировать его
Он запустит навык на ваших запросах, чтобы вы увидели, что он работает

Как установить навыки Claude, чтобы они запускались автоматически:

• Перейдите на
how-to-ai.guide
• Подпишитесь бесплатно
Не платите ничего
• Откройте приветственное письмо (не пропускайте это)
• Кликните на ссылку Notion
• Откройте папку «Claude Skills»
• Скачайте все 15+ навыков Claude
• Загрузите в Claude → Настройки → Навыки
• Откройте новый чат и просто введите свой обычный запрос

Вы не вызываете навык вручную
Claude читает то, что вы вводите, и активирует его самостоятельно

Так что вместо того чтобы каждый раз переобъяснять «без маркеров, числа в USD», вы вводите /linkedin — и готово

Навыки: Целая библиотека навыков Claude:
how-to-ai.guide

Экономия на 700-словный промпт
Когда слышат его имя, обычно вспоминают дифференциалы, интегралы и знаменитый спор с Ньютоном о том, кто первым придумал математический анализ
Но мы расскажем несколько менее очевидных фактов о нём
• самостоятельно выучил латынь в восемь лет
• изобрёл счётную машину, придумал двоичный код и заложил основы современных вычислительных систем — и всё это, работая на полную ставку дипломатом и юристом
• более 20 лет вёл переписку с молодым Петром I, всерьёз предлагая русскому царю проекты научных исследований


Но самой, пожалуй, противоречивой историей его жизни стала служба герцогу Иоганну Фридриху Брауншвейг-Люнебургскому. Более сорока лет Лейбниц писал семейную хронику для начальства
Сначала он думал, что это будет обычная работа на заказ
Но Лейбниц оказался слишком «честным» учёным…

Вместо того чтобы просто написать красивую родословную, он решил проверять всё по первоисточникам

Он объездил архивы Германии, Австрии и Италии, копировал рукописи, изучал средневековые документы
Работа, которую заказчики рассчитывали получить за несколько лет, превратилась в бесконечный исследовательский проект

Он постоянно писал работодателям: «Почти закончил»
Но «почти» длилось десятилетиями
Эта работа дала Лейбницу свободу общаться с ведущими математиками, переписываться с сотнями учёных, публиковать работы по математике и философии
В этот период он даже основал Берлинскую академию наук

В 1669 году гамбургский купец-алхимик Хенниг Бранд решил, что секрет философского камня скрыт в человеческой моче
Он собрал по солдатским казармам около тысячи литров этой самой мочи, долго её выпаривал, дважды перегонял и в итоге прокалил получившийся осадок

Золота он, конечно, не получил, зато получил светящийся в темноте порошок, который назвал фосфором — «светоносцем»
Превратить новое вещество в золото так и не вышло, и тогда практичный Бранд начал просто продавать его — дороже, чем стоило само золото

Секрет в итоге купили несколько раз подряд разные люди, и одним из покупателей оказался Лейбниц
Он увидел демонстрацию фосфора, проведённую конкурентом Бранда, не смог купить секрет у него и в итоге вернулся прямиком к первоисточнику — снова к Бранду, который, не моргнув глазом, продал свою формулу повторно, на этот раз совсем дёшево

Когда позже выяснилось, что демонстрации фосфора прошли и в Лондоне, перед Королевским обществом, Лейбниц всерьёз обеспокоился: ему совсем не хотелось, чтобы секрет философского камня оказался в руках у нелюбимой им Англии

Он всё-таки добился для Бранда места придворного алхимика с неплохим окладом — лишь бы открытие осталось поближе к Ганноверу


Заветной мечтой Лейбница было создание универсального языка для описания любых знаний
Языка, в котором сложные рассуждения сводились бы к вычислениям

Он писал, что, если между учёными возникнет спор, им не придётся спорить бесконечно — достаточно будет сказать друг другу: «Давайте посчитаем!»
Крупные компании, которые в последние годы активно сокращали сотрудников из-за внедрения технологий “искусственного интеллекта”, начали пересматривать эти решения

Как сообщает CNBC, некоторые работодатели уже начали возвращать уволенных специалистов

Ford Motor снова нанимает сотни квалифицированных инженеров для решения проблем с качеством, с которыми не справились алгоритмы

«Искусственного интеллекта» — потрясающий инструмент, но он полностью зависит от качества данных, на которых обучался»,— отметил вице-президент Ford Motor Чарльз Пун

