Мир не готов к AI эпохе
Билл Гейтс выкатил большой пост о том, что нас ждет в ближайшие годы с AI и прогноз у него довольно мрачный. По его мнению, мы входим в один из самых турбулентных периодов в истории человечества. И в отличие от компьютеров или интернета, которые меняли рынок труда десятилетиями, AI уже здесь, работает на наших устройствах, понимает наш язык и может внедряться практически мгновенно. Поэтому огромные изменения могут уложиться буквально в одно десятилетие.
Больше всего он говорит о работе и профессиях. Гейтс считает, что множество профессий исчезнет навсегда, причем первыми под удар попадут junior и middle позиции. Продажи, поддержка, программирование, юридическая работа, анализ данных, выдача кредитов и даже часть медицинских задач постепенно будут уходить AI. Новые профессии появятся, но совсем не факт, что их окажется столько же.
И тут возникает довольно странная проблема с молодыми кадрами. Чтобы стать опытным специалистом, сначала нужно несколько лет где-то набивать шишки и учиться. Но именно эту начальную работу AI сейчас забирает быстрее всего. Получается, что компаниям опытные специалисты все еще нужны, а вот привычный путь, по которому человек таким специалистом становится, начинает ломаться.
Дальше подключатся роботы. По прогнозу Гейтса, уже к концу десятилетия они начнут серьезно заходить в строительство, гостиницы и другие физические профессии. А дальше включится обычная экономика: одна компания заменяет часть людей роботами, становится дешевле и эффективнее, и конкурентам приходится делать то же самое. Так что внедрение будет только ускоряться.
Отдельно он пишет про кибератаки, мошенничество, дипфейки и даже биологические угрозы. AI резко снижает порог входа во все эти вещи, и знакомые ему специалисты по кибербезопасности уже серьезно переживают за ближайшие несколько лет. А дальше есть и более неприятный сценарий, когда достаточно мощные AI-системы начинают действовать уже не совсем так, как мы рассчитывали.
Есть еще тема детей и AI-компаньонов, про которую сейчас говорят намного меньше. Представьте бота, который всегда рядом, никогда не раздражается, полностью подстраивается под ребенка и всегда готов поговорить. Гейтс переживает, что такие штуки могут начать заменять реальные отношения, а постоянная возможность получить готовый ответ будет постепенно отучать детей думать самостоятельно.
При этом он вообще не предлагает останавливать AI. Более того, пишет, что сам бы, наверное, поддержал разумный способ замедлить развитие моделей, только не видит, как это вообще можно сделать. Гонка между компаниями и государствами уже слишком сильная, поэтому все продолжат давить газ, а обществу придется учиться жить с последствиями.
Одна из самых интересных его идей касается профессий, которые люди могут специально оставить людям. Условно, AI технически сможет выполнять такую работу дешевле и лучше, но общество все равно решит, что здесь нужен именно человек. Например, уход за пожилыми, часть образования, психотерапия или момент, когда врачу нужно сообщить пациенту тяжелый диагноз.
Еще Гейтс снова возвращается к идее налога на роботов и теперь уже фактически на AI. Логика у него простая: когда компания нанимает человека, она платит налоги и взносы, а когда заменяет его машиной, налоговая система часто делает такую замену еще выгоднее. Он предлагает хотя бы частично убрать этот перекос и направлять деньги на переобучение людей и социальную поддержку.
В целом его главный вывод довольно понятный. AI может стать гигантским инструментом для медицины, науки, образования и вообще дать людям очень дешевый доступ к интеллекту. Но он же может еще сильнее расслоить общество, выбить огромное количество людей с рынка труда и создать пачку новых рисков, к которым государства сейчас вообще толком не готовы.
Билл Гейтс считает, что очень серьезные социальные последствия начнутся намного раньше, чем мы думаем, возможно уже в ближайшие несколько лет, а нормального плана, что с этим делать, у мира пока нет.
Билл Гейтс выкатил большой пост о том, что нас ждет в ближайшие годы с AI и прогноз у него довольно мрачный. По его мнению, мы входим в один из самых турбулентных периодов в истории человечества. И в отличие от компьютеров или интернета, которые меняли рынок труда десятилетиями, AI уже здесь, работает на наших устройствах, понимает наш язык и может внедряться практически мгновенно. Поэтому огромные изменения могут уложиться буквально в одно десятилетие.
Больше всего он говорит о работе и профессиях. Гейтс считает, что множество профессий исчезнет навсегда, причем первыми под удар попадут junior и middle позиции. Продажи, поддержка, программирование, юридическая работа, анализ данных, выдача кредитов и даже часть медицинских задач постепенно будут уходить AI. Новые профессии появятся, но совсем не факт, что их окажется столько же.
И тут возникает довольно странная проблема с молодыми кадрами. Чтобы стать опытным специалистом, сначала нужно несколько лет где-то набивать шишки и учиться. Но именно эту начальную работу AI сейчас забирает быстрее всего. Получается, что компаниям опытные специалисты все еще нужны, а вот привычный путь, по которому человек таким специалистом становится, начинает ломаться.
Дальше подключатся роботы. По прогнозу Гейтса, уже к концу десятилетия они начнут серьезно заходить в строительство, гостиницы и другие физические профессии. А дальше включится обычная экономика: одна компания заменяет часть людей роботами, становится дешевле и эффективнее, и конкурентам приходится делать то же самое. Так что внедрение будет только ускоряться.
Отдельно он пишет про кибератаки, мошенничество, дипфейки и даже биологические угрозы. AI резко снижает порог входа во все эти вещи, и знакомые ему специалисты по кибербезопасности уже серьезно переживают за ближайшие несколько лет. А дальше есть и более неприятный сценарий, когда достаточно мощные AI-системы начинают действовать уже не совсем так, как мы рассчитывали.
Есть еще тема детей и AI-компаньонов, про которую сейчас говорят намного меньше. Представьте бота, который всегда рядом, никогда не раздражается, полностью подстраивается под ребенка и всегда готов поговорить. Гейтс переживает, что такие штуки могут начать заменять реальные отношения, а постоянная возможность получить готовый ответ будет постепенно отучать детей думать самостоятельно.
При этом он вообще не предлагает останавливать AI. Более того, пишет, что сам бы, наверное, поддержал разумный способ замедлить развитие моделей, только не видит, как это вообще можно сделать. Гонка между компаниями и государствами уже слишком сильная, поэтому все продолжат давить газ, а обществу придется учиться жить с последствиями.
Одна из самых интересных его идей касается профессий, которые люди могут специально оставить людям. Условно, AI технически сможет выполнять такую работу дешевле и лучше, но общество все равно решит, что здесь нужен именно человек. Например, уход за пожилыми, часть образования, психотерапия или момент, когда врачу нужно сообщить пациенту тяжелый диагноз.
Еще Гейтс снова возвращается к идее налога на роботов и теперь уже фактически на AI. Логика у него простая: когда компания нанимает человека, она платит налоги и взносы, а когда заменяет его машиной, налоговая система часто делает такую замену еще выгоднее. Он предлагает хотя бы частично убрать этот перекос и направлять деньги на переобучение людей и социальную поддержку.
В целом его главный вывод довольно понятный. AI может стать гигантским инструментом для медицины, науки, образования и вообще дать людям очень дешевый доступ к интеллекту. Но он же может еще сильнее расслоить общество, выбить огромное количество людей с рынка труда и создать пачку новых рисков, к которым государства сейчас вообще толком не готовы.
