Forwarded from Neural Networks | Нейронные сети
This media is not supported in your browser
VIEW IN TELEGRAM
Amazon делает мощный ход в гуманоидной робототехнике.
Компания приобрела Fauna Robotics. Их робот «Sprout» - это гуманоид ростом ~1 метр, созданный для взаимодействия в реальном мире: дома, в школах и офисах.
Робот стоимостью около $50K умеет:
- ходить
- хватать предметы
- взаимодействовать с людьми
- и даже танцевать
Компания приобрела Fauna Robotics. Их робот «Sprout» - это гуманоид ростом ~1 метр, созданный для взаимодействия в реальном мире: дома, в школах и офисах.
Робот стоимостью около $50K умеет:
- ходить
- хватать предметы
- взаимодействовать с людьми
- и даже танцевать
Forwarded from Machine learning Interview
Парень переписал Claude Code на Python за ночь - и взорвал GitHub
Anthropic случайно засветили исходники своего ИИ-редактора Claude Code и они мгновенно разлетелись по сети.
Разработчик из Южной Кореи, Sigrid Jin, увидел это в 4 утра и не стал ждать.
За одну ночь он переписал ключевые части проекта на Python и выложил форк под названием Claw Code.
Результат:
- 50 000 звёзд всего за 2 часа
- вирусное распространение по всему GitHub
- полноценный агентный стек, сохранённый в новой реализации
Сейчас он уже работает над версией на Rust.
История про то, как скорость и скилл иногда решают больше, чем команды и бюджеты
https://github.com/instructkr/claw-code
🐍 полезные ресурсы 🚀Max
@machinelearning_interview
Anthropic случайно засветили исходники своего ИИ-редактора Claude Code и они мгновенно разлетелись по сети.
Разработчик из Южной Кореи, Sigrid Jin, увидел это в 4 утра и не стал ждать.
За одну ночь он переписал ключевые части проекта на Python и выложил форк под названием Claw Code.
Результат:
- 50 000 звёзд всего за 2 часа
- вирусное распространение по всему GitHub
- полноценный агентный стек, сохранённый в новой реализации
Сейчас он уже работает над версией на Rust.
История про то, как скорость и скилл иногда решают больше, чем команды и бюджеты
https://github.com/instructkr/claw-code
🐍 полезные ресурсы 🚀Max
@machinelearning_interview
🔥2
Forwarded from Machinelearning
Media is too big
VIEW IN TELEGRAM
Компания направила GitHub жалобу в рамках DMCA, потребовав заблокировать доступ к утекшему коду Claude Code. Платформа полностью удовлетворила запрос и зачистила репозитории с нелегальным контентом.
Под блокировку попал родительский репозиторий
nirholas/claude-code и все его форки - в общей сложности 8100 проектов. Представитель Anthropic заявил, что содержимое этих репозиториев целиком нарушает авторские права компании.github.com
LFM2.5-350M - крошечная модель на 350 млн параметров. В нее влили 28 трлн. токенов и отполировали обучением с подкреплением. В квантованном виде вся эта радость весит меньше 500 МБ.
При столь скромных размерах она уверенно справляется с задачами агентных циклов, извлечением структурированных данных и вызовом внешних инструментов.
Разработчики говорят, что по сравнению с прошлой версией новинка стала в 2 раза лучше понимать инструкции и работать с функциями. Модель заводится локально на CPU, видеокартах и мобильных чипах. Плюс из коробки нативно поддерживается железо AMD, Intel и Qualcomm.
liquid.ai
Вышедший из стелс-режима стартап PrismML, созданный выходцами из Калтеха, придумал интересную концепцию - «плотность интеллекта». Суть в том, чтобы мерить полезную работу модели на гигабайт используемой памяти.
Чтобы не быть голословными, они релизнули семейство моделей Bonsai, с флагманом на 8B во главе. У модели однобитные веса, поэтому занимает она 1,15 ГБ. Заявлено, что при сохранении качества генерации она в 14 раз меньше, в 8 раз быстрее и в 5 раз экономнее аналогов в той же весовой категории. Плотность интеллекта оценивается в 1,06/ГБ против 0,10/ГБ у стандартных полноразмерных моделей на 8B.
В довесок к 8В идут легкие версии на 4B и 1,7B параметров. Код и веса - в опенсорсе под лицензией Apache 2.0.
prismml.com
Техногигант вынужден пойти на массовые сокращения из-за финансового давления, вызванного многомиллиардными инвестициями в ИИ. Пытаясь догнать конкурентов на рынке, Oracle привлекла огромные кредиты для строительства дата-центров и планировала привлечь еще 50 млрд. долларов на расширение инфраструктуры.