Кадровую политику пересмотрел и один из крупнейших банков Австралии — Commonwealth Bank of Australia
В прошлом году банк сократил несколько десятков сотрудников отдела обслуживания клиентов и заменил их голосовым AI-помощником
Однако система не справилась с работой, а число жалоб клиентов заметно выросло
В банке признали, что «не продумали все возможные нюансы» своей политики в отношении цифровизации

Аналогичные выводы сделали в IBM
Приложения на базе алгоритмов, заменившие часть сотрудников кадровой службы, успешно обрабатывали около 94 % запросов и задач
Но в числе оставшихся 6 % были слишком сложные для них проблемы, в том числе вопросы критического характера
В результате компания объявила о планах увеличить втрое наем сотрудников во всех подразделениях в США в 2026 году
Будем хранить данные прямо в оптоволокне, гоняя туда-сюда! — пошутил в обсуждении @Betankor


Так вот, это нифига не шутка

Память в 1953 году была медленная
Как раз тогда
придумали акустические линии задержки
Брали трубку с ртутью, туда орали звуком
Пока звук путешествует по трубке, информация физически хранится в ней
Когда импульс доходит до конца, электроника считывает его и тут же орёт обратно в начало
Получается консервированное "Ау"

В первых UNIVAC использовались ртутные баки, один вмещал около 10 Кб
Там было важно удерживать температуру очень точно
Ну и чтобы достать нужный бит, нужно было ждать, пока он доплывёт до конца трубы
Плюс шум накапливался неприлично

Рядом пробовали всякую фигню — попробовали кинескопы с постоянным обновлением экрана, магнитные барабаны — металлический цилиндр с магнитным слоем крутился на скорости 75.000 оборотов в минуту, а рядом стояла головка записи и головка чтения
Если питание пропадало, диск не останавливался, а крутился ещё некоторое время, и если быстро восстановиться — память получалась энергонезависимой
Ещё магнитные сердечники, ИК-фосфорные схемы, газовые трубки и неон и когереры (коробки с порошком, который слипается от тока)
Разве что чесночный сок не давили

Технологию вспомнили, когда понадобилась квантовая маршрутизация
Если два пакета приходят на маршрутизатор одновременно, обычно лишний пакет просто записывается в оперативную память на миллисекунды, а потом отправляется дальше
Но любая попытка записать и прочитать фотон обычно разрушает его квантовое состояние

Пробовали хранить состояния в кристаллах, но не очень получилось, там 90 % потерь
Поэтому фотоны стали пускать в оптическую петлю — нарезать пару кругов ещё по 5 километров в бухте прямо на полу и вернуться

Максимальное время хранения 52 микросекунды или 11 километров, точность с коррекций 98 %

Тут сделали из прошлой работы микрочип для пакетов 40 байт на 40 Гбит/сек.
Прям на микросхеме скрутили маленькую бухточку кабеля 98 % пакетов успешно прочитаны без ошибок, 12-64 наносекунды хранения, оптические потери 99.9 % изначального света, но усилители успешно это компенсировали
Это пример, есть ещё несколько реализаций

Для исправления сложных искажений отлично подходят рекуррентные нейросети
Но обычные слишком медленные для оптоволокна
Есть упрощенный вариант нейросетей — резервуарные вычисления

На базе них можно сделать аппаратную нейросеть, работающую прямо со светом

1. Поток нарезается на спектральные полосы
2. Каждая полоса попадает в свой фильтр
3. Свет бегает по петлям фильтров, задерживаясь и смешиваясь сам с собой
Это создает память (контекст)
4. На выходе свет попадает на фотодиод и превращается в электричество

Стеклянные петли — пассивные, не жрут ток
Обработка со скоростью света

На тесте NARMA-10 погрешность меньше 10 %, очень хорошо
Для передачи — дальность без усилителей и ретрансляторов увеличилась в 4 раза

Реализация на чипе, где нейроны соединены несколькими петлями обратной связи — оптический компьютер с WDM
Если вам непонятно хотя бы одно слово в этом предложении (особенно WDM), то просто знайте — крутая работах

И свежая работа из 2026: фотонная платформа квантового резервуарного вычисления со спектральным и временным мультиплексированием

Память сделана через обратную связь электрооптической модуляции
С нелинейным кристаллом, фемтосекундным лазером и вообще
Очень крутые результаты
Возможно, будущее нейросетей

Ну и обязательно надо вспомнить
pingfs (подсказывает @laendlord)
Файловая система, где данные хранятся только в самом интернете, в виде ICMP Echo-пакетов (пингов), путешествующих от вас к серверам и обратно
Так что идея ртутной колбы жива
Отправлять пинги, кстати, можно и по RFC 2549, это сильно увеличит ёмкость памяти
--
Вступайте в ряды Фурье! | Лучшие посты
Есть анекдот про UDP, но не факт, что он до вас дойдёт
Forwarded from ARI (НИИ Антропогенеза) (Chagin Oleg A.)
Новый препринт MITзадаёт простой вопрос: модульность человеческого мозга - фундаментальный принцип или случайность эволюции?