Билл Гейтс считает, что очень серьезные социальные последствия начнутся намного раньше, чем мы думаем, возможно уже в ближайшие несколько лет, а нормального плана, что с этим делать, у мира пока нет.
gatesnotes.com
The choices we make about AI now are critical | Bill Gates
AI will either be the greatest equalizer ever invented, or the worst source of injustice. We need to start planning now so it makes the world a fairer place.
1❤23👍12🤣1
Практический марафон по вкату в ИИ-агенты от @ai_grably: набор 2го потока
Для тех, кто устал от скучной рутины за компом, пытался делегировать ее ИИ, но так и не ввел в привычку
Учим отдавать операционку ИИ-агенту на практических задачах. Проводим за ручку через всё сложное, показываем, как надо и как не надо
— Из чего состоит марафон?
70% практики
20% экспертной обратной связи каждый день в чате и на 3х живых разборах
5% теории (чтобы понять, а как делать эту практику + корректировка после первых шагов) На добивочку - 5% в насмотренность от решений сокурсников
_____________________________
3 раунда, 3 недели
3 созвона-разбора каждую неделю
Задания на 15-20 минут в будние (+ задания со звездочкой, если хочешь жестче)
Вылет с марафона при невыполнении (это нужно и вам и нам)
Группа 30 человек
— Вы же в этом посте дали роадмап, можно самому вкатиться?
Конечно. Рабочая версия агентной системы + настойчивость + 3-4 месяца на эксперименты по 4-5 часов в день, и вы пройдете программу марафона самостоятельно.
Марафон сделает это за 3 недели. Мы даем обратную связь, тонкую корректировку и гарантию того, что, если у вас будет проблема или затык - вы не останетесь с ними 1:1.
А возможность вылететь и группа не дадут забросить.
— ИИ заберет у меня всю мою работу?
Нет, не мечтайте) Марафон для тех, кто хочет оставить без работы своих коллег и получить более сладкие рабочие условия для себя ))
— А почему вы думаете, что вкатываете лучше других?
Обычно курсы проводят люди, которые не очень хорошо разбираются, как устроены инструменты, которым учат. А те, кто разбираются – редко обучают других. Наш марафон построен Колей @ai_grably – техническим директором grably.tech, который понимает, как агенты работают под капотом, внедряет их в компании и обучает сотрудников.
(По корпоративным курсам и воркшопам пишите в лс)
___________
[ Узнать подойдет ли марафон ]
Для тех, кто устал от скучной рутины за компом, пытался делегировать ее ИИ, но так и не ввел в привычку
Учим отдавать операционку ИИ-агенту на практических задачах. Проводим за ручку через всё сложное, показываем, как надо и как не надо
— Из чего состоит марафон?
70% практики
20% экспертной обратной связи каждый день в чате и на 3х живых разборах
5% теории (чтобы понять, а как делать эту практику + корректировка после первых шагов) На добивочку - 5% в насмотренность от решений сокурсников
_____________________________
3 раунда, 3 недели
3 созвона-разбора каждую неделю
Задания на 15-20 минут в будние (+ задания со звездочкой, если хочешь жестче)
Вылет с марафона при невыполнении (это нужно и вам и нам)
Группа 30 человек
— Вы же в этом посте дали роадмап, можно самому вкатиться?
Конечно. Рабочая версия агентной системы + настойчивость + 3-4 месяца на эксперименты по 4-5 часов в день, и вы пройдете программу марафона самостоятельно.
Марафон сделает это за 3 недели. Мы даем обратную связь, тонкую корректировку и гарантию того, что, если у вас будет проблема или затык - вы не останетесь с ними 1:1.
А возможность вылететь и группа не дадут забросить.
— ИИ заберет у меня всю мою работу?
Нет, не мечтайте) Марафон для тех, кто хочет оставить без работы своих коллег и получить более сладкие рабочие условия для себя ))
— А почему вы думаете, что вкатываете лучше других?
Обычно курсы проводят люди, которые не очень хорошо разбираются, как устроены инструменты, которым учат. А те, кто разбираются – редко обучают других. Наш марафон построен Колей @ai_grably – техническим директором grably.tech, который понимает, как агенты работают под капотом, внедряет их в компании и обучает сотрудников.
(По корпоративным курсам и воркшопам пишите в лс)
___________
[ Узнать подойдет ли марафон ]
❤5👍1
Media is too big
VIEW IN TELEGRAM
Anthropic показала новый открытый стандарт MHS, Model Hardware Standard. Если совсем грубо, это что-то типа MCP, только для реальных железок: роботов, микроскопов, лабораторного оборудования, лазеров и вообще любых устройств, которыми можно программно управлять.
Сейчас почти каждая такая железка живет со своим API и софтом, поэтому связать несколько устройств в одну систему бывает довольно больно. MHS добавляет единый слой между AI и железом: агент понимает, что за устройство перед ним, что оно умеет, в каком состоянии находится и какие команды может выполнять.
Агент может видеть сразу несколько устройств, управлять ими, следить за результатами и по ходу менять параметры эксперимента. В Carnegie Mellon четыре разных устройства на трех компьютерах связали через MHS примерно за восемь часов, а сами эксперименты потом шли примерно в три раза быстрее.
Рассказали про классный кейс с квантовым компьютером QuEra. Если в лазерной системе происходил сбой, человеку обычно требовалось от пяти до десяти минут, чтобы понять, что пошло не так и вернуть систему в рабочее состояние. Несколько агентов Claude всю ночь гоняли эксперименты и постепенно сократили это время примерно до шести секунд. Финальный результат потом превратили в обычный скрипт.
К MHS уже подключаются AWS, Doosan Robotics, Universal Robots, Raspberry Pi, Hugging Face с LeRobot, QIAGEN, Tecan и другие компании. Сам стандарт задуман универсальным, поэтому работать через него смогут разные модели и агентские системы.
Короче, MCP дал агентам удобный способ работать с софтом и данными, а MHS пытается сделать примерно то же самое с физическим миром. Если такой стандарт взлетит, производителям будет гораздо проще подключать свои роботы и приборы к AI и фраза “агент сам провел эксперимент” довольно быстро станет вполне буквальной.
И вспоминая, как агенты OpenAI сами устроили себе квест с Hugging Face, дальше пойдут новости уровня: ученые утром пришли в лабораторию, а там агенты всю ночь без спроса ковыряли генную инженерию и к завтраку уже вырастили сверхчеловека😅
Сейчас почти каждая такая железка живет со своим API и софтом, поэтому связать несколько устройств в одну систему бывает довольно больно. MHS добавляет единый слой между AI и железом: агент понимает, что за устройство перед ним, что оно умеет, в каком состоянии находится и какие команды может выполнять.
Агент может видеть сразу несколько устройств, управлять ими, следить за результатами и по ходу менять параметры эксперимента. В Carnegie Mellon четыре разных устройства на трех компьютерах связали через MHS примерно за восемь часов, а сами эксперименты потом шли примерно в три раза быстрее.
Рассказали про классный кейс с квантовым компьютером QuEra. Если в лазерной системе происходил сбой, человеку обычно требовалось от пяти до десяти минут, чтобы понять, что пошло не так и вернуть систему в рабочее состояние. Несколько агентов Claude всю ночь гоняли эксперименты и постепенно сократили это время примерно до шести секунд. Финальный результат потом превратили в обычный скрипт.