Высокая долговая нагрузка и снижение денежного потока вызвали обеспокоенность инвесторов - с начала года акции Oracle рухнули на 25%. Компания пока отказывается комментировать увольнения, однако руководство верит, что ИИ-стратегия окупится в долгосрочной перспективе.
Топ-менеджмент уверен, что спрос на ИИ-инфраструктуру остается большим и неудовлетворенным, а портфель контрактных обязательств на 553 млрд. долларов является прямым доказательством востребованности их решений на рынке.
businessinsider.com
Проект Панкаджа Гупты стал одной из первых крупных потерь ИИ-бума. Несмотря на финансирование при участии a16z, Джеффа Дина из Google и CEO Perplexity, а также базу в 1,3 млн. пользователей, компания так и не нашла востребованность на рынке.
Yupp развивал платформу краудсорсинга: пользователи за вознаграждение оценивали ответы более 500 ИИ-моделей, а лаборатории покупали эти данные для улучшения продуктов. Но эволюция технологий уничтожила эту бизнес-модель. Фокус сместился с чат-ботов на сложные агентные архитектуры, напрямую взаимодействующие со сторонними сервисами, API и реальными данными.
Ручная оценка текстовых генераций потеряла ценность для инженеров. Поняв, что подход больше не имеет экономической перспективы, команда решила закрыть бизнес. Неизрасходованный капитал вернут инвесторам, а Yupp проработает до середины апреля в режиме экспорта пользовательских данных.
yupp.ai
@ai_machinelearning_big_data
#news #ai #ml
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Claude можно превратить из «чат-бота» в полноценного агента, если правильно организовать проект.
Вся магия — в структуре папки:
Фактически ты собираешь мини-систему из агентов внутри репозитория.
Вся магия — в структуре папки:
your-project/
├── CLAUDE.md → инструкции для команды (сохраняется в репозитории)
├── CLAUDE.local.md → личные настройки (игнорируется git)
├── .claude/ → центр управления
│ ├── settings.json → права доступа и конфигурация (в репозитории)
│ ├── settings.local.json → локальные настройки
│ ├── commands/ → кастомные slash-команды
│ │ ├── review.md → /project:review
│ │ ├── fix-issue.md → /project:fix-issue
│ │ └── deploy.md → /project:deploy
│ ├── rules/ → модульные инструкции
│ │ ├── code-style.md
│ │ ├── testing.md
│ │ └── api-conventions.md
│ ├── skills/ → авто-запускаемые workflow
│ │ ├── security-review/
│ │ │ └── SKILL.md
│ │ └── deploy/
│ │ └── SKILL.md
│ └── agents/ → субагенты (роли)
│ ├── code-reviewer.md
│ └── security-auditor.mdФактически ты собираешь мини-систему из агентов внутри репозитория.
👍1
Claude убили для агентов. Что делать?
Anthropic только что заблокировала подписочные OAuth-токены для всех сторонних агентских инструментов, включая OpenClaw и Hermes. Для многих это стало холодным душем: если попробовать использовать OpenClaw через API Claude, выйдет в 20-30 раз дороже. Так что самое время присмотреться к альтернативам.
Если вы среди тех, кого эта новость застала врасплох, ниже разберем три сильных варианта замены, локальные LLM, которые реально работают, и три приема, как сделать любую модель похожей на Claude по части живости и эмоционального интеллекта.
GLM 5.1
Одна из лучших альтернатив прямо сейчас. Модель стоит в три раза дешевле подписки Claude, и вряд ли компания когда-нибудь скажет “давайте забаним OpenClaw”. В open-source-сообществе GLM уважают давно, хотя на X (Twitter) про нее почему-то мало шума. GLM 5 уже доступна бесплатно с открытым кодом для локального запуска, а версия 5.1 скоро тоже станет open source. Пока что 5.1 работает только через платные тарифы.
Подписка: https://z.ai/subscribe
Minimax 2.7
Minimax набирает популярность, и это заслуженно. Подписка дает не только LLM для кода, но и генерацию картинок, музыки, речи. Версия 2.5 уже open source, а 2.7 обещают открыть в ближайшее время. Эта модель тоже поддерживает OpenClaw, и блокировки сторонних инструментов от них ждать не стоит, потому что рост пользователей Minimax во многом идет именно через сторонние харнессы.
