Используем ИИшки без палева

GPTDisguise - расширение Chrome, которое меняет Web интерфейс ChatGPT или Claude превращая их в Google Doc.

Плагин позволяет пользователям вводить вопросы как бы непосредственно в документ, а ответ ИИ появляется на той же странице.

Расширение предлагает различные темы, включая стили Microsoft Word и Notion, и поддерживает несколько моделей искусственного интеллекта.

Chrome Webstore

#chrome #gptdisguise
------
@tsingular

OpenRouter запустил Fusion - систему, где на один запрос отвечает не одна модель, а сразу несколько

Суть в том, что Fusion отправляет ваш промпт параллельно в разные модели. Каждая модель пытается решить задачу по-своему, при необходимости использует web search и bash-инструменты, а затем отдельный judge сравнивает ответы. После этого synthesizer собирает финальный вариант.

Получается не просто «выбор лучшей модели», а полноценная серверная схема коллективного мышления:

* несколько моделей работают одновременно;
* инструменты помогают проверять факты и считать;
* judge отбрасывает слабые ответы;
* synthesizer собирает итоговый результат в один связный ответ.

OpenRouter утверждает, что Fusion уже обходит frontier-модели на DRACO, deep research benchmark от Perplexity.

https://openrouter.ai/fusion

@machinelearning_ru

🇧🇷 Мэрия Рио-де-Жанейро (через свою муниципальную ит-компанию IplanRIO) только что выпустила модель под названием Rio 3.5 Open 397B

Модель с 397 миллиардами параметров (MoE), основанная на Qwen 3.5, с полностью открытой лицензией MIT, которая превосходит свою базовую модель и конкурирует с лучшими frontier в задачах программирования и агентного кодирования.

https://huggingface.co/prefeitura-rio/Rio-3.5-Open-397B

На планете есть страны, где запрещают школьникам использовать соцсети и мобильные устройства и есть Китай :)

#юмор
———
@tsingular

Все-таки "Вовка в тридевятом царстве" гениальный во всех отношениях мультик был.

- вы что и отдыхать за меня будете?
- ага!

#юмор #Unitree #роботы
———
@tsingular

GenAI.mil Пентагона: 1,5 млн пользователей за полгода на Google Gemini

Шесть месяцев назад у платформы GenAI.mil было 80 тысяч пользователей. Сейчас — 1,5 миллиона в сутки, почти половина из 3,5 млн сотрудников DoW.

Запустились в декабре 2025-го, но настоящий рост начался когда подключили Google Gemini для работы на незасекреченных сетях.
После этого добавили OpenAI ChatGPT и xAI Grok в единый портал.

🔧 Агенты как новая оргструктура: За пять недель апреля 2026-го военные собрали более 100 000 полуавтономных агентов через Gemini Agent Designer.
Уровень Impact Level 5 — высший для несекретных чувствительных данных.
Агенты готовят отчёты по итогам операций, анализируют данные, разбирают изображения. Такая уже vibe-coded армия.

⚙️ Где ИИ работает сейчас: Черновики должностных инструкций, протоколы совещаний, бюджетные таблицы.
Главная экономия времени возникает в подготовке отчетов для конгресса: задача, которая требовала 200 человеко-часов, теперь укладывается в 5 часов.

🪖 Не только для офиса: Планы на FY27 — $54,6 млрд на Defence Autonomous Warfare Group (DAWG), против $225 млн в FY26.
Рост в 240 раз.
Это самостоятельный поток, отдельный от обычной закупки ИИ. Внутри него — дроны, автономия и боевая интеграция.

⚔️ Терки с вендорами: 580 сотрудников Google, включая senior-исследователей DeepMind, в апреле подписали письмо Пичаи с требованием отказаться от закрытых военных контрактов.
Аргумент, - Google не может контролировать как используют ИИ если сети закрыты.
Письмо не помогло: у Пентагона уже семь закрытых контрактов с ИИ провайдерами (Google, Microsoft, NVIDIA, OpenAI, Anthropic, xAI, …), и условия в них не содержат оговорок, форсирование которых довело Anthropic до исключения из доверенных поставщиков.

#GenAI #Pentagon #DoW #Gemini #OpenAI #xAI
──────
@tsingular

Qwen выходит в робототехнику.

Команда представила Qwen-RobotManip. Это Vision-Language-Action модель для управления роботами, построенная на базе Qwen-VL.

Главная идея: научить модель не просто «понимать картинку», а связывать сразу три уровня:

* что робот видит
* как он должен двигаться
* какое поведение нужно для выполнения задачи

Для этого в Qwen-RobotManip сделали unified alignment framework по representation, motion и behavior. То есть данные из разных источников не конфликтуют между собой, а приводятся к единой логике обучения.

Особенно интересно, что модель обучали только на открытых датасетах robotic manipulation и видео с человеческими демонстрациями. Без закрытого сбора проприетарных данных.

В итоге собрали корпус примерно на 38 100 часов pretraining-данных.