Чтобы ответить на этот вопрос, авторы исследования взяли LLM и посмотрели, есть ли там та же структура

И ответ оказался положительным, есть причём точь-в-точь

Оказалось, что внутри 6 передовых моделей обнаружили 4 отдельные популяции нейронов, каждая отвечает за свой тип мышления, язык, грамматику, математику, логику, физический мир и социальное рассуждение

Это в точности 4 сети, которые нейронауки давно картировали в человеческом мозге


Чтобы убедиться, что это не корреляция, а реальная специализация, нейроны отключали
Отключили языковую зону: модель рассуждает верно, но пишет с грамматическими ошибками

Отключили физическую: текст грамотный, но физические выводы инвертированы

Точность внутри домена падает на 26 %
За пределами домена - на 2.5 %

Мозг формируется эволюцией, а LLM градиентным спуском на предсказании токенов

Никакой общей причины для одинаковой архитектуры нет кроме одной: так устроена любая система, которой нужно решать разнородные задачи одновременно, не мешая одному домену перезаписывать другой

Модульность - не биологическая случайность, а по всей видимости, универсальное решение для интеллекта

Для интерпретируемости: у LLM есть внутренняя структура, которую можно картировать и на которую можно воздействовать точечно

Для архитектур: MOE - потенциально про воспроизведение когнитивной специализации

Для нейронауки: LLM впервые дают возможность изучать, как разные когнитивные системы передают информацию друг другу - то, что в мозге технически почти невозможно измерить
Новый научный журнал "Discrete and Continuous Dynamical Systems - Series I: Intelligence"

https://www.aimsciences.org/DCDS-I

Discrete and Continuous Dynamical Systems - Series I: Intelligence
is a peer-reviewed international journal dedicated to advancing interdisciplinary research at the intersection of Dynamical Systems (DS), Artificial Intelligence (AI), Machine Learning (ML), and Computational Neuroscience (CN)

The journal publishes various types of high-quality contributions, including Perspectives, Letters, Articles, and Reviews

It both values theoretical and applied papers (provided they meaningfully advance the frontiers of DS, AI/ML, and CN research) and maintains high academic standards in originality, technical rigor, and scientific impact
Каждая точка здесь равна примерно 3.200.000 человек, а цвет показывает опыт их взаимодействия с нейросетями — это простая визуализация текущего состояния внедрения в мир

Около 6.800.000.000 человек вообще не используют нейросети
Еще 1.300.000.000 — это «зеленые»
Они время от времени пользуются бесплатными чат-ботами
До 25.000.000 «желтых», которые используют его регулярно

И лишь одна красная точка — те самые около 5.000.000 человек, которые выстраивают продвинутые рабочие процессы или разрабатывают приложения с помощью AI-помощников

Когда давно работаешь с этими инструментами и находишься в своем информационном пузыре, начинает казаться, что остальные ушли еще дальше
Но, увы, для абсолютного большинства людей применение AML все еще terra incognita

В образовании так много разговоров о пользе и угрозах нейросетей, и так мало сложившейся практики

А если перед вами вопрос «как наверстать упущенное» — ответ до смехотворного прост
Используйте его каждый день в течение месяца
Прочитайте об этом
Посмотрите несколько объясняющих видео
И попробуйте сделать своего первого агента

Трудно проверить, но этого будет достаточно, чтобы вы оказались в топе людей по уровню владения искусственным интеллектом на планете Земля
ARI AML
Video
Профессор Стэнфорда Джуди Фан объясняет, почему AML на самом деле ещё не научился «видеть» так, как люди

Это полностью меняет то, как большинство думает о человеческом интеллекте в сравнении с искусственным интеллектом:

1. Природа никогда не давала прямых линий или острых углов
Числовая прямая, координатная плоскость, даже базовая геометрия — всё это человеческие изобретения
Люди создали инструменты, которых не существует в природе, просто потому, что нужен был способ мыслить иначе