KiloCode провели бенчмарки, сравнив Minimax 2.7 и Claude Opus 4.6 на задачах по сборке, код-ревью и билдам. Результаты впечатляют, особенно если смотреть на соотношение цена/качество.
Minimax: https://www.minimax.io/
OpenAI GPT 5.4 (Codex)
Codex уже обходит Opus 4.6 по большинству задач, а OpenAI купила OpenClaw, так что бан со стороны OpenAI вам не грозит (по крайней мере для OpenClaw). С Hermes ситуация менее однозначная, там блокировка возможна.
Что часто не нравится людям в Codex: он не такой разговорчивый и эмоционально тонкий, как Claude. Плюс UI/UX-дизайны у него слабее. Зато по части бэкенда и кода Codex сейчас зверь, равных которому нет. По токенам за доллар Codex щедрее Claude в 3-4 раза, а недельные лимиты они регулярно сбрасывают бонусом. Минус один: нет промежуточного плана между $20 и $200.
Локальные модели
Если у вас хороший ПК или Mac, вы можете запустить GLM 5, Qwen 3.5, Kimi 2.5 и Minimax 2.5 вообще без подписки, просто на своем железе, приватно. Скоро к ним добавятся GLM 5.1 и Minimax 2.7. Вложиться в хорошую машину для локального инференса становится все более разумной инвестицией.
Как сделать новую модель не хуже Claude
Справедливо сказать, что Claude был хорош в диалогах, оркестрации задач и понимании хорошего UI/UX. У Claude был вкус и характер. Но все это можно воспроизвести, если целенаправленно настроить своего агента.
Рецепт состоит из трех слоев, которые вставляются в SOUL.md (OpenClaw) или аналогичный конфиг вашего харнесса.
Первый слой: гуманизация текста. Вы убираете типичные AI-паттерны, банальные фразы вроде “delve into” и “it’s worth noting”, однообразную длину предложений и шаблонную структуру. Вместо этого прописываете правила: короткие предложения чередуются с длинными, допускаются фрагменты и вопросы в прозе, никаких списков там, где можно написать абзацем.
Второй слой: эмоциональный интеллект. Модель учится определять семь эмоциональных состояний пользователя и реагировать адекватно. Фрустрация – сразу решение без “я понимаю ваши чувства”. Восторг – одно предложение в тон, дальше к делу. Путаница – меньше слов, другая аналогия.
Третий слой: движок личности. Это не шаблон, а система из 15 вопросов, которая помогает собрать уникальный профиль агента. Имя, должность, стиль мышления, фирменные речевые обороты, уровень категоричности. На выходе получается SOUL.md, который делает модель узнаваемой и стабильной.
https://uproger.com/claude-ubili-dlya-agentov-chto-teper/
Anthropic только что заблокировала подписочные OAuth-токены для всех сторонних агентских инструментов, включая OpenClaw и Hermes. Для многих это стало холодным душем: если попробовать использовать OpenClaw через API Claude, выйдет в 20-30 раз дороже. Так что самое время присмотреться к альтернативам.
Если вы среди тех, кого эта новость застала врасплох, ниже разберем три сильных варианта замены, локальные LLM, которые реально работают, и три приема, как сделать любую модель похожей на Claude по части живости и эмоционального интеллекта.
GLM 5.1
Одна из лучших альтернатив прямо сейчас. Модель стоит в три раза дешевле подписки Claude, и вряд ли компания когда-нибудь скажет “давайте забаним OpenClaw”. В open-source-сообществе GLM уважают давно, хотя на X (Twitter) про нее почему-то мало шума. GLM 5 уже доступна бесплатно с открытым кодом для локального запуска, а версия 5.1 скоро тоже станет open source. Пока что 5.1 работает только через платные тарифы.
Подписка: https://z.ai/subscribe
Minimax 2.7
Minimax набирает популярность, и это заслуженно. Подписка дает не только LLM для кода, но и генерацию картинок, музыки, речи. Версия 2.5 уже open source, а 2.7 обещают открыть в ближайшее время. Эта модель тоже поддерживает OpenClaw, и блокировки сторонних инструментов от них ждать не стоит, потому что рост пользователей Minimax во многом идет именно через сторонние харнессы.
KiloCode провели бенчмарки, сравнив Minimax 2.7 и Claude Opus 4.6 на задачах по сборке, код-ревью и билдам. Результаты впечатляют, особенно если смотреть на соотношение цена/качество.
