Понравилась новая обложка TIME

Вопрос уже не в том, нужен ли ИИ, а в том, как его внедрять и масштабировать
Найдем ответ на бесплатной конференции 8 октября

Все об эффективном и безопасном внедрении ИИ в бизнес расскажут эксперты топовых технологических компаний на конференции Selectel ТехноДень в Москве.

На повестке:

🔺Как использовать генеративный ИИ в компании без хаоса и получать от этого измеримый эффект: от теории до реальных кейсов.
🔺Как ускорить внедрение ИИ в бизнес-процессы и минимизировать риски для бизнеса с помощью инструментов ИБ.
🔺Какую ИТ-инфраструктуру выбрать для инференса и обучения моделей.

Кроме 20 экспертных докладов и 20 интерактивных стендов, в финале вечера вас ждет живая запись подкаста Вселенная Плюс на главной сцене конференции.

Присоединяйтесь к Selectel ТехноДень, чтобы лично задать вопросы экспертам рынка и обменяться опытом. Количество мест ограничено, регистрируйтесь уже сейчас →

Реклама. АО "Селектел". erid:2W5zFFvK9mB

Бывший разработчик ChatGPT представил новый класс моделей System One Models, которые не генерируют текст

Диого Алмейда – соавтор RLHF и один из авторов статьи про InstructGPT (именно эта техника легла в основу для ChatGPT в 2022).

В 2024 он основал TypeSafe AI. Два года они работали в стелсе, и только что официально представили свою первую модель Jev.

Идея в том, что для огромного количества задач текст вообще не нужен. Если модель должна определить категорию запроса, оценить риск или выбрать следующий шаг агента, обычная LLM все равно генерирует ответ токен за токеном, после чего его еще нужно распарсить.

Jev вместо этого сразу возвращает структурированный ответ и вероятность каждого варианта. Например, не пишет текстом, куда отправить запрос пользователя, а сразу возвращает нужную категорию.

За счет этого Jev работает в 20–200 раз быстрее обычных LLM на таких задачах (70-500 мс). Цена тоже необычная: $0.042 за 1М входных токенов, выходные бесплатно. Модель сейчас доступна в early access.

https://typesafe.ai/blog/introducing-system-one-models-and-jev

AlphaXiv выпустили оркестратор, который может превратить любого агента в автономного исследователя

Проект занял 1 место в рейтинге GitHub пару дней назад.

https://github.com/alphaXiv/OpenResearch

По сути, это локальный воркспейс, который перепрошивает Claude Code, Open Code или Codex под R&D: чтение литературы, циклы предложения и проверки гипотез, запуски экспериментов и производство артефактов.

Интерфейс поддерживает параллельные эксперименты, то есть агенты могут запускать несколько проверок гипотез одновременно, а результаты хранятся в git-native дереве экспериментов с неизменяемыми архивами коммитов, что дает полную воспроизводимость.

Доступно для загрузки под любую ОС

Anthropic заявили инвесторам, что у них положительная операционная прибыль, «если не считать расходы на обучение новых моделей»

Те самые креативные бухгалтеры под постом:

Команды нет — это не причина пропустить КосмоХакатон

18–20 сентября, Санкт-Петербург, Красноярск или онлайн из любой точки страны. На платформе есть подбор команды: регистрируетесь один, указываете, что умеете, и находите недостающих

К двум задачам, о которых писали раньше, добавились ещё две.

Санкт-Петербург - космонавт в открытом космосе. Солнечные вспышки, геомагнитные бури, радиация меняются по часам, решение о выходе принимают по прогнозу. Команде предстоит выделить ключевые угрозы и собрать техническое решение для их анализа. Данные, физика, инженерия.

Красноярск - зелёные финансы. Углеродные кредиты продаются под обещание, что где-то растёт лес, и проверить это обещание можно со спутника. Команде предстоит собрать платформу для токенизации и продажи кредитов, привязанных к реальному состоянию лесного массива. Данные, финансы, продукт.

Фонд площадок — 1,2 млн ₽ и 600 тыс. ₽. Лучшие забирают приз и билет в московский финал 25–27 сентября на 2,4 млн рублей.

Подробности и регистрация

Реклама. АО Инновационные Интеграторы, ИНН 9704244539

Шутки в сторону, этот коммент лайкнул Дарио Амодеи

Интересно, смог ли Claude объяснить ему всю мощь этой, так сказать, аббревиатуры

Побывали с командой на deep tech night в офисе Яндекса

Слушали доклады, общались с экспертами и нетворкали. Фишка deep tech night в том, что организаторы намеренно ушли от докладов в стиле «нас ждет экспоненциальный рост <вставить любую метрику>» и предложили именно хардово-инженерный взгляд на происходящее.