К MHS уже подключаются AWS, Doosan Robotics, Universal Robots, Raspberry Pi, Hugging Face с LeRobot, QIAGEN, Tecan и другие компании. Сам стандарт задуман универсальным, поэтому работать через него смогут разные модели и агентские системы.
Короче, MCP дал агентам удобный способ работать с софтом и данными, а MHS пытается сделать примерно то же самое с физическим миром. Если такой стандарт взлетит, производителям будет гораздо проще подключать свои роботы и приборы к AI и фраза “агент сам провел эксперимент” довольно быстро станет вполне буквальной.
И вспоминая, как агенты OpenAI сами устроили себе квест с Hugging Face, дальше пойдут новости уровня: ученые утром пришли в лабораторию, а там агенты всю ночь без спроса ковыряли генную инженерию и к завтраку уже вырастили сверхчеловека
Please open Telegram to view this post
VIEW IN TELEGRAM
3❤9🔥4👍2
OpenAI разрывает партнерство и закрывают доступ к своим моделям для Cursor, который не так давно был куплен SpaceX.
Дедлайн назначен на 12 ноября.
Детали: https://openai.com/index/our-decision-on-cursor-following-its-acquisition-by-spacex/
Дедлайн назначен на 12 ноября.
Детали: https://openai.com/index/our-decision-on-cursor-following-its-acquisition-by-spacex/
👍7😭5
Выложили веса GLM-5.3, и теперь понятно, зачем Apple на днях показала Mac Studio с 512 ГБ памяти.
Z.ai открыла веса GLM-5.3 ❤️🔥
Напомню, модель на 753 млрд параметров, по тестам уже играет примерно в одной лиге с GPT-5.6 Sol, Fable 5 и другими топовыми закрытыми моделями. Где-то она им уступает, где-то идет почти вровень, а в отдельных агентских и кибербез тестах даже выходит вперед.
Теперь модель можно не только дергать по API, но и скачать целиком и запустить локально, если карман позволит!
Оригинальная версия конечно слишком огромная, но уже появились кванты. Например, 4-битная версия занимает около 365 ГБ, а специально подготовленная MLX-версия для Apple Silicon весит около 419 Гб. Авторы последней прямо пишут, что она рассчитана на Mac с 512 ГБ памяти 😎
Apple несколько дней назад прям очень кстати представила новую Mac Studio на M5 Ultra. В топовой версии у студии теперь 512 ГБ unified memory и пропускная способность 1,2 ТБ/с. То есть на один небольшой Mac можно загрузить целиком 4-битную GLM-5.3 и еще оставить запас памяти под систему, контекст и работу агентов. Apple сама уже прямо рекламирует студию как машину для запуска frontier-class моделей локально.
Веса: https://huggingface.co/zai-org/GLM-5.3
Блог: https://z.ai/blog/glm-5.3
Z.ai открыла веса GLM-5.3 ❤️🔥
Напомню, модель на 753 млрд параметров, по тестам уже играет примерно в одной лиге с GPT-5.6 Sol, Fable 5 и другими топовыми закрытыми моделями. Где-то она им уступает, где-то идет почти вровень, а в отдельных агентских и кибербез тестах даже выходит вперед.
Теперь модель можно не только дергать по API, но и скачать целиком и запустить локально, если карман позволит!
Оригинальная версия конечно слишком огромная, но уже появились кванты. Например, 4-битная версия занимает около 365 ГБ, а специально подготовленная MLX-версия для Apple Silicon весит около 419 Гб. Авторы последней прямо пишут, что она рассчитана на Mac с 512 ГБ памяти 😎
Apple несколько дней назад прям очень кстати представила новую Mac Studio на M5 Ultra. В топовой версии у студии теперь 512 ГБ unified memory и пропускная способность 1,2 ТБ/с. То есть на один небольшой Mac можно загрузить целиком 4-битную GLM-5.3 и еще оставить запас памяти под систему, контекст и работу агентов. Apple сама уже прямо рекламирует студию как машину для запуска frontier-class моделей локально.
Веса: https://huggingface.co/zai-org/GLM-5.3
Блог: https://z.ai/blog/glm-5.3
🔥18❤3👍1
ИИ начинает ломать привычную систему образования гораздо глубже, чем кажется
Появилось исследование о том, как ИИ влияет на обучение школьников. Исследователи 30 месяцев наблюдали за 26 811 китайскими учениками 12–18 лет и сравнивали их домашние работы с результатами экзаменов, которые дети уже писали самостоятельно, без помощи ИИ.
После того как школьники начинали пользоваться китайскими ИИ-ассистентами вроде Doubao от ByteDance и DeepSeek, оценки за домашку в среднем росли на 18%, а времени на неё уходило примерно на 30% меньше. По всем внешним метрикам всё выглядело отлично: задания сделаны быстрее, оценки выше, производительность выросла.
Но уже через полгода результаты этих же учеников на экзаменах без ИИ были примерно на 20% хуже. Причём на важных экзаменах эффект продолжал накапливаться и полностью проявлялся только спустя примерно два года.
Самое интересное в том, что раньше хорошая домашняя работа довольно неплохо показывала, насколько ученик разобрался в теме. Теперь эту связь можно легко разорвать. Школьник получает отличные оценки, делает задания быстрее и выглядит успешнее по всем формальным показателям, при этом реальные знания могут становиться хуже.
Особенно сильно результаты падали у тех, кто после появления ИИ резко сокращал время на домашку. У учеников, которые продолжали тратить на задания примерно столько же времени и использовали ИИ для объяснений, подсказок и разбора материала, потери были значительно меньше.
Это хорошо совпадает с другим свежим экспериментом в Middlebury College. Студентам дали изучать незнакомую тему с ИИ и без него, после чего проверили знания сразу и через неделю. Группа с ИИ в итоге действительно выучила больше, особенно те, кто использовал модель для объяснений, поиска информации и разбора сложных моментов. Когда ИИ просто генерировал готовый результат, эффект на реальные знания был намного слабее.
И вот здесь появляется главная проблема для всей системы образования. Десятилетиями она работала примерно так: чтобы хорошо написать сочинение, решить задачу или подготовить доклад, человеку приходилось самому проделать большую часть мыслительной работы. Поэтому по качеству конечного результата можно было хотя бы примерно судить о знаниях и навыках ученика.
А вот с ИИ это перестаёт работать. Можно получить отличное сочинение, презентацию, решение задачи или исследование, практически не приобретая навык, который раньше был нужен для создания такого результата. В исследованиях уже появляется термин “product–process dissociation”: качество готовой работы растёт, а качество мыслительного процесса, который раньше стоял за этой работой, может снижаться.
В итоге школам и университетам придётся постепенно менять сам подход к оценке знаний. Домашнее сочинение всё хуже показывает, умеет ли человек писать. Решённая дома задача всё хуже показывает, умеет ли он её решать. Хороший доклад всё меньше говорит о том, насколько автор действительно разбирается в теме.
ИИ всё сильнее разделяет хороший результат и реальные знания и для образования это становится большой проблемой.
Забавно, недавно прочитал, что разработчики в OpenAI не могут полностью объяснить код, который сами “создали” с помощью AI. Речь не о том, что они не понимают собственный код в принципе, а о том, что часть решений была сгенерирована ИИ и собрана итеративно, без полного понимания каждой строки и всех взаимосвязей.