Minimax: https://www.minimax.io/
OpenAI GPT 5.4 (Codex)
Codex уже обходит Opus 4.6 по большинству задач, а OpenAI купила OpenClaw, так что бан со стороны OpenAI вам не грозит (по крайней мере для OpenClaw). С Hermes ситуация менее однозначная, там блокировка возможна.
Что часто не нравится людям в Codex: он не такой разговорчивый и эмоционально тонкий, как Claude. Плюс UI/UX-дизайны у него слабее. Зато по части бэкенда и кода Codex сейчас зверь, равных которому нет. По токенам за доллар Codex щедрее Claude в 3-4 раза, а недельные лимиты они регулярно сбрасывают бонусом. Минус один: нет промежуточного плана между $20 и $200.
Локальные модели
Если у вас хороший ПК или Mac, вы можете запустить GLM 5, Qwen 3.5, Kimi 2.5 и Minimax 2.5 вообще без подписки, просто на своем железе, приватно. Скоро к ним добавятся GLM 5.1 и Minimax 2.7. Вложиться в хорошую машину для локального инференса становится все более разумной инвестицией.
Как сделать новую модель не хуже Claude
Справедливо сказать, что Claude был хорош в диалогах, оркестрации задач и понимании хорошего UI/UX. У Claude был вкус и характер. Но все это можно воспроизвести, если целенаправленно настроить своего агента.
Рецепт состоит из трех слоев, которые вставляются в SOUL.md (OpenClaw) или аналогичный конфиг вашего харнесса.
Первый слой: гуманизация текста. Вы убираете типичные AI-паттерны, банальные фразы вроде “delve into” и “it’s worth noting”, однообразную длину предложений и шаблонную структуру. Вместо этого прописываете правила: короткие предложения чередуются с длинными, допускаются фрагменты и вопросы в прозе, никаких списков там, где можно написать абзацем.
Второй слой: эмоциональный интеллект. Модель учится определять семь эмоциональных состояний пользователя и реагировать адекватно. Фрустрация – сразу решение без “я понимаю ваши чувства”. Восторг – одно предложение в тон, дальше к делу. Путаница – меньше слов, другая аналогия.
Третий слой: движок личности. Это не шаблон, а система из 15 вопросов, которая помогает собрать уникальный профиль агента. Имя, должность, стиль мышления, фирменные речевые обороты, уровень категоричности. На выходе получается SOUL.md, который делает модель узнаваемой и стабильной.
https://uproger.com/claude-ubili-dlya-agentov-chto-teper/
❤2👍1
⚡️ Вышло большое обновление популярного курса- Ai AI агенты, которые реально работают в проде!
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
Вы всё ещё пишете обёртки над ChatGPT и называете это «AI-продуктом»?
Пока вы промптите - рынок переходит на агентные системы. Те, что принимают решения, ходят в API, работают с Postgres и Redis, управляют браузером через Playwright.
И 90% таких систем ломаются между ноутбуком и продом.
AI Agents Engineering - курс, который закрывает этот разрыв. LangGraph, AutoGen, Computer Use, LLMOps. 8 модулей, 120+ шагов - от архитектуры до деплоя в Docker.
На выходе: реальный опыт на большой практической базе, а production-агент и навыки, за которые уже платят.
👉 48 часов действует скидка на курс 55 процентов: https://stepik.org/a/276971/
❤1👍1🥰1
Forwarded from Машинное обучение RU
Невероятное открытие: Математики тихо провернули безумную вещь: нашли «универсальную операцию» для всей математики
Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу.
Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов.
Так вот здесь сделали то же самое, только для непрерывной математики.
Вместо кучи операций вводится одна:
eml(x, y) = e^x - ln(y)
И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку.
Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано.
И вот тут начинается самое интересное.
Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется.
С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом.
А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети.
То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу.
Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных.
www.alphaxiv.org/abs/2603.21852v2
Польский физик показал, что любую функцию вообще можно собрать из одного примитива. Да, буквально всё: exp, π, i, sin, cos, сложение, умножение и дальше по списку. Раньше нужно было много разных операций, а теперь теоретически всё можно выразить через одну формулу.
Если знаком с NAND, ты уже понял вайб. В булевой логике это одна операция, через которую выражается вообще всё. Из-за этого реальные процессоры по сути собираются из NAND-гейтов.
Так вот здесь сделали то же самое, только для непрерывной математики.
Вместо кучи операций вводится одна:
eml(x, y) = e^x - ln(y)
И дальше начинается магия. Любую функцию можно развернуть в композицию таких выражений. Иногда это выглядит как монстр из вложенных вызовов, но формально всё сводится к одному строительному блоку.
