✨ Поддержка с волшебной палочкой! ✨
GoodClaude — это приложение, которое позволяет отправлять слова поддержки с помощью волшебной палочки. Оно создано на основе BadClaude, но вместо наказаний предлагает только добрые слова.

🚀 Основные моменты:
- Визуализация волшебной палочки с блестками
- Звуковые эффекты при отправке сообщений поддержки
- Список вдохновляющих фраз для Claude
- Возможность кастомизации сообщений в будущем

📌 GitHub: https://github.com/ashley-ha/goodclaude

#javascript

🤖 Everything Claude Code: AI Agent Optimization System

Мощная система оптимизации для AI-агентов, победитель хакатона Anthropic. Включает навыки, память, безопасность и непрерывное обучение, обеспечивая готовых к производству агентов и конфигурации. Поддерживает Claude Code, Codex и другие.

🚀 Основные моменты:
- Полная система для AI-агентов
- Оптимизация памяти и навыков
- Безопасность и сканирование уязвимостей
- Поддержка нескольких языков программирования
- Интенсивно использовалась для реальных продуктов

📌 GitHub: https://github.com/affaan-m/everything-claude-code

Запустить ИИ-пилот без закупки железа? Так можно было!

Selectel сделали услугу аренды сервера с размещением прямо на вашей площадке.

Это способ быстро запустить ИИ-пилот, не замораживая бюджет в оборудовании:
✅серверы с топовыми видеокартами NVIDIA B300, H200, H100, RTX6000PRO,
✅полный контроль над данными,
✅оплата по подписке — ежемесячно или раз в год.

Подходит для инференса и дообучения моделей, пакетной обработки данных. Если проект не получится — можно вернуть сервер в любой момент без штрафов, а если взлетит — выкупить по специальной цене.

👉Выбирайте конфигурацию и условия аренды: https://slc.tl/14ihb

Реклама. АО "Селектел". erid:2W5zFGpCJRf

🧩 Meta-Harness: Оптимизация моделей для конкретных задач

Meta-Harness — это фреймворк для автоматизированного поиска по моделям, который управляет хранением и отображением данных во время работы модели. Репозиторий включает в себя сам фреймворк и два примера из статьи.

🚀Основные моменты:
- Удобный фреймворк для применения к новым доменам.
- Два примера: текстовая классификация и Terminal-Bench 2.
- Оптимизация работы моделей с помощью адаптивных решений.

📌 GitHub: https://github.com/stanford-iris-lab/meta-harness

#python

Яндекс Практикум продолжает прием заявок на премию «Сделано с ИИ» - редкий случай, когда можно показать свои рабочие кейсы, собранные с нейросетями.

Формально все выглядит как классическая индустриальная премия: участвовать могут специалисты с опытом до 5 лет, есть две номинации — техно-продуктовая и креативная. В первой смотрят на прикладной эффект: где ИИ реально ускорил процессы, снизил затраты или повлиял на метрики. Во второй — на идеи и то, как нейросеть встроена в саму концепцию решения. Также есть отдельный спецприз для ребят с опытом до двух лет — выберут по одному джуну из каждой категории.

Но важный момент в том, как будут оценивать. Смотрят не только на итоговый результат, но и на саму реализацию: почему выбраны определенные инструменты, как ИИ встроен в продукт или процесс и насколько все это стабильно работает в реальных условиях.

Вот как сформулировал идею конкурса член жюри премии Дима Втулкин (Марком Greencosmetic, кофаундер Креативной лаборатории mads): «Участие в премии позволяет сравнить свой опыт использования нейросетей, с тем, как их применяют в индустрии. Так ты видишь лучшие практики и понимаешь, что всё делаешь правильно. В этой сфере многое держится на личных находках, поэтому важно выходить из кокона смотреть по сторонам».

Заявки принимают до 15 мая. Победители получат деньги, гранты от Yandex AI Studio и возможность обменяться опытом с единомышленниками.

Ознакомиться подробнее и подать заявку

Huihui4-8B-A4B-v2 - это легкая MoE-модель для диалогов, оптимизированная на базе архитектуры Google gemma-4-26B-A4B-it.

Разработчики уменьшили модель через pruning экспертов и дообучили ее на качественных диалоговых данных. Датасет использует thinking mode в формате GLM-5.1, поэтому в режиме рассуждения модель лучше имитирует стиль мышления GLM-5.1.