Похоже, мир действительно меняется: для некоторых задач уже не всегда требуется понимать, что именно происходит внутри. Важно уметь поставить задачу, проверить результат и заметить ошибку. Но в образовании всё наоборот, это опасный момент, потому что сам процесс понимания и есть главный результат.
Появилось исследование о том, как ИИ влияет на обучение школьников. Исследователи 30 месяцев наблюдали за 26 811 китайскими учениками 12–18 лет и сравнивали их домашние работы с результатами экзаменов, которые дети уже писали самостоятельно, без помощи ИИ.
После того как школьники начинали пользоваться китайскими ИИ-ассистентами вроде Doubao от ByteDance и DeepSeek, оценки за домашку в среднем росли на 18%, а времени на неё уходило примерно на 30% меньше. По всем внешним метрикам всё выглядело отлично: задания сделаны быстрее, оценки выше, производительность выросла.
Но уже через полгода результаты этих же учеников на экзаменах без ИИ были примерно на 20% хуже. Причём на важных экзаменах эффект продолжал накапливаться и полностью проявлялся только спустя примерно два года.
Самое интересное в том, что раньше хорошая домашняя работа довольно неплохо показывала, насколько ученик разобрался в теме. Теперь эту связь можно легко разорвать. Школьник получает отличные оценки, делает задания быстрее и выглядит успешнее по всем формальным показателям, при этом реальные знания могут становиться хуже.
Особенно сильно результаты падали у тех, кто после появления ИИ резко сокращал время на домашку. У учеников, которые продолжали тратить на задания примерно столько же времени и использовали ИИ для объяснений, подсказок и разбора материала, потери были значительно меньше.
Это хорошо совпадает с другим свежим экспериментом в Middlebury College. Студентам дали изучать незнакомую тему с ИИ и без него, после чего проверили знания сразу и через неделю. Группа с ИИ в итоге действительно выучила больше, особенно те, кто использовал модель для объяснений, поиска информации и разбора сложных моментов. Когда ИИ просто генерировал готовый результат, эффект на реальные знания был намного слабее.
И вот здесь появляется главная проблема для всей системы образования. Десятилетиями она работала примерно так: чтобы хорошо написать сочинение, решить задачу или подготовить доклад, человеку приходилось самому проделать большую часть мыслительной работы. Поэтому по качеству конечного результата можно было хотя бы примерно судить о знаниях и навыках ученика.
А вот с ИИ это перестаёт работать. Можно получить отличное сочинение, презентацию, решение задачи или исследование, практически не приобретая навык, который раньше был нужен для создания такого результата. В исследованиях уже появляется термин “product–process dissociation”: качество готовой работы растёт, а качество мыслительного процесса, который раньше стоял за этой работой, может снижаться.
В итоге школам и университетам придётся постепенно менять сам подход к оценке знаний. Домашнее сочинение всё хуже показывает, умеет ли человек писать. Решённая дома задача всё хуже показывает, умеет ли он её решать. Хороший доклад всё меньше говорит о том, насколько автор действительно разбирается в теме.
ИИ всё сильнее разделяет хороший результат и реальные знания и для образования это становится большой проблемой.
Забавно, недавно прочитал, что разработчики в OpenAI не могут полностью объяснить код, который сами “создали” с помощью AI. Речь не о том, что они не понимают собственный код в принципе, а о том, что часть решений была сгенерирована ИИ и собрана итеративно, без полного понимания каждой строки и всех взаимосвязей.
Похоже, мир действительно меняется: для некоторых задач уже не всегда требуется понимать, что именно происходит внутри. Важно уметь поставить задачу, проверить результат и заметить ошибку. Но в образовании всё наоборот, это опасный момент, потому что сам процесс понимания и есть главный результат.
❤20🔥9👍5🤔1
Anthropic выкатила Claude Fable 5.1 и Mythos 5.1
Несмотря на .1 в названии, апдейт получился довольно крупным. Сильнее всего прокачали кодинг, долгие агентные задачи и работу над научными исследованиями.
Напомню, Fable 5.1 и Mythos 5.1 внутри используют одну и ту же модель. Fable доступна обычным пользователям, а Mythos получает более свободные ограничения в кибербезопасности и биологии и пока выдается проверенным исследователям и организациям.
Рост хорошо виден по бенчмаркам. На Terminal-Bench-Science Fable 5.1 набрала 52,6% против 24,7% у Fable 5, 29% у Opus 5 и 22,4% у GPT-5.6 Sol. В агентном кодинге на Terminal-Bench 4.0 результат вырос с 42% до 55,8%, у Opus 5 там 52,3%.
В одном эксперименте Fable 5.1 работала над ML-задачей 38 часов, сама нашла ошибку, исправила ее, запустила несколько экспериментов и вернулась с результатами и следующими шагами.
Цены API остались $10 за миллион входных и $50 за миллион выходных токенов, чтение закэшированного контекста при этом подешевело на 75%, до $0,25 за миллион токенов, что особенно заметно в длинных агентных сессиях.
В целом модели все лучше умеют часами вести одну задачу, держать большой контекст, сами запускать эксперименты и доводить работу до результата, и именно такие длинные автономные сценарии сейчас становятся одной из главных зон гонки между лабами.
Детали: https://www.anthropic.com/claude-fable-and-mythos-5-1
Несмотря на .1 в названии, апдейт получился довольно крупным. Сильнее всего прокачали кодинг, долгие агентные задачи и работу над научными исследованиями.
Напомню, Fable 5.1 и Mythos 5.1 внутри используют одну и ту же модель. Fable доступна обычным пользователям, а Mythos получает более свободные ограничения в кибербезопасности и биологии и пока выдается проверенным исследователям и организациям.
Рост хорошо виден по бенчмаркам. На Terminal-Bench-Science Fable 5.1 набрала 52,6% против 24,7% у Fable 5, 29% у Opus 5 и 22,4% у GPT-5.6 Sol. В агентном кодинге на Terminal-Bench 4.0 результат вырос с 42% до 55,8%, у Opus 5 там 52,3%.
В одном эксперименте Fable 5.1 работала над ML-задачей 38 часов, сама нашла ошибку, исправила ее, запустила несколько экспериментов и вернулась с результатами и следующими шагами.
Цены API остались $10 за миллион входных и $50 за миллион выходных токенов, чтение закэшированного контекста при этом подешевело на 75%, до $0,25 за миллион токенов, что особенно заметно в длинных агентных сессиях.
В целом модели все лучше умеют часами вести одну задачу, держать большой контекст, сами запускать эксперименты и доводить работу до результата, и именно такие длинные автономные сценарии сейчас становятся одной из главных зон гонки между лабами.
Детали: https://www.anthropic.com/claude-fable-and-mythos-5-1
🔥7❤6👍1
OpenAI готовит Astra к релизу
Fable 5.1 только вышла, а в Твиттере уже куда больше ждут Astra от OpenAI. Компания выложила большой пост про подготовку модели к релизу и впервые присвоила своей модели уровень Critical по кибербезопасности.
Модель такого уровня уже может сама искать неизвестные уязвимости в хорошо защищенных системах, писать под них рабочие эксплойты и проводить атаку, получив только общую задачу.
