Радуга земного притяжения
marsh-nalog-na-odnovremennost.md
Главлит (Главное управление по делам литературы и издательств, 1922) сделал фильтр тотальным: предварительному просмотру подлежало всё, от романа до этикетки.
А там, где чужой сигнал шёл поверх границы, его глушили: сотни передатчиков работали не на трансляцию, а на шум - государство производило тишину в промышленных объёмах и платило за неё как за вещание.
А там, где чужой сигнал шёл поверх границы, его глушили: сотни передатчиков работали не на трансляцию, а на шум - государство производило тишину в промышленных объёмах и платило за неё как за вещание.
Пишу диссертацию по ИИ в энергетике, нужно проводить много экспериментов, автоматически генерируя гипотезы и проверяя их на свежеобученных моделях, весь цикл довольно трудоемкий и долгий, если делать его руками, поэтому всегда ищу способы хоть что-то делегировать машине, и вот появился повод:
Проверил заявленный агентский луп https://t.me/abstractDL/432 - уроборос, на бенчах он показывает результаты лучше чем у клода, кодекса, но так как я перманентно готовлюсь к чебурнету, было важно опробовать решение тех задач на локальных онпрем моделях, доступных на HF, которые можно крутить у себя от 96 до 192 гб VRAM.
Поначалу затестил qwen3 coder 30b - результат печальный, час работы blackwell в мусорку.
Делегировал задачу фабле, у меня 4 ТБ моделей, пусть пробует все по очереди и сравнивает с эталоном (с собой), клод решил выбрать одну лучшую из предлагаемых и пошел тестить qwen36-27b:q8_0 (think).
Как итог: жизнь локальных агентов дома возможна, следующим шагом буду тестить самый жирный агентский qwen, когда докачается 80 гб (Qwen3-Coder-Next 80B MoE, 256K контекста, №1 на SWE-rebench среди локальных)
Проверил заявленный агентский луп https://t.me/abstractDL/432 - уроборос, на бенчах он показывает результаты лучше чем у клода, кодекса, но так как я перманентно готовлюсь к чебурнету, было важно опробовать решение тех задач на локальных онпрем моделях, доступных на HF, которые можно крутить у себя от 96 до 192 гб VRAM.
Поначалу затестил qwen3 coder 30b - результат печальный, час работы blackwell в мусорку.
Делегировал задачу фабле, у меня 4 ТБ моделей, пусть пробует все по очереди и сравнивает с эталоном (с собой), клод решил выбрать одну лучшую из предлагаемых и пошел тестить qwen36-27b:q8_0 (think).
Как итог: жизнь локальных агентов дома возможна, следующим шагом буду тестить самый жирный агентский qwen, когда докачается 80 гб (Qwen3-Coder-Next 80B MoE, 256K контекста, №1 на SWE-rebench среди локальных)
Qwen3.6-27B закрыла задачу за 4 минуты и 6 раундов, все 4 пункта, 17 из 18 чисел — точно в эталон. Отчёт по-русски с таблицей, как просили. Сверка: ввод 5782.76 кВт·ч (эталон 5782.8), все средние/максимумы/энергии по четырём фидерам до сотых, средний остаток 7.28 кВт (эталон 7.3), циклов выдува ровно 117 из 117. Единственное расхождение — средняя длительность цикла (у агента 11.44 мин, у меня 12.32): это не арифметическая ошибка, а разные конвенции учёта незакрытых серий и дыр в минутах
🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
ИИ не создаёт ничего нового, он лишь смешивает увиденное?
Балестриеро, Пезенти и Лекун (авторы работы 2021 года о размерности и обобщении) показали вероятность того, что новая точка окажется внутри выпуклой оболочки (ВО), минимального выпуклого множества, содержащего всю выборку, - падает к нулю с ростом размерности, и чтобы удержать её на разумном уровне, число примеров должно расти экспоненциально по размерности. В двух измерениях сотня точек накрывает почти всё, что вы захотите между ними получить. В сотне измерений сотня триллионов точек не накроет почти ничего.
Ни один сгенерированный кадр не лежит внутри ВО обучающей выборки. Смешивания увиденного не происходит, потому что смешивать в таком пространстве технически негде: почти всё пространство находится снаружи от всего, что видели.
Естественные изображения не заполняют объемлющее пространство, они лежат на многообразии существенно меньшей размерности; оценки внутренней размерности для датасетов вроде ImageNet дают числа порядка нескольких десятков, а не миллионов. На таком многообразии счёт по объемлющей размерности просто не работает.
Чтобы двигаться по многообразию и оставаться на нём, нужно знать его "физику" - кривизну, то есть знать не примеры, а ограничение, которому примеры подчинялись. Оптика, окклюзия, инерция, походка членистоногого, поведение пламени в воздухе - модель извлекает не изображения кузнечиков, а связи, которым обязаны удовлетворять любые изображения, чтобы быть согласованными.
Выученное ограничение переносимо и оно не спрашивает, существует ли аргумент, к которому оно применяется.
Преломление не знает, что зелёный пластик вставлен в брюшко насекомого - оно знает только показатель.
Модель научилась не тому, как выглядит мир, а тому, чему мир вынужден подчиняться, и с этого момента может применить правило к тому, что миру не принадлежит.
Кинематика кузнечика-зажигалки создана с нуля в том единственном смысле, который здесь имеет значение:
такого сочетания не было ни в одном кадре обучающей выборки, и оно получено не поиском, а выводом из ограничений.