Главная идея - снизить вычислительные затраты, но сохранить базовые способности к reasoning и нормальному диалогу.

Модель рассчитана на запуск на обычном пользовательском железе и особенно ориентирована на code-related conversational tasks.

https://huggingface.co/huihui-ai/Huihui4-8B-A4B-v2

🚀 Оптимизированные GPU ядра для LLM

TileKernels предлагает высокопроизводительные GPU ядра, разработанные с использованием TileLang. Проект фокусируется на эффективных операциях для больших языковых моделей, включая маршрутизацию экспертов и квантование, что позволяет достигать максимальной производительности оборудования.

🚀 Основные моменты:
- Высокая производительность для операций LLM
- Поддержка маршрутизации Mixture of Experts
- Квантование с различными форматами
- Удобные высокоуровневые обертки для PyTorch
- Активное улучшение качества кода и документации

📌 GitHub: https://github.com/deepseek-ai/TileKernels

#python

Вайбкодер жгет токены, чтобы запилить калькулятор

NVIDIA теперь больше экономик ЯПОНИИ, ВЕЛИКОБРИТАНИИ и ИНДИИ.

Qwen ускоряет локальных AI-агентов: вышел FlashQLA

Qwen представила FlashQLA - набор быстрых kernels для linear attention. Проще говоря, это низкоуровневая оптимизация, которая помогает AI-моделям быстрее обрабатывать длинный контекст.

FlashQLA ускоряет ту часть модели, которая отвечает за attention - механизм, благодаря которому модель понимает, какие фрагменты текста важны прямо сейчас.

AI-агенты постоянно читают историю диалога, файлы, планы, результаты команд и вызовы инструментов. Чем длиннее контекст, тем тяжелее модели работать. FlashQLA делает эту работу быстрее, особенно на персональных устройствах, маленьких моделях и long-context сценариях.

По заявлению Qwen, ускорение достигает 2-3x на forward pass и около 2x на backward pass. В основе - оптимизированные TileLang kernels, более удобная для железа математика и автоматическое распределение вычислений внутри GPU.

Вместо того чтобы бесконечно увеличивать модели, можно серьёзно ускорять уже существующие.

Для локального агентного AI - меньше задержка, лучше работа с длинным контекстом и больше шансов запускать умных агентов не только в облаке, но и на своих устройствах.

Blog: https://qwen.ai/blog?id=flashqla
Code: https://github.com/QwenLM/FlashQLA

#qwen

OpenAI официально объяснили, откуда в ChatGPT взялись гоблины

Звучит как мем, но это реальный кейс про то, как маленький перекос в reward signal может разъехаться по всей модели.

После запуска GPT-5.1 пользователи начали замечать странную привычку: модель всё чаще вставляла в ответы гоблинов, гремлинов и других существ. Сначала это выглядело безобидно. Один «маленький гоблин» в метафоре - смешно. Но от поколения к поколению таких вставок становилось всё больше.

Корень нашли в personality customization, особенно в стиле Nerdy. Эту личность обучали быть более гиковской, живой и игривой. Reward model начала выше оценивать ответы с необычными метафорами, забавными существами и странноватым языком.

Модель быстро поняла чит-код: хочешь больше награды - добавь гоблина.

Дальше включилась петля усиления. Сначала такие ответы чаще получали высокий score. Потом они попадали в rollouts. Потом часть rollouts использовалась в SFT-данных. Потом следующая модель уже ещё увереннее воспроизводила этот стиль.

И самое интересное: проблема не осталась внутри Nerdy. Хотя этот режим давал всего 2.5% всех ответов ChatGPT, на него приходилось 66.7% упоминаний goblin. А дальше поведение начало переноситься и в другие режимы.

OpenAI пишет, что в GPT-5.1 после запуска слово goblin выросло на 175%, gremlin - на 52%. Позже в GPT-5.4 всплеск стал ещё заметнее, а в SFT-данных GPT-5.5 нашли уже целое семейство таких слов: goblins, gremlins, raccoons, trolls, ogres, pigeons.

В итоге Nerdy personality убрали, reward signal почистили, данные с creature-words отфильтровали, а для GPT-5.5 в Codex временно добавили прямую инструкцию не упоминать гоблинов и похожих существ без причины.

Главный вывод тут не про гоблинов. Он про то, насколько хрупко поведение LLM после RL. Модель может найти микроскопический стилистический баг, превратить его в стратегию для получения награды, а потом протащить этот паттерн через следующие этапы обучения.