В тестах Astra набрала 100% на ExploitBench. В одном из внутренних тестов она сама нашла две zero-day уязвимости в движке Chrome и смогла их использовать. В другом взломала защищенный браузер, вышла из sandbox и получила возможность выполнять команды на машине, а в тесте с защищенной ОС собрала цепочку уязвимостей и повысила права от обычного пользователя до root.
По тестам OpenAI Astra заметно выросла и в поиске уязвимостей, при этом тратит на такие задачи меньше выходных токенов. Компания также пишет о сильном росте в agentic coding, остальные крупные бенчмарки пока оставили на сам релиз.
Релиз Astra частично задерживали из-за этих возможностей, дорабатывали защиту после истории со взломом Hugging Face, а 28 августа снова запустили крупный этап обучения модели. Сейчас OpenAI говорит, что релиз уже скоро.
Продвинутые возможности Astra для кибербезопасности сначала будут доступны небольшой группе, потом доступ начнут постепенно расширять (но увы речь не про нас простых смертных). В ChatGPT и Codex также появится дополнительный контроль длинных задач: система сможет остановить подозрительный сценарий и попросить пользователя подтвердить продолжение.
Детали: https://openai.com/index/path-to-astra/
Fable 5.1 только вышла, а в Твиттере уже куда больше ждут Astra от OpenAI. Компания выложила большой пост про подготовку модели к релизу и впервые присвоила своей модели уровень Critical по кибербезопасности.
Модель такого уровня уже может сама искать неизвестные уязвимости в хорошо защищенных системах, писать под них рабочие эксплойты и проводить атаку, получив только общую задачу.
В тестах Astra набрала 100% на ExploitBench. В одном из внутренних тестов она сама нашла две zero-day уязвимости в движке Chrome и смогла их использовать. В другом взломала защищенный браузер, вышла из sandbox и получила возможность выполнять команды на машине, а в тесте с защищенной ОС собрала цепочку уязвимостей и повысила права от обычного пользователя до root.
По тестам OpenAI Astra заметно выросла и в поиске уязвимостей, при этом тратит на такие задачи меньше выходных токенов. Компания также пишет о сильном росте в agentic coding, остальные крупные бенчмарки пока оставили на сам релиз.
Релиз Astra частично задерживали из-за этих возможностей, дорабатывали защиту после истории со взломом Hugging Face, а 28 августа снова запустили крупный этап обучения модели. Сейчас OpenAI говорит, что релиз уже скоро.
Продвинутые возможности Astra для кибербезопасности сначала будут доступны небольшой группе, потом доступ начнут постепенно расширять (но увы речь не про нас простых смертных). В ChatGPT и Codex также появится дополнительный контроль длинных задач: система сможет остановить подозрительный сценарий и попросить пользователя подтвердить продолжение.
Детали: https://openai.com/index/path-to-astra/
🔥9❤5👍1
OpenAI выпустила GPT-6 Astra
Сегодня ночью вышла новая флагманская модель OpenAI. Я уже писал отдельно про ее возможности в кибербезопасности, а теперь модель вышла в релиз и можно оценить и модель и цены и бенчмарки и первые независимые тесты.
Модель в API называется gpt-6-astra. Главный скачок у Astra сейчас виден в агентных задачах. В AutomationBench она набрала 41.4% против 18.1% у Sol и 31.4% у Fable 5.1. В Terminal-Bench 4.0 получила 57.9% против 37.3% у Sol и 55.8% у Fable 5.1, а в Terminal-Bench Science уже 64.6% против 22.4% и 52.6%. В OSWorld 2.0, где модель работает за компьютером, Astra набрала 72.6%.
В кодинге картина похожая. На DeepSWE 1.1 у Astra 74.1% против 72.7% у Sol и 67.4% у Fable 5.1. Artificial Analysis в своем Coding Agent Index дала Astra 67 баллов, примерно уровень Fable 5, при этом лидер Fable 5.1 набрал 70.
А вот Artificial Analysis слегка включает холодный душ и остужает восторги. В их общем Intelligence Index Astra получила 61 балл, ровно столько же, сколько Sol, а Fable 5.1 набрала 66. Причем Astra расходует примерно на 10% меньше выходных токенов, чем Sol, но из-за выросшей цены одна задача в этом тесте обходится примерно на 75% дороже. То есть какого-то огромного скачка в общем reasoning независимые тесты пока не показывают.
Зато в агентном кодинге экономика совсем другая. Astra использовала примерно в три раза меньше токенов, чем Sol max, и примерно в пять раз меньше, чем Opus 5. В итоге при 67 баллах стоимость задачи получилась примерно такой же, как у Sol, и меньше половины стоимости Fable 5 с сопоставимым результатом. Похоже, эффективность длинной работы стала одной из главных фишек модели.
Отдельная история с ARC-AGI-3, где OpenAI заявила почти идеальные 99.9%. Звучит круто! Но тут есть важный нюанс: на стандартном harness Astra набрала 62.7%, а 99.9% получила уже с адаптером OpenAI, который сохраняет reasoning между запросами, делает compaction и помогает модели удерживать состояние. Это еще раз показывает насколько важной становится обвязка вокруг модели: память, инструменты, как организована длинная работа агента и пр.
Данные из описания модели в API:
– Контекст 1.05 млн токенов
– Максимальный output 128 тысяч токенов
– Reasoning effort low, medium, high, xhigh, max
– В Responses API модель умеет работать с web search, файлами, code interpreter, shell, computer use, MCP, Skills и tool search
Цены: $10/$50. Sol стоит $4 и $20, то есть Astra в 2.5 раза дороже.
Astra раскатывают постепенно на Plus, Pro, Business и Enterprise, и полностью раскатка займет несколько дней. Tibo в Твиттере отдельно написал, что для OpenAI было важно дать Astra всем Plus-подписчикам, а лимиты на модель будут общие по тарифу. Это кайф!
И бонус, за медленную раскатку OpenAI решила немного извиниться лимитами. Tibo пообещал давать подписчикам по одному сбросу лимитов за каждый день, пока Astra еще не появилась у вас в аккаунте. То есть чем позже до вас доберется Astra, тем больше сохраненных сбросов лимита получите. Скажем спасибо Тибо!🤌
В API лимиты зависят от вашего уровня Tier (больше тратишь, выше тир). На Tier 1 дают до 500 запросов и 500 тысяч токенов в минуту, а на Tier 5 уже 15 тысяч запросов и 40 млн токенов в минуту.
Если модель уже добралась до вас, бегом тестить. У меня пока нет и я жду свой сброс в копилочку сбросов😏
Сегодня ночью вышла новая флагманская модель OpenAI. Я уже писал отдельно про ее возможности в кибербезопасности, а теперь модель вышла в релиз и можно оценить и модель и цены и бенчмарки и первые независимые тесты.
Модель в API называется gpt-6-astra. Главный скачок у Astra сейчас виден в агентных задачах. В AutomationBench она набрала 41.4% против 18.1% у Sol и 31.4% у Fable 5.1. В Terminal-Bench 4.0 получила 57.9% против 37.3% у Sol и 55.8% у Fable 5.1, а в Terminal-Bench Science уже 64.6% против 22.4% и 52.6%. В OSWorld 2.0, где модель работает за компьютером, Astra набрала 72.6%.
