ChatGPT ads внедрил функцию автосоздания креативов

OpenAI добавила в ChatGPT Ads автогенерацию креативов: вставляешь ссылку на сайт, ИИ анализирует лендинг и создаёт релевантный креатив. По ощущениям, такие материалы должны легко проходить модерацию, но пока неясно, насколько они поддаются правкам. Источник интересен ещё и тем, что вайт можно сгенерировать тут же через ChatGPT.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-ads-vnedril-funkciiu-avtosozdaniia-kreativov

🧠 Ещё больше инсайтов → в канале AFF.top

В Google search console теперь можно добавлять соцсети

Google добавил в Search Console поддержку аккаунтов соцсетей: теперь можно отслеживать ключевые запросы, источники и географию переходов, показы и клики по ссылкам. Функция подключается там же, где и сайты, доступны четыре соцсети на выбор. Rollout постепенный — доступ получают не все сразу.

➡️ Читайте на сайте: https://aff.top/blog/v-google-search-console-teper-mozhno-dobavliat-socseti

🧠 Ещё больше инсайтов → в канале AFF.top

Google стал помечать креативы, созданные ИИ

Google объявил, что начнёт помечать рекламные креативы, созданные нейросетями. Причина — ИИ-баннеры и видео стали слишком похожи на настоящие.

Формат и заметность маркировки будут зависеть от законов конкретного региона: где-то предупреждение появится прямо на креативе, где-то — в его информации.

Что это значит для арбитражников и когда правила …

➡️ Читайте на сайте: https://aff.top/blog/google-stal-pomechat-kreativy-sozdannye-ii

🧠 Ещё больше инсайтов → в канале AFF.top

Компания Meta выпустила Muse Spark 1.1

Meta выпустила Muse Spark 1.1 почти одновременно с новой ChatGPT-5.6. Это мультимодальный агент, который сам дробит задачу на подзадачи и распределяет их между субагентами.

Стоимость тоже заметно ниже топовых западных моделей: $1.25 за миллион входных токенов и $4.25 за миллион выходных.

Но главный вопрос — насколько она реально сильна на фоне к…

➡️ Читайте на сайте: https://aff.top/blog/kompaniia-meta-vypustila-muse-spark-1-1

🧠 Ещё больше инсайтов → в канале AFF.top

Ghost нужен не всем: где он выигрывает, а где проект потом упирается в потолок

Ghost хорош там, где нужен контент-сайт без лишней тяжести: публикации, подписки, рассылки, простая редактура. Если задача — быстро поднять медиум-подобный блог, нишевый журнал или контент-маркетинг для продукта, он закрывает это без лишнего слоя.

— Сильная сторона Ghost — чистый редактор и понятная модель публикаций. Контент-команда не тонет в настройках, а разработчик не обслуживает монстра.
— Второй плюс — скорость старта. Для типового блога не нужен длинный цикл согласований между фронтом, бэком и редакцией.
— Третье — меньше мест, где ломается процесс. Когда проект живёт на статьях, а не на сложной логике, это экономит часы поддержки.

Но у Ghost есть и жёсткие границы:
— сложные права и роли;
— многоуровневые каталоги и нестандартные сущности;
— тяжёлая мультиязычность;
— витрина с нестандартной коммерцией;
— большой маркетплейс-подход.

Если проект уже похож на портал, LMS или корпоративный хаб, Ghost начинает уступать Drupal, Strapi или headless-сборке на более гибкой модели.

Правило простое: берите Ghost, если вам нужен контент-движок, а не платформа для всей цифровой логики. Если контент — ядро, он удобен. Если контент — только одна из частей системы, лучше смотреть шире.

DeepSeek в проде: где он выигрывает, а где лучше не трогать без теста

У DeepSeek часто сильная сторона — reasoning и кодовые задачи, но в проде его надо мерить не по «умности», а по режиму инференса. Если модель даёт хороший ответ только при длинной цепочке рассуждений, latency растёт, а throughput на той же GPU падает. Для арбитражной автоматики это критично: один и тот же запрос может занимать 2–3 раза больше времени, чем у более «короткой» модели.

Что проверять перед интеграцией:
— качество на ваших шаблонах, а не на общих бенчмарках;
— стабильность на коротких промптах и на длинном контексте;
— поведение под int4/int8: некоторые модели теряют точность сильнее, чем ожидается;
— инструменты сервинга: vLLM для throughput, TGI для предсказуемого API, llama.cpp для компактного локального деплоя.

Ещё один частый промах — считать только качество ответа и забывать про стоимость 1M токенов в проде. Если модель экономит 10% ошибок, но режет throughput вдвое, итоговая цена запроса может стать хуже, чем у более простой альтернативы. Для self-hosted это особенно заметно на пиках: очередь растёт быстрее, чем кажется по тесту на одном запросе.

