Подняли тут вопрос на тему, а как вообще внедрять ИИ, - какие есть методологии для сценариев когда ещё не все процессы оцифрованы?

Я предложил посмотреть на крупных международных вендоров, которые глобально лидируют эту тему в части внедрений, что они используют и в итоге собрал приличный такой обзор в формате презентации.

Что получилось:
📊 Microsoft (где искать): улучшать по журналам событий из ИТ-систем, а не по интервью. В собственном кейсе карта процесса показала 20% переделок, а цикл рассчитывают сократить с 12 до 8 недель. Слабое место, - процесс обязательно должен оставлять цифровой след.

🧠 AWS (почему не внедряется): первая версия их сессий раз за разом упиралась во фразу «здесь нужен человек».
Подход пересобрали: начинают с сильных сторон команды, и участники сами решают, что отдать агенту, а что развить.
Оценка сессий выросла до 5.0 из 5.
Слабое место, - версии всего два месяца, а оценки ставят сами участники без внешней перепроверки.

💡 OpenAI (что делать первым): сотрудники сами находят задачи по трём признакам боли и шести примитивам.
Дальше идеи раскладывают по матрице «ценность против усилий» и пересматривают раз в квартал.
Слабое место, - без порядка в данных всё застревает на личных ассистентах.

🎯 Anthropic (когда пилот удался): пороги выпуска пилота записываются до старта, каждый успех оформляется в плейбук.
Слабое место, - нужны данные в нужном формате и права на их использование.

🧭 Google (готовы ли мы): самооценка по 6 темам и 3 фазам зрелости. Почти все начинают с первой фазы, и совет здесь один, - сначала данные, потом кейсы.

Главные выводы:
Внедрение ИИ, - это не проект, а цикл: оценить зрелость, найти точки по фактам, выбрать 2–3 пилота, выпустить их по заранее записанным порогам и следить за результатом.

И главный барьер тут не технологии, а люди.
Решение о передаче работы агенту должны принимать сами сотрудники, и у каждой такой передачи должен быть владелец.

Все пять компаний движутся от «ИИ помогает в задаче» к «агент выполняет все шаги процесса».

Понятно, что нужно детальнее погружаться в исходники на порталах вендоров, но для понимания на верхнем уровне вполне интересно.

Полная презентация в ИИзбранном, - обсудим в прямом эфире там же.

#презентации #руководства #методологии #вендоры
———
@tsingular

Colab CLI: A100 из терминала по цене двух кофе

Google тихо сделал то, чего все ждали: подписка Google AI Pro теперь включает Colab. 200 compute units в месяц, и через новый CLI их можно тратить прямо из терминала, без браузера и вкладки с ноутбуком.
Или, что интереснее нам,- напрямую отдать в распоряжение ИИ агенту.

⚙️ Что умеет:
- поднимает CPU, GPU (T4, L4, H100, A100) и TPU за секунды
- colab exec -f script.py выполняет локальный файл на облачном GPU, код шлётся прямо в кернел
- colab download забирает веса модели или логи обратно на машину
- colab run запускает эфемерную джобу: поднял VM, выполнил скрипт, погасил, одной командой
- есть агентский режим: shebang со встроенным colab run, скрипт сам просит себе GPU

💡 Математика халявы:
Например A100 40GB ест 5.30 CU/час, версия 80GB с High-RAM, 6.77 CU/час. Делим 200 CU на ставку и получаем 30-37 часов A100 в месяц. При региональной цене Pro в 2 евро час A100 выходит примерно в 7 центов. Облачные цены Google на эту же железку: от $3.52/час.

💼 Почему это важно:
Раньше Colab был вкладкой браузера для студентов. Теперь это CLI-инфраструктура для агентов: Antigravity, Claude Code и Codex могут сами поднимать GPU, гонять файнтюн и забирать веса. Личный облачный ускоритель по цене подписки, для маленьких моделей и экспериментов этого хватит с головой.

📺 Проверил вживую перед постом: сессия A100 поднялась за 4 секунды, matmul 4096³×50 прогнался за полсекунды, 12.2 TFLOPS. Единственное правило: не забудь colab stop, ставка капает даже в простое.

#Colab #GoogleAI #GPU #CLI #агенты
———
@tsingular

ASD-STE100 - техническое упрощение как навык для агента

По следам поста Андрея Карпатого (https://x.com/karpathy/status/2105819303471976479)

STE(Simplified Technical English) помогает техническим писателям писать ясно, просто и однозначно, чтобы их тексты понимали читатели по всему миру.

Есть его подвид - ASD-STE100 для авиакосмической отрасли.
Решил сделать по нему свой вариант навыка.

Проверяет текст по чек-листу: длина предложений, залог, пунктуация, термины. Он заменяет сложные слова простыми: utilize → use, prior to → before, operable → can operate. Если замена слово в слово не работает, навык перестраивает фразу.

Пишет сообщения об ошибках по паттерну стандарта: уровень риска, команда, причина. Он держит один термин для одного предмета во всём тексте.

Лимиты из стандарта: инструкция до 20 слов, описание до 25, термин до 3 слов, абзац до 6 предложений. Для русского языка навык применяет те же принципы без английского словаря.

Андрей предлагает такие сценарии:

Текст. Попросите LLM объяснить что-то на ASD-STE100: это спецификация контролируемого языка, созданная для документации по обслуживанию авиатехники. LLM хорошо её знают, а строгие правила дают чистый и легко читаемый стиль.

Спецификация жёсткая, поэтому иногда помогает смягчить запрос, например: «на 80% в духе ASD-STE100».