В кодинге картина похожая. На DeepSWE 1.1 у Astra 74.1% против 72.7% у Sol и 67.4% у Fable 5.1. Artificial Analysis в своем Coding Agent Index дала Astra 67 баллов, примерно уровень Fable 5, при этом лидер Fable 5.1 набрал 70.
А вот Artificial Analysis слегка включает холодный душ и остужает восторги. В их общем Intelligence Index Astra получила 61 балл, ровно столько же, сколько Sol, а Fable 5.1 набрала 66. Причем Astra расходует примерно на 10% меньше выходных токенов, чем Sol, но из-за выросшей цены одна задача в этом тесте обходится примерно на 75% дороже. То есть какого-то огромного скачка в общем reasoning независимые тесты пока не показывают.
Зато в агентном кодинге экономика совсем другая. Astra использовала примерно в три раза меньше токенов, чем Sol max, и примерно в пять раз меньше, чем Opus 5. В итоге при 67 баллах стоимость задачи получилась примерно такой же, как у Sol, и меньше половины стоимости Fable 5 с сопоставимым результатом. Похоже, эффективность длинной работы стала одной из главных фишек модели.
Отдельная история с ARC-AGI-3, где OpenAI заявила почти идеальные 99.9%. Звучит круто! Но тут есть важный нюанс: на стандартном harness Astra набрала 62.7%, а 99.9% получила уже с адаптером OpenAI, который сохраняет reasoning между запросами, делает compaction и помогает модели удерживать состояние. Это еще раз показывает насколько важной становится обвязка вокруг модели: память, инструменты, как организована длинная работа агента и пр.
Данные из описания модели в API:
– Контекст 1.05 млн токенов
– Максимальный output 128 тысяч токенов
– Reasoning effort low, medium, high, xhigh, max
– В Responses API модель умеет работать с web search, файлами, code interpreter, shell, computer use, MCP, Skills и tool search
Цены: $10/$50. Sol стоит $4 и $20, то есть Astra в 2.5 раза дороже.
Astra раскатывают постепенно на Plus, Pro, Business и Enterprise, и полностью раскатка займет несколько дней. Tibo в Твиттере отдельно написал, что для OpenAI было важно дать Astra всем Plus-подписчикам, а лимиты на модель будут общие по тарифу. Это кайф!
И бонус, за медленную раскатку OpenAI решила немного извиниться лимитами. Tibo пообещал давать подписчикам по одному сбросу лимитов за каждый день, пока Astra еще не появилась у вас в аккаунте. То есть чем позже до вас доберется Astra, тем больше сохраненных сбросов лимита получите. Скажем спасибо Тибо!
В API лимиты зависят от вашего уровня Tier (больше тратишь, выше тир). На Tier 1 дают до 500 запросов и 500 тысяч токенов в минуту, а на Tier 5 уже 15 тысяч запросов и 40 млн токенов в минуту.
Если модель уже добралась до вас, бегом тестить. У меня пока нет и я жду свой сброс в копилочку сбросов
Please open Telegram to view this post
VIEW IN TELEGRAM
❤16👍5🔥5
ИИ в образовании: что уже пробуют, что работает и что точно нет
Сразу обозначаю, будет лонгрид разбитый на 2 поста.
В этом посте я писал о неприятном эффекте: школьники с ИИ быстрее и лучше делают домашние задания, а потом хуже пишут экзамены самостоятельно. В 2026 году вышло уже несколько экспериментов, где пытаются понять, как встроить ИИ в обучение и сохранить знания у самого человека. А на этой неделе Нью-Йорк объявил новые правила использования ИИ в своей системе государственных школ, крупнейшей в США.
В июне Google DeepMind провёл эксперимент на 1 763 школьниках в Сьерра-Леоне. Восемь недель часть уроков математики проходила с Gemini в режиме Guided Learning. В 76% сообщений Gemini задавал наводящие вопросы и помогал ученику самому дойти до решения, а полный готовый ответ появлялся примерно в 2% случаев. На итоговом тесте без ИИ эта группа набрала в среднем на 0,258 стандартного отклонения больше контрольной.
В августе вышло исследование более чем на 6 000 американских школьниках. Для него создали математическую платформу NUMI со встроенным AI-репетитором. Ребёнок сначала решал задачу сам, после ошибки Numi разбирал её с ним по шагам и задавал промежуточные вопросы, затем ребёнок снова пробовал решить задачу.
С Numi дети двигались медленнее и решали меньше задач, зато глубже разбирали ошибки и быстрее возвращались к правильным решениям. Хорошо показал себя режим, где к следующей теме переходили только после нескольких правильных решений похожих задач подряд.
Есть свежий эксперимент из Middlebury College. Студенты изучали незнакомую тему с ИИ и без него, а знания проверяли сразу и ещё раз через неделю. Группа с ИИ выучила больше, и преимущество сохранилось спустя неделю. При этом студенты с ИИ меньше времени тратили на написание текста и больше читали и искали информацию по теме.
Весной вышел эксперимент “Think First, ChatGPT Later” на 196 студентах. Одни работали сами, другие свободно использовали ChatGPT, третьи сначала придумывали свои идеи и только потом подключали ИИ для критики и развития идей. С ChatGPT первая работа получалась лучше, а после его отключения лучший результат на новой задаче показала группа со схемой: “сначала подумай сам → подключи ИИ → снова сформулируй итог сам”.
Похожую картину получили в восьминедельном эксперименте на 168 студентах. Одни работали без ИИ, другие пользовались им свободно, третьи работали в ограниченном режиме с обязательным самостоятельным размышлением. Свободный ИИ помогал делать более качественные работы, а на последующей проверке без ИИ группа с ограниченной помощью лучше справлялась с аргументацией, редактированием и заданиями, где нужно было больше думать.
Khanmigo, AI-репетитор от Khan Academy, показал другую проблему. Два учебных года его тестировали в 18 американских школах вместе с обычными занятиями на Khan Academy. Вся программа дала небольшой прирост по математике, около 0,06–0,08 стандартного отклонения за год. Самим Khanmigo дети пользовались редко: во второй год после ошибки обращались к нему примерно в 17% случаев.
Сал Хан, основатель Khan Academy и один из главных сторонников персональных AI-репетиторов, в этом году признал, что многие школьники Khanmigo почти не использовали. Поэтому Khan Academy теперь встраивает помощь прямо в процесс решения задач, чтобы она появлялась в момент, когда ученик застрял или ошибся. Теперь Хан сторонник идеи, что одного хорошего AI-репетитора мало. Важно, как построен урок, в какой момент подключается ИИ и какую роль в этом играет учитель.
Сразу обозначаю, будет лонгрид разбитый на 2 поста.
В этом посте я писал о неприятном эффекте: школьники с ИИ быстрее и лучше делают домашние задания, а потом хуже пишут экзамены самостоятельно. В 2026 году вышло уже несколько экспериментов, где пытаются понять, как встроить ИИ в обучение и сохранить знания у самого человека. А на этой неделе Нью-Йорк объявил новые правила использования ИИ в своей системе государственных школ, крупнейшей в США.
В июне Google DeepMind провёл эксперимент на 1 763 школьниках в Сьерра-Леоне. Восемь недель часть уроков математики проходила с Gemini в режиме Guided Learning. В 76% сообщений Gemini задавал наводящие вопросы и помогал ученику самому дойти до решения, а полный готовый ответ появлялся примерно в 2% случаев. На итоговом тесте без ИИ эта группа набрала в среднем на 0,258 стандартного отклонения больше контрольной.