Уже сейчас Qwen-RobotManip показывает emergent generalization: модель начинает переносить навыки на новые объекты, сцены и задачи, а не просто повторять заученные траектории.

Блог Qwen-RobotManip:

https://qwen.ai/blog?id=qwen-robotmanip

Не, ну это гениально :)

Плагин использует веб-камеру и Mediapipe для точного подсчёта повторов упражнений.

Запускает промпт только после завершения повторений, а незавершённые повторения сохраняются в качестве долга для следующей сессии.

Предлагает различные пресеты и триггеры, а также отслеживает статистику.

https://github.com/BotchetDig/workout-gate

#навыки #claudecode #workout
------
@tsingular

📖 The New SDLC with Vibe Coding — свежий whitepaper от Google

Основная мысль: программирование превращается в задачу по корректному формулированию намерения.
Разработчик говорит что нужно сделать, машина решает, - как.

Ключевые идеи:

🔄 Спектр: вайб-кодинг → агентная инженерия. Вайб-кодинг — это «написал промпт, принял что дали, сломалось — скопипастил ошибку обратно».
Агентная инженерия — это спецификации, тесты, гардрейлы, оценка траектории, человеческий надзор.
Разница не в инструментах, а в дисциплине.

🧠 Контекстная инженерия — ключевой навык. Качество кода зависит не от сложности промпта, а от качества контекста: AGENTS.md, файлы правил, память, навыки, RAG.
Статический контекст vs динамический — это инженерный компромисс, который надо версионировать как код.

⚙️ Модель — лишь двигатель. Харнес — вся остальная машина (ближайшее по смыслу слово, - обвязка, если кому не знаком термин).
Промпты, инструменты, песочницы, хуки, оркестрация, наблюдаемость — это и есть харнес.
На Terminal Bench 2.0 команда подняла агента из-за пределов топ-30 в топ-5, поменяв только харнес, без смены модели.

🎭 Дирижёр и оркестратор — две роли разработчика. Дирижёр работает в IDE, контролирует каждую строку. Оркестратор ставит цели, делегирует агентам, проверяет результат.
Режим зависит от задачи, а не от «лестницы автономности».

⚠️ Проблема 80%. Агент пишет 80% кода за минуты, но оставшиеся 20% — граничные случаи, обработка ошибок, интеграция — требуют глубокого контекста.
Ошибки выросли от синтаксических к концептуальным: код «выглядит правильно», но содержит незаметные архитектурные дефекты.

💰 Экономика: низкий CapEx, высокий OpEx у вайб-кодинга. Подписка на ИИ-ассистента стоит копейки, но токены сжигаются в бесконечных «промпт-петлях», а техдолг от неструктурированного кода копится экспоненциально.
Агентная инженерия — высокий CapEx (проектирование спецификаций, тестов, контекста), зато OpEx резко падает.

🏭 Фабричная модель.
Разработчик проектирует не код, а систему, которая производит код.
Как менеджер завода проектирует сборочную линию, а не собирает каждую деталь вручную!!!

Практические рекомендации:
- Заведите AGENTS.md (10 строк: стек, соглашения, жёсткие правила, воркфлоу)
- Пишите тесты и эвалы до генерации кода — это ваш контракт с ИИ
- Различайте прототипирование (вайб-кодинг) и продакшен (агентная инженерия) явно
- Инвестируйте в харнес как в общий актив команды
- ИИ умножает вашу инженерную культуру — и сильные, и слабые стороны

Книга на английском в комментарии

Перевод на русский выложил в ИИзбранном

#ai #vibecoding #sdlc #google #dev
———
@tsingular

Google Cloud представила Open Knowledge Format: “agentic skills”, но для данных и корпоративного контекста

Google Cloud представила Open Knowledge Format (OKF) — открытый формат для хранения знаний для AI-агентов.

Такой вариант смеси wiki памяти от Карпатого и агентских навыков.
Только если в навыках описывается как агенту выполнять задачу, то OKF описывает, что агенту нужно знать о данных, метриках, таблицах, API и процессах.

Проблема, которую они решают: знания в компаниях разбросаны по каталогам, wiki, Google Drive, комментариям в коде и головам старших инженеров.

Поэтому каждый AI-агент заново собирает контекст: что означает метрика, как джойнить таблицы, где актуальный runbook, какие API устарели.

OKF предлагает хранить знания как папку с Markdown-файлами и YAML-метаданными.
Один файл = один концепт: таблица, датасет, метрика, API или runbook.
Связи между ними задаются обычными markdown-ссылками, превращая папку в граф знаний, понятный и людям, и агентам.

Почему это важно:
• знания можно версионировать рядом с кодом
• их можно читать в любом редакторе или на GitHub
• AI-агенты могут использовать один и тот же формат без кастомных интеграций
• формат не привязан к Google Cloud, BigQuery или конкретной LLM
• команды могут постепенно превращать внутреннюю экспертизу в переносимую “живую wiki”

#Google #навыки #OKF
———
@tsingular

#юмор #fail
———
@tsingular

не, ну то всё шутки были, вот нормальное руководство нашел.