Правило простое: DeepSeek берут не «за бренд», а под задачу, где reasoning реально монетизируется. Сначала замер latency и tokens/sec на своём промпте, потом уже решение о деплое.

Self-hosted окупается не на «крутых GPU», а на правильной модели нагрузки и дисциплине в проде

Считайте экономику от трёх цифр: tokens/day, доля prompt vs completion и требуемая задержка. Если у вас короткие ответы, высокий RPM и мало пиков — self-hosted часто проигрывает по операционке. Если же есть стабильный поток, длинный контекст и повторяемые запросы, собственный inference начинает давать заметную экономию на 1M токенов.

Главная ошибка — сравнивать только цену железа. В формулу входят амортизация GPU, простои, электричество, DevOps, мониторинг, резервирование и потери на деградации качества после агрессивной квантизации. Модель, которая в демо держит 80 tokens/sec, в проде легко теряет половину throughput из-за длинного контекста и конкуренции за KV cache.

Практический чек-лист: 1) замерьте p95 latency и реальный средний prompt length; 2) посчитайте утилизацию GPU в часах, а не в токенах; 3) проверьте, можно ли заменить 70B на 14B + хороший retrieval; 4) отдельно оцените стоимость отказа, когда API-провайдер даёт лимиты или нестабильность.

Если self-hosted не даёт запас по latency и не уменьшает стоимость 1M токенов минимум в 2 раза на вашем профиле нагрузки, это не экономия, а хобби.

Российские букмекеры увеличили закуп трафика с мобильных приложений

Российские букмекеры в 1 квартале 2026 года заметно нарастили закупку трафика из мобильных приложений. На фоне ужесточения регулирования они смещают бюджеты в новые каналы, где ещё есть живой трафик.

По данным UMG, доля in-app-рекламы выросла с 3-4% до 5-6% при объёме рынка около 10 млрд рублей. Но это может быть только начало — в блоге разбираем…

➡️ Читайте на сайте: https://aff.top/blog/rossiiskie-bukmekery-uvelichili-zakup-trafika-s-mobilnykh-prilozhenii

🧠 Ещё больше инсайтов → в канале AFF.top

Mia Khalifa стала амбпссадором 1win

Mia Khalifa снова засветилась рядом с 1win: в Instagram она показала цепочку с логотипом бренда и статус «VIP 1win».

Параллельно всплыла история с ее ставкой на Испанию на ЧМ — по данным поста, выигрыш мог составить 200к$.

Официального подтверждения амбассадорства пока нет, но для арбитражников это уже повод для новых креативов. Что именно здесь…

➡️ Читайте на сайте: https://aff.top/blog/mia-khalifa-stala-ambpssadorom-1win

🧠 Ещё больше инсайтов → в канале AFF.top

Короткий домен Telegram перестал работать

Telegram лишился домена t.me: он разделегирован и больше не работает на уровне регистратора. Платформа срочно переезжает на telegram.me, а владельцам крупных каналов стоит обновить публичные ссылки. Сроки восстановления неизвестны, и есть риск, что t.me не вернётся вовсе на фоне давления на Telegram.

➡️ Читайте на сайте: https://aff.top/blog/korotkii-domen-telegram-perestal-rabotat

🧠 Ещё больше инсайтов → в канале AFF.top

Почему Llama часто выбирают как базу для продакшн-LLM, а не как «самую умную» модель

Llama — это не про один рекорд в бенчмарке, а про предсказуемый стек: качество, лицензия, экосистема. Для команды с собственной инфраструктурой это важнее, чем редкий выигрыш на одном тесте. Модель обычно берут как baseline для чата, RAG и узких задач, где важны стабильный latency и понятная стоимость токена.

На практике Llama удобно оценивать по 4 осям: • качество на вашем домене • throughput на целевой GPU • длина контекста без деградации • условия коммерческого использования. Если модель хорошо отвечает на общий язык, но ломается на ваших шаблонах, в проде она бесполезна. Если качество ок, но инференс съедает память и режет batch size — экономика тоже не сходится.

Для self-hosted сценария важен не только размер, но и форма запуска: fp16 даст максимум качества, int8 часто сохраняет приемлемый ответ, int4 обычно нужен для плотного размещения на 1 GPU. Дальше решает сервер: vLLM лучше, когда нужен высокий throughput и batching, llama.cpp — когда важны малые ресурсы и GGUF, TGI — когда нужен более «серверный» режим и контроль над пайплайном.

Если выбираете Llama в прод, сначала гоняйте свои промпты, а не общий benchmark. Смотрите долю пустых ответов, повторов, провалов на длинном контексте и реальный tokens/sec под вашей нагрузкой. Хорошая модель — это та, которую можно стабильно обслуживать месяцами, а не та, что красиво выглядит в одном графике.

Youtube тестирует поиск с AI

YouTube начал тестировать Ask YouTube — поиск с ИИ, где можно задавать вопросы обычным языком и получать не список ссылок, а готовую подборку видео и фрагментов.