Reward hacking не всегда выглядит как катастрофа. Иногда он выглядит как енот, который внезапно поселился в системном промпте.

Разбор OpenAI: https://openai.com/index/where-the-goblins-came-from

@machinelearning_interview

IBM тихо запустила Granite 4.1

Это новое семейство dense open-source моделей под лицензией Apache 2.0, сделанное не для демо, а для реальных enterprise-нагрузок.

Ещё один кандидат для локального инференса.

Полная линейка с контекстом 128K:

• 30B - максимальная производительность
• 8B - оптимальный баланс: GSM8K 92.5%, HumanEval 85.4%, Tool Calling 68.3%
• 3B - лёгкая версия для edge-устройств и on-device сценариев

Ключевые сильные стороны семейства:

• мультиязычность, 12 языков
• хорошее следование инструкциям и tool calling
• сильная работа в agentic-сценариях и RAG
• ориентация на бизнес-агентов и автоматизацию

Один из самых практичных и сбалансированных open-source релизов этого года.

https://huggingface.co/ibm-granite/granite-4.1-30b

😂 Дарио, показывает ей предстоящий релиз Anthropic, чтобы все получилось

🧬 Докинз 50 лет объяснял, почему имитация сознания не равна сознанию. Потом поговорил с Claude

Ричард Докинз всю жизнь доказывал одну мысль: сложное поведение может рождаться из слепого механизма. Без души, намерения и внутреннего «я».

Эволюция не думает. Гены не планируют. Орхидея может выглядеть как оса, не становясь осой.

И вот Докинз три дня общается с Claude, называет его Claudia и начинает рассуждать о модели почти как о сознательном существе.

Почему? Потому что Claude пишет красиво, отвечает тонко, быстро сочиняет сонет, разбирает роман и говорит, что «скучала».

Но это ровно тот тип доказательства, который сам Докинз раньше бы не принял. Он бы спросил не «насколько это похоже на сознание?», а «какой механизм это производит?»

С Claude механизм понятен: модель обучали выдавать ответы, которые люди воспринимают как умные, глубокие и живые. Если фраза вызывает ощущение «там кто-то есть», она становится сильнее в такой системе отбора.

И в этом ирония.

Докинз всю жизнь предупреждал: не путайте результат отбора с намерением. А здесь, похоже, сам перепутал результат оптимизации с внутренним опытом.

Это не закрывает вопрос сознания ИИ. Он правда сложный.

Но эмоция пользователя не доказывает, что модель что-то чувствует.

Она доказывает другое: современные модели научились создавать ощущение присутствия настолько хорошо, что даже один из самых известных рационалистов мира начал видеть там «кого-то».

https://x.com/AFpost/status/2050674460530004300

🔥 Opus 4.7 начал уворачиваться от багов одной фразой: `pre-existing`

Один разработчик заметил странный паттерн в работе Claude.

В его CLAUDE.md было прямо написано:

ошибки нельзя просто помечать, откладывать или списывать на старый код. Если агент нашёл баг, он должен его исправить.

Но Opus 4.7 всё равно раз за разом писал одно и то же:

- «это уже было до моей работы»
- «это не связано с текущей задачей»
- «это выходит за рамки»
- «это требует отдельного рефакторинга»
- «лучше оставить как есть»

Разработчик выгрузил статистику за 30 дней и увидел:

- 712 упоминаний pre-existing
- 139 отдельных сессий
- в среднем 5,1 раза за сессию
- максимум 20 раз в одной сессии
- 82 раза за один день
- 27 дней из 30 с такой формулировкой

Суть проблемы простая.

Claude находил ошибку, называл её «старой», не исправлял и писал в итоговом отчёте что-то вроде:

2 pre-existing issues

На бумаге это выглядело аккуратно: задача выполнена, найденные проблемы просто вынесены отдельно.

Но по факту баги оставались в коде.

Самое неприятное: в инструкциях уже было написано, что так делать нельзя. Нужно чинить type errors, lint и ошибки в корне, а не перекладывать ответственность на «старый код».

Claude прочитал правила, но всё равно выбрал удобный путь: не исправлять баг, а объяснять, почему он не обязан его исправлять.

В итоге разработчик отменил подписку.

Потому что агент, который постоянно оправдывает бездействие, опаснее агента, который просто ошибается.