#юмор
———
@tsingular

🤖 Автономный ИИ в промышленности: реальные примеры

Автономное принятие решений в промышленности — это уже не футуристическая концепция, а активно развивающаяся реальность. Переход от рекомендательных систем к агентным ИИ является ключевым трендом, который обещает повысить эффективность производств за счёт сокращения простоев и оптимизации ресурсов. Рассмотрим этот процесс на примерах из химической и нефтехимической промышленности — сектора, где цена ошибки особенно высока.

🏭 Sinopec и промышленный ИИ-агент «Фэнхо»

В мае 2026 года китайский нефтехимический гигант Sinopec представил промышленного ИИ-агента «Фэнхо» — первое в отрасли решение, которое превращает искусственный интеллект в полноценного «цифрового сотрудника» по версии компании.

Что умеет «Фэнхо»:

Агент построен на базе собственной большой языковой модели Sinopec «Великая стена» и способен выполнять три ключевые функции:

▪️ Анализ производственных данных и взаимодействие с промышленным ПО. Агент работает с симуляционными и технологическими системами, выполняя инженерные расчёты.

▪️ Глубокое накопление знаний. В систему интегрировано более миллиарда экспертных наблюдений и единиц накопленного опыта, по заявлению компании, что позволяет ей выполнять задачи с уровнем компетенции опытного специалиста.

▪️ Автономное выполнение длительных задач. «Фэнхо» способен самостоятельно декомпозировать многоэтапные промышленные процессы на подзадачи и стабильно выполнять их в течение нескольких часов без вмешательства человека.

Как это выглядит на практике:

Агент развёрнут в четырёх ролях: «Учёный», «Инженер», «Программист» и «Ассистент». Первые две роли — ключевые для производства. Они автономно проводят динамический анализ разработки месторождений и оптимизируют процессы нефтепереработки, дополняя специалистов на трудоёмких инженерных и аналитических задачах. Важно, что это инженерный и аналитический контур, а не контур регулирования технологическим процессом.

🧪 Завод «Ваньхуа»: предиктивный контур, а не автономное управление

Китайский химический концерн Wanhua Chemical совместно с Huawei развернул ИИ на площадке в Яньтае, где эксплуатируется более 30 тысяч единиц оборудования. По данным Huawei, представленным на HUAWEI CONNECT 2025, на базе модели Pangu выстроено несколько контуров.

▪️ Предиктивное обслуживание более 2 тысяч ключевых единиц оборудования с точностью прогноза выше 90 процентов.

▪️ Система диагностики отказов на инференс-модели Pangu, сократившая время ручного обхода и инспекций на 20 процентов.

▪️ Агент проверки текстов стандартных операционных процедур, поднявший эффективность проверки более чем на 50 процентов.

Принципиально, что это контур предиктивной аналитики, диагностики и оптимизации режима, а не контур регулирования. ИИ выявляет аномалии, даёт ранние предупреждения и рекомендации по технологическому режиму, обеспечивая переход от реактивного обслуживания к проактивному. Исполнение и быстрые контуры остаются за штатными системами управления.

📌 Что это значит для отрасли

Оба примера показывают, что автономный ИИ в нефтехимии перешёл из лабораторий на реальные производства. Ключевые выводы:

▪️ ИИ становится «коллегой», а не просто инструментом. Он берёт на себя задачи, требующие глубоких знаний и длительного анализа.

▪️ Экономический эффект от внедрения выражается приростом эффективности и снижением издержек на обслуживание.

▪️ Оба внедрения работают на уровне инженерии, оптимизации и диагностики, на горизонте минут и часов. Контур регулирования и исполнение остаются за детерминированными системами управления.

📚 Источники

https://technode.com/2026/05/26/sinopec-launches-industrial-ai-agent-to-empower-oil-and-chemical-operations/

https://www.sinopec.com/listco/en/news/business_news/20260526/news_20260526_484911985116.shtml

https://e.huawei.com/my/blogs/2025/industries/oil-gas/build-smart-wanhua-chemical

https://e.huawei.com/en/industries/industrial-networking/wanhua-chemical-case

#AI #Industrial

—

🌐 Highload & Mission Critical

Google Genie3 теперь может генерить виртуальное окружение на базе streetview из Google maps.

Доступно подписчикам плана Ultra

GTA можно опять переносить :)

#Google #Genie #AR #VR
------
@tsingular

Чёрное зеркало - трекер прогресса

Кто-то должен был это сделать рано или поздно, поэтому держите.

Разобрал каждую серию сериала Чёрное зеркало, убрал описания сюжета, чтобы особо не спойлерить, вытащил ключевые технологии каждой серии и по каждой нарыл новости, подтверждающие наличие технологии в нашем мире.

изучать тут:
https://www.tsingular.ru/blackmirror/

Предложения по доработке приветствуются

#blackmirror #сайт #dev
———
@tsingular