С 8 марта!)

Заселились

Обзор на отель будет чуть попозже, но он прикольный, а пока что активно ботаем рексисы

НТО ИИ слито.

Жаль конечно. Олимпиада по вайбкодингу, которая решается через теорию удачного промпта в кодекс

Но ничего, вернемся сильнее и не на рексисы…

Шейкап на Deep Past Challenge как отдельный вид искусства

А вот и диплом х3)

P. S. Даже при том, что нам сняли 4 балла за загрузку презы не туда

А вот и мое 16-ти летие наступило. Кстати, второй раз уже выигрываю хакатон прям перед своим ДР)

Как я себя ощущаю, когда пытаюсь запустить дообучение LLM локально:

До недавнего времени пользовался только чатом гпт в работе над кодом, буквально никогда не упирался в лимиты при использовании в веб версии. В кодексе почти то же самое - за пол года работы я упирался в лимиты всего пару раз используя чатгпт 5.х на xhigh. Сейчас купил Claude, выбрал опус 4.7 - и уперся в лимит использования еще до того, как 2 запрос успел завершиться...

Если кто-то пользовался и тем, и тем - подскажите, действительно ли есть такая большая разница в качестве кода между чатом гпт 5.5 и опусом 4.7, или это бесполезная трата денег до момента, пока антропик не пофиксит свои проблемы с компьютом? Может, есть какие-то фишки?)

DANO обновили свой регламент и запретили кататься на хакатоны больше 2 раз за учебный год

Максимально забавная тема имхо, люди выбирают готовиться к олимпиаде, дающей БВИ, через участие в буквально ее мини-копии, организуемой теми же самыми людьми, с похожими задачами, выбирающимися теми же составителями, решение которой судятся теми же людьми, что и на олимпиаде - а им запрещают ездить на хакатоны часто)))

И обосновывается это все, вероятно, логикой уровня: «Нууу, если кто-то выиграл больше 1 раза, он забирает у других право перейти сразу во второй этап»

И неважно, что ограничение распространяется не только на тех, кто выигрывал эти самые хакатоны и то, что первый этап проходит без прокторинга, из-за чего победа в хакатоне фактически не дает ничего материального, кроме дополнительного мерча…

Я топ 1 на Градиенте Роста!

+150к, приглашение на ЛШ по андану ФКН НИУ ВШЭ и мерч)

Поразмышляв, я понял, что все таки люблю рексисы.

Как бы я на них не ругался, одна из самых интересных тасок для решения головой)

Как RL Agent от ChatGPT 5.5 с Computer Use проиграл тупому rule-based бейзлайну в ноль (и что я понял про вайбкодинг)

Пока решал Orbit Wars, столкнулся с ситуацией: прочитал дискуссии, увидел, что многие топы советуют RL, и решил сам попробовать его. Сказал агенту: прочитай дискуссии, врайтапы победителей прошлых сорев, сделай рисерч, создай план имплементации и потом реализуй. После препроцессинга данных и самого трейнинга увидел ситуацию: винрейт у RL агента по сравнению с rule-based бейзлайном 0%. Агент не выиграл ни одной игры против бейза.

Тогда я стал спрашивать у модели - как именно она делала препроцессинг данных, в чем заключался тренировочный процесс, что именно агент обучался предсказывать, какими были условия валидации, сколько параметров была модель?

И поймал главную проблему с первой же строчки: Модель обучалась не выбирать действия/цепочку действий, что максимизируют суммарную награду, а буквально смотрела, какие действия чаще всего предпринимают агенты и училась их копировать. Вообще без информации о том, какая награда была получена за совершения этого действия.

В соревновательной задаче нам нужно не просто сделать агента, который “похоже играет”. Нам нужно сделать агента, который выигрывает чаще других. А если модель просто учится копировать действия из прошлых игр, не зная, чем эти действия закончились - победой, поражением или полной катастрофой через 20 ходов - то она оптимизирует вообще не победу. Она учится быть похожей на среднее поведение из датасета. Это примерно как дообучать модель на ответах людей, не зная, какие ответы были правильными, а какие нет.

На выходе ты получаешь не “лучшего игрока”, а усредненную имитацию игроков, которые были в данных. И в multi-agent игре это особенно плохая стратегия. В 2 players-матче половина траекторий по определению проигрышные, в 4-players - уже три четверти игроков не занимают первое место. При этом модель без информации об исходе не понимает, какие действия были частью выигрышной стратегии, а какие - частью проигрышной. Она просто видит: “в такой ситуации часто делали вот так”. Поэтому у такой модели нет нормального механизма стать сильнее датасета. В лучшем случае она выучит моду действий. В худшем - кашу из несовместимых стратегий. А против rule-based baseline, у которого хотя бы есть цельная логика игры, такая политика вполне ожидаемо может получить 0% winrate.

И агент - не какая-то локальная гемма на 4 миллиарда параметров через OpenClaw/Hermes и даже не легкая проприетарная Sonnet 4.6 - это ChatGPT 5.5 на xhigh в Codex с плагинами типа Superpowers и подключенным Browser + Computer Use. На соревнованиях у тебя есть лидерборд - даже если его иногда можно ликануть, он дает ориентир. В реальной работе его нет. И здесь все еще требуются люди-эксперты, чтобы оценить, работает ли модель на самом деле