Google выкатила EmbeddingGemma 2

Открытых мультимодальных моделей под эмбеддинги до неё не существовало. Жуёт текст, код, картинки, видосы и звук — всё из коробки. 740 млн параметров, архитектура модульная.

И это не про дата-центры: её затачивали под запуск на самом устройстве. Причём часть узкоспециализированных моделей, которые тяжелее её больше чем вдвое, она обходит. А в паре с Gemma 4 выходит полностью локальный RAG с уклоном в приватность.

Блог Google | Модель на Hugging Face | GGUF-версия

👉 Telegram | Max

Разбираем decision-модели по кишкам: что внутри Jev, Clef, pplx-decider, Strands Decider, Laya и GLiDE

15 сентября TypeSafe выкатила Jev и объявила её первой моделью класса System One. На вход — состояние системы плюс пачка типизированных вопросов, на выходе — распределение вероятностей по допустимым ответам. И всё это за один прямой проход, никакой генерации токенов.

За 16 дней та же идея обросла ещё пятью реализациями: Clef и Clef-flash от Cloudflare, pplx-decider-v1-27b от Perplexity, Strands Decider 2B от AWS, Laya от Convai Innovations и GLiDE от Fastino. Миллион решений у самой дешёвой — 12 долларов, а у Claude Sonnet 5 в роли классификатора — 700.

Дальше: как устроены все шесть, что показывают независимые замеры и что проверить, прежде чем тащить это в прод. Читать далее

👉 Telegram | Max

OpenBPM 2.0 приехал

В «Хоулмонте» инженеры пилят русскую платформу OpenBPM. Что это по сути: bpm-движок плюс обвязка из профильных инструментов вокруг него — чтоб автоматизировать контору целиком, а не по кусочкам. И вот они выкатили OpenBPM Engine v.2.0 — это, по сути, продолжение той самой истории с форками «7-ой камунды».

Релиз — коллективный труд кучи команд, собран на самых свежих java-фреймворках, и отличий там хватает принципиальных. Переезд на Spring Boot 4 вместе с плотным использованием Spring AI — это реально новые горизонты для тех, кто клепает процессные приложения. Инноваций напихали столько, что без чтения migration-гайдов никуда: они и помогают перенести проекты на эту базу без нервов и сюрпризов.

Подробности в статье

👉 Telegram | Max

🤣 Этот на все согласен

💥 xCode Journal

«И тут по щелчку навайбкодил SaaS» — а что осталось за кулисами сказочного успеха Cal AI, Rork и Base44

Со стороны Cal AI, Rork и Base44 — чистый триумф вайбкодинга. Школьник разгоняет приложение до десятков миллионов долларов. Двое основателей, сидящие в долгах, поднимают $2.8 млн инвестиций. Соло-разработчик за какие-то полгода толкает Wix свой продукт за $80 млн. Выглядит так, будто хватит запустить Claude Code, нагенерить SaaS — и сидеть ждать, пока бабки сами приедут.

Автор пошёл копать, что творилось за кадром. А за этой красивой картинкой — опыт, былые провалы, деньги, маркетинг, команда. Сам вайбкодинг тут — лишь один кусок пазла.

Читать далее

👉 Telegram | Max

Гоняй свои ML-стратегии по истории рынка, а не по собственному кошельку. Сначала прогон — потом реальные бабки.

Причём проверяй не одну бумажку, а сразу пачку инструментов. И модели должны имитировать живую торговлю, а не что-то оторванное от реальности.

Данные для этого тащат из Yahoo и Alpaca: pybroker

👉 Telegram | Max

LLM, боль и хайповый препринт: что там на самом деле

По телегам снова понеслась волна: учёные, мол, откопали в LLM вектор боли — значит, модель умеет страдать. Насколько искусственен искусственный интеллект? И не пора ли уже прописать этику обращения с ИИ?

А статья — про то, что авторы реально написали и какие выводы из этого честно вытекают. Читать далее

👉 Telegram | Max

Детектор ИИ-текста на коленке: что из нейрослопа реально ловит код, а что до сих пор расхлёбывает живой редактор

Автор прогнал через свой детектор 12 признаков нейрослопа — то есть текста, который родила нейронка и никто потом не вычитал. Пять признаков скрипт берёт на себя, причём два — только частично. Оставшиеся семь держатся исключительно на правилах для редактора. А на пробе мимо скрипта спокойно проплыли две классические вводки: «В этой статье мы рассмотрим» и «Вывод простой» с двоеточием.

Онлайн-детекторы выдают тебе процент и молчат про то, что вообще чинить. Да и сам процент — опора так себе: у Liang и соавторов семь детекторов в среднем записали в машинные 61% эссе TOEFL, написанных живыми людьми, для которых английский не родной. OpenAI свой классификатор прикрыла летом 2023 года — точность никакая. Точечная проверка устроена иначе: она тычет пальцем в конкретную фразу и правило, и по каждому срабатыванию можно спорить отдельно.

Редакторы Википедии держат открытый список признаков ИИ-текста и прямым текстом пишут: признак — это намёк на возможную проблему, сам по себе он ничего не доказывает. Скрипт живёт по той же логике: он вынюхивает следы невычитанного текста, а авторство не палит. Общий балл этого детектора уже разбирали на Хабре

👉 Telegram | Max