2. Система координат, изобретённая Декартом, решила проблему, которая ставила в тупик математиков на протяжении веков: удвоение объёма куба
Как только этот инструмент был изобретён, он стал настолько незаменимым, что практически каждая математическая программа на Земле до сих пор основана на нём

3. История прогресса неразрывно связана с историей разметки нашей среды — от стен пещер до телескопа Галилея и диаграмм Фейнмана для частиц, которые никогда не увидим собственными глазами

4. Каждый крупный научный прорыв опирался на визуальный инструмент, который делал невидимое видимым
Дарвину понадобились бок-о-бок иллюстрации вьюрков, чтобы заметить вариации, которые иначе были бы слишком тонкими
Кахалю понадобились детальные рисунки нейронов под микроскопом, чтобы нанести на карту, как устроена нервная система

5. Исследовательская группа Фан изучает нечто обманчиво простое: как люди решают, что включить в рисунок, а что опустить

6. Люди не просто копируют то, что видят
Они постоянно принимают суждения о том, какой уровень детализации действительно служит цели коммуникации, и делают это естественно, без всякого обучения теории за этим

7. Есть реальная разница между рисованием чего-то, чтобы кто-то мог его опознать, и рисованием чего-то, чтобы кто-то понял, как оно работает
В одном исследовании участники рисовали объяснительные диаграммы, подчёркивая движущиеся, причинно-следственные части машины, в то время как описательные рисунки акцентировали фон и общий вид, хотя оба рисунка изображали один и тот же объект

8. Объяснительные рисунки действительно лучше помогали разобраться, как управлять машиной, но хуже — опознать, какая это именно машина
Нельзя оптимизировать один рисунок сразу под обе цели. Коммуникация всегда включает компромиссы

9. Модели компьютерного зрения, обученные на фотографиях, неожиданно хорошо обобщают на простые, разреженные наброски, что предполагает: распознавание на основе сходства — это не просто история, которую мы себе рассказываем
Это нечто, что современные нейронные сети могут воспроизвести с реальной точностью

10. Но остаётся большой, измеримый разрыв между тем, насколько уверенно модели распознают наброски, и насколько уверенно это делают люди, даже когда обе группы отвечают на одни и те же вопросы об одних и тех же изображениях
Люди просто гораздо надёжнее и последовательнее в своих суждениях

11. Когда исследователи сравнили наброски, сделанные людьми, с набросками, сгенерированными, при жёстких ограничениях на штрихи, оба были примерно одинаково узнаваемы при больших бюджетах, но резко расходились, когда ограничения сокращался
Люди и алгоритмы упрощают рисунки фундаментально по-разному

12. Чтение графика — это не один-единственный навык
Оно включает восприятие, знание, куда смотреть, сопоставление этой визуальной информации с реальным вопросом и затем перевод этого сопоставления в ответ
Каждый из этих шагов может независимо сломаться, и люди ошибаются по очень разным фундаментальным причинам, даже если приходят к одному и тому же неверному ответу

13. Когда ведущие мультимодальные модели, включая GPT-4V, тестировали напрямую против людей на задачах чтения графиков, они показали значительный разрыв в производительности
Даже когда общая точность модели приближалась к человеческому уровню, её шаблон ошибок ничем не напоминал то, как люди на самом деле ошибаются

14. Люди выбирают совершенно разные типы графиков в зависимости от того, на какой конкретный вопрос они пытаются ответить, а не из-за общей предпочтительности столбчатых диаграмм или диаграмм рассеяния
ARI AML
Video
Их выборы графиков тесно следовали за тем, какая визуализация действительно помогла бы ответить на этот конкретный вопрос правильно

15. Два самых широко используемых теста на грамотность чтения графиков в образовательных исследованиях оказались сильно коррелирующими друг с другом, что предполагает: они измеряют пересекающиеся навыки
Но когда исследователи копнули в реальные шаблоны ошибок, стандартные категории из учебников, вроде «найти максимум» или «выделить кластер», объясняли, почему люди ошибаются, гораздо хуже, чем более базовая, фундаментальная модель из четырёх факторов

16. Самая глубокая цель этого исследования — не просто академическое любопытство, а помочь развить настоящую грамотность с визуальными инструментами, на которые всё больше опираются наука и современное принятие решений, потому что каждое поколение должно видеть дальше предыдущего, стоя на визуальных инструментах, построенных ими