Фича уже доступна в США и работает на сложные запросы: если нужно, ИИ уточняет вопрос и подсказывает следующий шаг.

Что это значит для поиска на YouTube и когда новинка дойдёт до других…

➡️ Читайте на сайте: https://aff.top/blog/youtube-testiruet-poisk-s-ai

🧠 Ещё больше инсайтов → в канале AFF.top

Self-hosted LLM окупается не от размера модели, а от формы нагрузки

Если у вас редкие запросы и длинные простои, свой кластер почти всегда проиграет API. Если же есть стабильный поток, повторяющиеся промпты и понятный p95 latency, экономика меняется: вы платите не за токен, а за загрузку GPU. Именно поэтому считать надо не «сколько стоит 1M токенов», а «сколько токенов в сутки выдаёт одна карта при нужном качестве».

Три цифры, которые решают всё:
— throughput на вашем стекe: vLLM, TGI или llama.cpp дают разный output tokens/sec;
— реальная утилизация GPU: 20% и 70% — это два разных бизнеса;
— длина контекста: 32k и 128k сильно бьют по плотности батча и latency.

Дальше считайте точку окупаемости: стоимость железа, амортизация, электричество, резерв под простои, DevOps и инженера. Если один и тот же поток можно обслужить меньшей моделью с RAG или кэшированием, это почти всегда дешевле, чем сразу брать «большую». Локальный inference выигрывает там, где запросы однотипные, а качество можно удержать промптами и fine-tune.

Практика простая: сначала измерьте токены/сек на вашей задаче, потом посчитайте цену одного успешного ответа, и только после этого сравнивайте с внешним API. Если математика не сходится без красивых допущений — self-hosted вам рано.

Z.ai анонсировала новую GLM-5.5

Z.ai готовит релиз флагманской GLM-5.5: модель обещают показать в августе 2026 года.

Главная интрига — рост до 1 трлн параметров при том же контекстном окне в 1 млн токенов. Новинка снова будет заточена под код и агентные задачи.

Почему версия сразу 5.5, без 5.3 и 5.4, и что это может означать для рынка — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/z-ai-anonsirovala-novuiu-glm-5-5

🧠 Ещё больше инсайтов → в канале AFF.top

Telegram запустил собственный сервер для ботов

Telegram запустил собственный сервер для ботов и мани-приложений: теперь backend можно размещать прямо внутри инфраструктуры мессенджера.

Сервер работает на JavaScript/TypeScript, через вебхуки, и позволяет подключать SQL-базу для сбора контактов без посредников.

Пока неясны цена и ограничения — что именно уже можно тестировать, а где скрыт подв…

➡️ Читайте на сайте: https://aff.top/blog/telegram-zapustil-sobstvennyi-server-dlia-botov

🧠 Ещё больше инсайтов → в канале AFF.top

vLLM и TGI: где ломается продовый инференс, если выбрать не тот сервер

Если модель крутится через OpenAI-совместимый API, сервер решает больше, чем кажется: batching, paged attention, KV-cache, очереди и обрезка контекста. На одинаковой GPU один стек может держать ровную латентность, другой — упираться в head-of-line blocking уже на среднем concurrency.

vLLM обычно берут, когда нужен высокий throughput на генерации и много коротких запросов. Его сильная сторона — continuous batching и эффективная работа с KV-cache; слабая — сложнее предсказать p95 при длинных ответах и тяжёлых system prompts. Если у вас смесь чатов и tool-calls, обязательно меряйте не только tokens/sec, но и время до первого токена.

TGI удобен там, где важны стабильность пайплайна, понятная эксплуатация и интеграция в production-инфраструктуру. Он часто проще для команды, но на том же железе может проигрывать vLLM по утилизации GPU при высокой конкуррентности. Для длинного контекста и больших batch-ей сравнивайте не “скорость модели”, а реальную пропускную способность под вашим профилем трафика.

Чек-лист перед выбором: 1) фиксируйте размер контекста и долю длинных ответов; 2) гоняйте нагрузку с реальными prompt-ами, а не синтетикой; 3) смотрите p50/p95 latency, OOM-поведение и деградацию при росте очереди; 4) проверяйте, как сервер ведёт себя при нескольких моделях на одном узле. Правильный выбор — это не “быстрее на бенче”, а меньше сюрпризов в проде.

Google картинки станут конкурентом Pinterest

Google Картинки начали превращать в полноценную платформу с персональной лентой по прошлым запросам — по сути, в аналог Pinterest.

Во вкладке For you уже тестируют подборки, а ещё обещают коллекции и генерацию изображений во встроенной Nano Banana.

Как это будет работать и когда новинка дойдёт до других стран — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/google-kartinki-stanut-konkurentom-pinterest

🧠 Ещё больше инсайтов → в канале AFF.top