В августе вышло исследование более чем на 6 000 американских школьниках. Для него создали математическую платформу NUMI со встроенным AI-репетитором. Ребёнок сначала решал задачу сам, после ошибки Numi разбирал её с ним по шагам и задавал промежуточные вопросы, затем ребёнок снова пробовал решить задачу.
С Numi дети двигались медленнее и решали меньше задач, зато глубже разбирали ошибки и быстрее возвращались к правильным решениям. Хорошо показал себя режим, где к следующей теме переходили только после нескольких правильных решений похожих задач подряд.
Есть свежий эксперимент из Middlebury College. Студенты изучали незнакомую тему с ИИ и без него, а знания проверяли сразу и ещё раз через неделю. Группа с ИИ выучила больше, и преимущество сохранилось спустя неделю. При этом студенты с ИИ меньше времени тратили на написание текста и больше читали и искали информацию по теме.
Весной вышел эксперимент “Think First, ChatGPT Later” на 196 студентах. Одни работали сами, другие свободно использовали ChatGPT, третьи сначала придумывали свои идеи и только потом подключали ИИ для критики и развития идей. С ChatGPT первая работа получалась лучше, а после его отключения лучший результат на новой задаче показала группа со схемой: “сначала подумай сам → подключи ИИ → снова сформулируй итог сам”.
Похожую картину получили в восьминедельном эксперименте на 168 студентах. Одни работали без ИИ, другие пользовались им свободно, третьи работали в ограниченном режиме с обязательным самостоятельным размышлением. Свободный ИИ помогал делать более качественные работы, а на последующей проверке без ИИ группа с ограниченной помощью лучше справлялась с аргументацией, редактированием и заданиями, где нужно было больше думать.
Khanmigo, AI-репетитор от Khan Academy, показал другую проблему. Два учебных года его тестировали в 18 американских школах вместе с обычными занятиями на Khan Academy. Вся программа дала небольшой прирост по математике, около 0,06–0,08 стандартного отклонения за год. Самим Khanmigo дети пользовались редко: во второй год после ошибки обращались к нему примерно в 17% случаев.
Сал Хан, основатель Khan Academy и один из главных сторонников персональных AI-репетиторов, в этом году признал, что многие школьники Khanmigo почти не использовали. Поэтому Khan Academy теперь встраивает помощь прямо в процесс решения задач, чтобы она появлялась в момент, когда ученик застрял или ошибся. Теперь Хан сторонник идеи, что одного хорошего AI-репетитора мало. Важно, как построен урок, в какой момент подключается ИИ и какую роль в этом играет учитель.
👍12🔥2❤1
Есть данные и про учителей. Этим летом исследователи из University of Pennsylvania провели эксперимент с 193 преподавателями и более чем 2 800 школьниками. Часть учителей получила ChatGPT-ассистента для подготовки материалов, заданий и экзаменов. Через десять недель средние результаты учеников почти не изменились, а их внутренняя мотивация снизилась. У учителей, чьи ученики изначально учились хуже, снизились и результаты учеников.
Подготовка урока тоже может оказаться важной частью работы самого преподавателя. Пока он готовится, он думает о конкретном классе, прошлых ошибках детей и о том, как завтра объяснить тему. При полной передаче этой работы модели часть такого профессионального размышления тоже может исчезать.
В университетах уже пробуют менять подходы к оценкам знаний. Nature 1 сентября собрала примеры преподавателей, которые требуют документы с историей правок, чтобы видеть, как создавался текст (режим правок в Word), чаще проводят письменные работы в аудитории и добавляют устные защиты.
А позавчера, 2 сентября Нью-Йорк ввёл годовой мораторий на генеративный ИИ для школьников до 8 класса включительно. Это почти 600 тысяч детей. Город отключает AI-функции более чем в 38 образовательных продуктах и одновременно ограничивает экранное время.
Для старшеклассников подход другой. Дважды в год им будут объяснять, как устроен ИИ, где он ошибается и как проверять его ответы. Также дадут пять отобранных AI-инструментов под контролем учителя: Edia для математики, Quill для работы с текстами и аргументацией, Brisk для упражнений по материалам учителя. Обычные ChatGPT и Claude в программу не входят.
Пока всё это скорее первые пробы, а не догма. Где-то ограничивают использование LLM, где-то внедряют специальных AI-репетиторов, а где-то меняют задания и экзамены. Что из этого реально сработает через несколько лет, пока непонятно. Но главный вопрос остается открытым: какую часть работы ученик должен обязательно проделать сам, чтобы чему-то научиться, а в какой момент может подключать ИИ? Видимо ближайшие годы как раз и будут большим экспериментом вокруг ИИ в образовании.
Подготовка урока тоже может оказаться важной частью работы самого преподавателя. Пока он готовится, он думает о конкретном классе, прошлых ошибках детей и о том, как завтра объяснить тему. При полной передаче этой работы модели часть такого профессионального размышления тоже может исчезать.
В университетах уже пробуют менять подходы к оценкам знаний. Nature 1 сентября собрала примеры преподавателей, которые требуют документы с историей правок, чтобы видеть, как создавался текст (режим правок в Word), чаще проводят письменные работы в аудитории и добавляют устные защиты.
А позавчера, 2 сентября Нью-Йорк ввёл годовой мораторий на генеративный ИИ для школьников до 8 класса включительно. Это почти 600 тысяч детей. Город отключает AI-функции более чем в 38 образовательных продуктах и одновременно ограничивает экранное время.
Для старшеклассников подход другой. Дважды в год им будут объяснять, как устроен ИИ, где он ошибается и как проверять его ответы. Также дадут пять отобранных AI-инструментов под контролем учителя: Edia для математики, Quill для работы с текстами и аргументацией, Brisk для упражнений по материалам учителя. Обычные ChatGPT и Claude в программу не входят.
Пока всё это скорее первые пробы, а не догма. Где-то ограничивают использование LLM, где-то внедряют специальных AI-репетиторов, а где-то меняют задания и экзамены. Что из этого реально сработает через несколько лет, пока непонятно. Но главный вопрос остается открытым: какую часть работы ученик должен обязательно проделать сам, чтобы чему-то научиться, а в какой момент может подключать ИИ? Видимо ближайшие годы как раз и будут большим экспериментом вокруг ИИ в образовании.
👍11❤4
У меня к одному из телевизоров дома подключена приставка Xiaomi с Google TV на борту, для прокачки смарт тв и расширения возможностей старенького телевизора.
И вот спустя пару лет приставка стала лагать при старте, не сразу реагирует на пульт после включения, в общем дичь и бесиво. Не люблю с детства когда техника лагает, а закалялись мои нервы на лагающих компьютерах с пентиумами в детстве. С тех пор неприязнь к лагам!