Выступали эксперты, которые работают с AI на проде, начиная от инфраструктуры и заканчивая рексис и автономным транспортом. Из докладов в целом вырисовались две мысли, которые звучат сегодня не так часто:

1. Главные изменения от ИИ происходят внутри продуктов, там, где пользователь их часто не видит. Не в виде очередной фичи «AI», а в виде перестройки внутренних процессов: как компания планирует спрос, распределяет ресурсы, принимает операционные решения. Именно этот путь (а не появление кучи новых пользовательских ассистентов), выглядит как то, что реально ускоряет прогресс.

2. Когда доходит до конкретики внедрения, модель – далеко не главный герой. Напротив, способности LLM растут быстрее, чем компании успевают перестроить процессы под них. Сейчас решает инфраструктура, инструкции и харнесс.

Поясним на примере Яндекс Лавки. Станислав Макеев, директор по технологиям и AI-трансформации в Лавке, рассказал, как сервис идет к управлению агентами. AI постепенно берет на себя спрос, остатки, поставки, сборку и доставку. Все помнят эксперимент Anthropic, где Claude управлял магазинчиком. Здесь то же самое, но в масштабе сервиса с миллионами пользователей.

И вот здесь начинается инженерия. Какая бы сильная не была модель, ее нельзя просто взять и воткнуть в инфраструктуру, спроектированную для людей. У Лавки часть админок была недоступна по API, данные приходили с опозданием, из-за чего решения агента строились на устаревшем контексте, инструкции местами противоречили сами себе, а LLM иногда перезаписывала поля, которые должны были меняться только по строгим правилам.

Ничего из этого не чинили моделью: чинили то, что вокруг нее. Добавили интеграции и инструменты вместо UI-для-человека, научили агента переживать сбой и запускаться заново, вынесли проверяемые правила из инструкций в код, закрыли критичные поля от перезаписи. В итоге собрался даже не отдельный харнесс под задачу, а большой общий набор компонентов для всех агентов Лавки. Там агент-gateway как точка входа, потом слой авторизации, оркестрация через ATS поверх Temporal, а сами действия агента разделены на tool, model, agent и sandbox actions, которые уходят через tool proxy во внутренние сервисы.

И только такая чисто инженерная работа дает выхлоп. Сейчас в Лавке автоматизация агентов берет на себя большую часть задач, которой раньше занималась команда из 10 человек.

Так что экспонента способностей моделей – это далеко не все. Скорость реального внедрения определяется другой, куда более скучной кривой: сколько процессов, инструкций и интерфейсов пришлось разобрать и пересобрать заново.

Neuralink показали процесс восстановления речи из мыслей

Кеннету Шоку – пациенту с БАС – в январе 2026 имплантировали чип N1. И вот сегодня компания впервые продемонтрировала, как чип считывает сигналы мозга и сопоставляет их со словами, которые человек хочет произнести. То есть человек просто представляет, что он что-то говорит, а система при этом преобразует команды, которые посылаются соответствующими областями мозга в язык и гортань, в фонемы, а затем в слова. До этого подобными исследованиями довольно долго занимались рисерчеры из UCSF и Berkeley, но Neuralink воспроизвела процесс впервые.

Кстати, голос которым говорит компьютер, специально восстановлен таким, каким был голос Шока до болезни. Его жена называет этот голос "Original Ken".

Z.ai опубликовала инженерный отчет о том, как модель GLM-5.3 участвовала в создании production-инференса для GLM-5.3-Flash

Они описывают этот процесс как первый шаг в сторону recursive self-improvement и говорят, что подобная практика «полностью меняет то, как создаются следующие поколения моделей».

Короче, перед инженерами стояла задача: нужно было развернуть кластер на 100 000+ китайских ускорителей (не Nvidia). Это, кстати, первое развертывание их отечественных чипов такого масштаба.

GLM-5.3 использовали для оптимизации производительности и скорости. В итоге всего за две недели инженеры с помощью модели вырастили throughput в три раза!

Агент сам формулировал гипотезы, где теряется скорость, и писал код фиксов, люди только ставили цели, смотрели за безопасностью и принимали конечные решения.

Три конкретных фикса, которые агент сделал автономно:

– Убрал Python GIL bottleneck, который ел ~20% производительности

– Ускорил decode-кернел в 1.71 раза

– Починил числовую точность в KDA-кернеле для длинного контекста (фикс впоследствии влили в проект Flash Linear Attention)

https://z.ai/blog/glm-built-its-inference-infrastructure

P.S. В конце их блогпоста не хватает только фразы «а американцы пусть и дальше замедляются»