Например, даже логарифм можно собрать через такие вложенности. Для более сложных вещей выражения становятся длинными, но они существуют и это доказано.
И вот тут начинается самое интересное.
Обычно symbolic regression это ад. Нужно перебирать формулы из кучи операций: плюс, умножение, синусы, логарифмы. Огромное дискретное пространство, почти не оптимизируется.
С EML всё упрощается. У тебя один тип узла. Всё пространство формул становится однородным деревом.
А значит можно делать то, что раньше было болью: оптимизировать формулы градиентами, как нейросети.
То есть модель не просто фитит данные. Она может реально схлопнуться в точную формулу.
Если это масштабируется, это прям мост между ML и классической наукой. Не просто предсказания, а извлечение законов из данных.
www.alphaxiv.org/abs/2603.21852v2
Anubis Team
Удалённо · $1500–3000
Пишите: @anubishr
Ищем увлечённого AI инструментами специалиста по контенту, разбирающийся в SEO текстах и тексовой оптимизации, понимающий как воспринимает контент google
Задачи
• Создание SEO контента через AI
• Построение идеальной структуры страницы
• Масштабирование
• Анализ SERP и конкурентов
• Постоянное тестирование новых инструментов
• Качество и хьюманитизация
• Контроль качества
Что мы даём:
Если вы понимаете BERT / Helpful Content (на уровне практики), entity-based SEO, как Google читает текст — будем рады пообщаться.
Пишите: @anubishr
Please open Telegram to view this post
VIEW IN TELEGRAM
❤1
Forwarded from Анализ данных (Data analysis)
ИИ решил задачу Эрдёша за 80 минут. Люди тратили на неё годы
GPT-5.4 Pro закрыл проблему №1196 из списка Эрдёша. Это задачи про primitive sets - наборы чисел, где ни одно число не делит другое.
Пример простой:
• {2, 3, 5} работает
• {2, 4} ломается, потому что 2 делит 4
На этом простота заканчивается. Дальше начинается сложная теория чисел, связанная с простыми числами и факторизацией.
Конкретно эта задача про то, как такие наборы ведут себя в целом. Не один пример, а общая структура и ограничения.
Контекст важный. Один из главных экспертов по теме, Jared Lichtman, разбирал эту задачу около 7 лет вместе с топовыми математиками. Это не забытая проблема, её активно пытались решить.
ИИ справился примерно за 80 минут.
Все десятилетиями шли через один и тот же подход. Аналитика плюс вероятностные методы. Это стало негласным стандартом.
Модель просто отказалась от этого пути и осталась в чистом анализе, используя веса фон Мангольдта.
Фактически она пошла дорогой, которую люди игнорировали из-за математической интуиции и привычек.
В результате получилось не просто решение, а аккуратное доказательство, которое потенциально упрощает более широкий класс задач.
Если это подтвердится, это повлияет не на одну задачу, а на целый кусок теории чисел.
Похоже, что модели начали находить не только ответы, но и неожиданные идеи, которые люди системно пропускали.
https://x.com/jdlichtman/status/2044298382852927894
GPT-5.4 Pro закрыл проблему №1196 из списка Эрдёша. Это задачи про primitive sets - наборы чисел, где ни одно число не делит другое.
Пример простой:
• {2, 3, 5} работает
• {2, 4} ломается, потому что 2 делит 4
На этом простота заканчивается. Дальше начинается сложная теория чисел, связанная с простыми числами и факторизацией.
Конкретно эта задача про то, как такие наборы ведут себя в целом. Не один пример, а общая структура и ограничения.
Контекст важный. Один из главных экспертов по теме, Jared Lichtman, разбирал эту задачу около 7 лет вместе с топовыми математиками. Это не забытая проблема, её активно пытались решить.
ИИ справился примерно за 80 минут.
Все десятилетиями шли через один и тот же подход. Аналитика плюс вероятностные методы. Это стало негласным стандартом.
Модель просто отказалась от этого пути и осталась в чистом анализе, используя веса фон Мангольдта.
Фактически она пошла дорогой, которую люди игнорировали из-за математической интуиции и привычек.
В результате получилось не просто решение, а аккуратное доказательство, которое потенциально упрощает более широкий класс задач.
Если это подтвердится, это повлияет не на одну задачу, а на целый кусок теории чисел.
Похоже, что модели начали находить не только ответы, но и неожиданные идеи, которые люди системно пропускали.
https://x.com/jdlichtman/status/2044298382852927894
❤1👍1🔥1