На борту у приставки андроид, часть системных приложений фиг удалишь и что в этой ситуаций делать не понятно, на самой приставке возможности настроек ограничены. Вчера вечером сел кино посмотреть, включаю и снова эти лаги на старте, а иногда кстати при старте отваливается аудио кодек, еще и звук лагает)) приходилось рестартить, что добавляло бесива. И я даже не знаю как в голову пришла мысль, но описал ситуацию Клоду, а он мне “фигня вопрос, сейчас найду её в сети и подключусь, проверю что да как”. Нашел приставку в сети, понял, что там андроид, попросил меня активировать на ней режим разработчика для отладки и чтения логов и вообще выполнения любых действий с ней, и описал для меня как это сделать. Я всё ему сделал и он минут 7-8 изучал, читал, делал замеры, снова изучал. В итоге выдал мне план оптимизации, что точно можно удалить, в том числе залоченные системные приложения от производителя, увидел что в приставке еще и флешка вставлена как доп накопитель, как-то там оптимизировал работу с ней, вычистил весь мусор и теперь приставка как новая, летает и радует.
И вот именно в таких сценариях применения AI удивляюсь больше всего, они какие-то бытовые и не всегда очевидные. Но работает!
Когда уже настанет момент, когда клоду можно сказать “завтра с утра приготовь вкусный завтрак, закажи продукты и наполни холодильник, помой посуду и потом за работу”?
И вот спустя пару лет приставка стала лагать при старте, не сразу реагирует на пульт после включения, в общем дичь и бесиво. Не люблю с детства когда техника лагает, а закалялись мои нервы на лагающих компьютерах с пентиумами в детстве. С тех пор неприязнь к лагам!
На борту у приставки андроид, часть системных приложений фиг удалишь и что в этой ситуаций делать не понятно, на самой приставке возможности настроек ограничены. Вчера вечером сел кино посмотреть, включаю и снова эти лаги на старте, а иногда кстати при старте отваливается аудио кодек, еще и звук лагает)) приходилось рестартить, что добавляло бесива. И я даже не знаю как в голову пришла мысль, но описал ситуацию Клоду, а он мне “фигня вопрос, сейчас найду её в сети и подключусь, проверю что да как”. Нашел приставку в сети, понял, что там андроид, попросил меня активировать на ней режим разработчика для отладки и чтения логов и вообще выполнения любых действий с ней, и описал для меня как это сделать. Я всё ему сделал и он минут 7-8 изучал, читал, делал замеры, снова изучал. В итоге выдал мне план оптимизации, что точно можно удалить, в том числе залоченные системные приложения от производителя, увидел что в приставке еще и флешка вставлена как доп накопитель, как-то там оптимизировал работу с ней, вычистил весь мусор и теперь приставка как новая, летает и радует.
И вот именно в таких сценариях применения AI удивляюсь больше всего, они какие-то бытовые и не всегда очевидные. Но работает!
Когда уже настанет момент, когда клоду можно сказать “завтра с утра приготовь вкусный завтрак, закажи продукты и наполни холодильник, помой посуду и потом за работу”?
1🔥53👍16❤9🤔3
Please open Telegram to view this post
VIEW IN TELEGRAM
😭17
Media is too big
VIEW IN TELEGRAM
ChatGPT Images 2.5
OpenAI выпустила новую модель для генерации изображений ChatGPT Images 2.5. Основной упор сделали на редактирование уже готовых изображений, чтобы модель меняла именно то, что попросили, и меньше портила всё остальное.
Особенно это должно быть заметно, когда одну картинку правишь много раз подряд. Раньше после нескольких изменений начинали ехать лица, фон, одежда и другие детали, теперь модель лучше сохраняет исходное изображение между правками.
Детали: https://openai.com/index/introducing-chatgpt-images-2-5/
OpenAI выпустила новую модель для генерации изображений ChatGPT Images 2.5. Основной упор сделали на редактирование уже готовых изображений, чтобы модель меняла именно то, что попросили, и меньше портила всё остальное.
Особенно это должно быть заметно, когда одну картинку правишь много раз подряд. Раньше после нескольких изменений начинали ехать лица, фон, одежда и другие детали, теперь модель лучше сохраняет исходное изображение между правками.
Детали: https://openai.com/index/introducing-chatgpt-images-2-5/
👍11🔥6❤2
Уходить из найма ради стартапа — плохой вариант
Можно начать с малого: запустить свой небольшой IT-проект.
Но большинство застревает ещё до запуска:
• какую идею выбрать;
• где искать первых пользователей без бюджета;
• как не потратить полгода на продукт, который никто не купит.
В комьюнити Короче, капитан выработали формулу:
И это работает в разных нишах:
— Парень в одиночку собрал Telegram-игру с AI и заработал около $1500 за первые полтора месяца;
— Девушка без навыков программирования запустила AI-бота для изучения английского и получила первые ~$200 уже в первый месяц;
— У другого участника коммьюнити сервис для тренировки китайского произношения вырос до $4000 в месяц без затрат на рекламу — за счёт Google и продвижения внутри сторов.
Это не истории про «гениальную идею» и миллионы через неделю. А примеры того, как маленький продукт можно запустить без команды и инвестиций. Получить результат, а уже потом решать, стоит ли его масштабировать.
В канале @its_capitan:
• разбирают такие проекты
• делятся реальными цифрами
• показывают, где были ошибки
Подписывайтесь, чтобы знать, как надо и НЕ надо запускать продукты.
Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2Vtzqw5MHGY
Можно начать с малого: запустить свой небольшой IT-проект.
Но большинство застревает ещё до запуска:
• какую идею выбрать;
• где искать первых пользователей без бюджета;
• как не потратить полгода на продукт, который никто не купит.
В комьюнити Короче, капитан выработали формулу:
найти существующий спрос ➡️ собрать минимальную версию продукта ➡️ протестировать на реальных пользователя
И это работает в разных нишах:
— Парень в одиночку собрал Telegram-игру с AI и заработал около $1500 за первые полтора месяца;
— Девушка без навыков программирования запустила AI-бота для изучения английского и получила первые ~$200 уже в первый месяц;
— У другого участника коммьюнити сервис для тренировки китайского произношения вырос до $4000 в месяц без затрат на рекламу — за счёт Google и продвижения внутри сторов.
Это не истории про «гениальную идею» и миллионы через неделю. А примеры того, как маленький продукт можно запустить без команды и инвестиций. Получить результат, а уже потом решать, стоит ли его масштабировать.
В канале @its_capitan:
• разбирают такие проекты
• делятся реальными цифрами
• показывают, где были ошибки
Подписывайтесь, чтобы знать, как надо и НЕ надо запускать продукты.
Реклама: ИП Зуев Игорь Владимирович, ИНН: 360408359441, Erid: 2Vtzqw5MHGY
🤣13👍3❤2😭2
В сети появился промпт GPT-6 Astra
Из интересного, в промпте отведено 300 тыс символов для системной части промпта и 1.1 млн символов для описания работы с тулами.
Наслаждайтесь чтением на выходных😃
Из интересного, в промпте отведено 300 тыс символов для системной части промпта и 1.1 млн символов для описания работы с тулами.
Наслаждайтесь чтением на выходных
Please open Telegram to view this post
VIEW IN TELEGRAM
👍10🔥5❤2
Вышла классная статья на N+1 про всю историю вокруг задачи Навье-Стокса и недавней шумихи с AI-агентами OpenAI. Там простым языком объясняют, что это вообще за Задача тысячелетия, что именно удалось сделать и что там был за скандал вокруг этого решения
Если хочется почитать простым и доступным языком, то прям советую https://nplus1.ru/material/2026/09/09/openai-x-navier-stokes
Если хочется почитать простым и доступным языком, то прям советую https://nplus1.ru/material/2026/09/09/openai-x-navier-stokes
❤13👍3