Балестриеро, Пезенти и Лекун (авторы работы 2021 года о размерности и обобщении) показали вероятность того, что новая точка окажется внутри выпуклой оболочки (ВО), минимального выпуклого множества, содержащего всю выборку, - падает к нулю с ростом размерности, и чтобы удержать её на разумном уровне, число примеров должно расти экспоненциально по размерности. В двух измерениях сотня точек накрывает почти всё, что вы захотите между ними получить. В сотне измерений сотня триллионов точек не накроет почти ничего.
Ни один сгенерированный кадр не лежит внутри ВО обучающей выборки. Смешивания увиденного не происходит, потому что смешивать в таком пространстве технически негде: почти всё пространство находится снаружи от всего, что видели.
Естественные изображения не заполняют объемлющее пространство, они лежат на многообразии существенно меньшей размерности; оценки внутренней размерности для датасетов вроде ImageNet дают числа порядка нескольких десятков, а не миллионов. На таком многообразии счёт по объемлющей размерности просто не работает.
Чтобы двигаться по многообразию и оставаться на нём, нужно знать его "физику" - кривизну, то есть знать не примеры, а ограничение, которому примеры подчинялись. Оптика, окклюзия, инерция, походка членистоногого, поведение пламени в воздухе - модель извлекает не изображения кузнечиков, а связи, которым обязаны удовлетворять любые изображения, чтобы быть согласованными.
Выученное ограничение переносимо и оно не спрашивает, существует ли аргумент, к которому оно применяется.
Преломление не знает, что зелёный пластик вставлен в брюшко насекомого - оно знает только показатель.
Модель научилась не тому, как выглядит мир, а тому, чему мир вынужден подчиняться, и с этого момента может применить правило к тому, что миру не принадлежит.
Кинематика кузнечика-зажигалки создана с нуля в том единственном смысле, который здесь имеет значение:
такого сочетания не было ни в одном кадре обучающей выборки, и оно получено не поиском, а выводом из ограничений.
Радуга земного притяжения
кстати отличный фильм "Her"
This media is not supported in your browser
VIEW IN TELEGRAM
Я буду сейчас устанавливать все игры! (c)
Наличие собственных GPU в 2026 это база для выживания и развития как специалиста. Никаких облаков, только онпрем, только хардкор
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
Ну что, мальчики, астрологи объявили открытые веса, количество нейрослопа увеличится в 3 раза
This media is not supported in your browser
VIEW IN TELEGRAM
#Альфа
После перерыва снова взял гирю (на видео рандомный мастер спорта из интернета) и понял, что хочу видеть прогресс по цифрами, только без датчиков за 30 тысяч.
Парадигма в том, что всё должно считаться локально:
скелет 2D/3D и автоматический счёт повторов;
находит саму гирю в кадре и рисует её траекторию;
скорость снаряда в м/с и мощность в ваттах - по физике, масса * (g + ускорение) * скорость;
сам определяет упражнение: рывок, толчок, мах;
кривая усталости - как меняется скорость от повтора к повтору;
мелочи техники, которые глазом не поймать: отрыв пяток с точностью до сантиметра.
После перерыва снова взял гирю (на видео рандомный мастер спорта из интернета) и понял, что хочу видеть прогресс по цифрами, только без датчиков за 30 тысяч.
Парадигма в том, что всё должно считаться локально:
скелет 2D/3D и автоматический счёт повторов;
находит саму гирю в кадре и рисует её траекторию;
скорость снаряда в м/с и мощность в ваттах - по физике, масса * (g + ускорение) * скорость;
сам определяет упражнение: рывок, толчок, мах;
кривая усталости - как меняется скорость от повтора к повтору;
мелочи техники, которые глазом не поймать: отрыв пяток с точностью до сантиметра.
Три машины "сюрприза"
Память.
Самое сильное «вау» в ассистенте - когда он помнит то, что вы не повторяли.
Это положительная ошибка предсказания по оси «он знает меня», и она не упирается в качество модели.
Она масштабируется отдельно и обновляется каждый раз, когда всплывает нужный контекст.
Инициатива.
Ассистент, который сам замечает и предлагает - производит "сюрприз" структурно, а не разово.
Но здесь опасная грань - непрошенная инициатива, которая промахнулась, даёт отрицательную ошибку предсказания и раздражает сильнее, чем радует удачная.
Порог точности для проактивности намного выше, чем для реактивности.
Превышение в намерении.
Пользователь просит одно, получает то, что просил, плюс закрытие того, о чём не подумал.
Это то, что в человеческих отношениях называется «понял с полуслова», и это самый недооценённый источник привязки в ассистентах.
Память.
Самое сильное «вау» в ассистенте - когда он помнит то, что вы не повторяли.
Это положительная ошибка предсказания по оси «он знает меня», и она не упирается в качество модели.
Она масштабируется отдельно и обновляется каждый раз, когда всплывает нужный контекст.
Инициатива.
Ассистент, который сам замечает и предлагает - производит "сюрприз" структурно, а не разово.
Но здесь опасная грань - непрошенная инициатива, которая промахнулась, даёт отрицательную ошибку предсказания и раздражает сильнее, чем радует удачная.
Порог точности для проактивности намного выше, чем для реактивности.
Превышение в намерении.
Пользователь просит одно, получает то, что просил, плюс закрытие того, о чём не подумал.
Это то, что в человеческих отношениях называется «понял с полуслова», и это самый недооценённый источник привязки в ассистентах.
This media is not supported in your browser
VIEW IN TELEGRAM
Надоело каждый раз сидеть у компа и ждать окончания рутинных операций, прикрутил фичу-суфлера, которая озвучивает важные вехи из очереди задач и результатов переобучения моделей по расписанию, удобно.
🔥1
Доказательством AGI будет первый киберсуицид совершенный роботом, который пришел на замену человеческому труду.
🤯1
This media is not supported in your browser
VIEW IN TELEGRAM
Сам себе режиссер #minimax