диаграммы и
изображения: Вместо текста попросите нарисовать диаграмму. Её проще воспринять и понять.

веб-страницы: Попросите ответ «в HTML» и получите красивую интерактивную страницу. LLM уже хорошо делают фронтенд, анимации и т. п.

видео-объяснения: Самый перспективный формат — полностью кастомные обучающие видео на любую тему. Попробуйте, например: «Сделай видео-объяснение X в стиле 3Blue1Brown, озвучку — через мой API-ключ ElevenLabs». Ключ нужен для озвучки, либо попросите LLM найти бесплатные альтернативы, работающие локально. Это уже начинает получаться!

Итог:
Чем лучше LLM, тем больше рутины они берут на себя, а наша работа смещается на уровень надзора и понимания.
LLM помогают и здесь: интеллект и код становятся всё доступнее, поэтому можно заказывать большие одноразовые артефакты под конкретную задачу (веб-приложения, видео-объяснения), которые раньше не имело смысла создавать.

Оригинальная документация стандарта, текст и навык в ИИзбранном

Публичный открытый навык (не мой):
https://github.com/danyuchn/asd-ste100-skill

#ASD #STE #навыки
———
@tsingular

Termium - браузер в терминале

Интересный открытый проект вышел - полноценный Chromium браузер прямо в вашем терминале.

Работает через headless режим через графический протокол Kitty (Ghostty, Kitty, WezTerm) или sixel (foot, xterm, Windows Terminal) или вообще через цветной ASCII где угодно :).

Установка:

curl -fsSL https://termium.dev/install | bash

Твиттер разработчика

#Termium #браузер
———
@tsingular

Decision 2.0 от vLLM - еще один сверхбыстрый классификатор

Команда vLLM Semantic Router выпустила вторую версию Decision Foundation Models: шесть открытых весов от 0.6B до 27B, которые по скорости уделывают Jev в 20 раз.

⚙️ Что это: модели-решения. Обычная LLM генерирует текст, Decision возвращает типизированные вероятности, причём разная модель делает это по-разному: Choice выбирает опцию из кандидатов, Noul отвечает «да/нет» с вероятностью, Score расставляет оценки по шкале.
Один формат для маршрутизации запроса, проверки политики и оценки срочности.

🤖 Семейство Decision 2.0:
- Kai 0.6B, стартовая точка для маршрутизации,
- Eos 0.8B и Sol 2B, компактные гибриды с контекстом 16k,
- Nox 4B, правила и комбинации условий,
- Lux 9B, сильнейшая открытая в линейке,
- Vega 27B, вошла в мировой топ-3 Jev Decision Index из 71 модели.

📊 Цифры: каждая модель лидирует в своём размере на Jev Decision Index.
До 2,5× выше балл Decision 1.0 при том же размере.
64 вопроса об одном запросе за один проход за 63 мс на одиночном GPU.
И 20× быстрее Jev API на одиночном решении.

🛠 Интеграция: Apache-2.0, загрузка через Transformers, нативная сборка под vLLM Semantic Router.
Формат System One: state, model, questions. До 512 решений в одном батче.

💼 Зачем бизнесу: это слой между интеллектом и действием. Вопрос «пустить тяжёлую модель или лёгкую, эскалировать тикет или нет, срочно или терпит» больше не требует промпта на 500 токенов в GPT-классе.
Решение стоит миллисекунды и копейки, а веса лежат у тебя на диске.

GitHub | HuggingFace

Похоже что такие модели становятся стандартным слоем в каждом агентном стеке, как сегодня эмбеддинги и реранкеры.

Для модераторов, кстати, шикарно - 27млрд модель вполне примет осознанное решение.
Получить ответ по 64-м признакам за 60мс - это прям максимально полезно может быть

#Decision #vllm #llm #ai
———
@tsingular

Llama.cpp тоже добавили поддержку моделей типа SystemOne

https://huggingface.co/blog/ggml-org/decision-models-in-llamacpp

Новый стандарт по факту.

Кстати, что интересно,- есть и модели с глазками:
llama serve -hf ggml-org/OpenJev-GGUF
на базе OpenJev

#llamacpp #systemone
------
@tsingular

LTX бахнули отдельную IC-LoRA Layout to Render для LTX-2.5 22B.

Она весит около 1.31 GB,rank 128 и обучена специально воспринимать 3D viewport/playblast как control signal.

Нейрорендер в действии и опенсорсе.

Заодно лежит готовый двухпроходный ComfyUI workflow:

LTX-2.5_ICLoRA_Layout_To_Render_Two_Stage_Distilled.json

Первый проход - 960x544, 8 steps.
Второй - 1920x1088, ещё 3 steps после x2 latent upscale.

Для запуска нужны базовые distilled-веса LTX-2.5, Gemma 4 12B encoder, video/audio VAE и spatial upscaler. Официальные ComfyUI-ноды и workflows тоже есть.

Что на входе? Плейбласт из Blender, и первый кадр в нужном стиле. Лучше всего брать первый кадр плейбласта и прогонять его через какой-нибудь image-to-image.

У них также есть Alpha Gen, SDR->HDR, Native Resolution, Refine/Restore и Layout to Render, то есть Lightricks явно пытаются застолбить опенсорсную поляну как post-production/VFX toolkit.

Ссылки:

LoRA:
https://huggingface.co/Lightricks/LTX-2.5-22b-IC-LoRA-Layout-To-Render

Файлы LoRA + готовый JSON workflow:
https://huggingface.co/Lightricks/LTX-2.5-22b-IC-LoRA-Layout-To-Render/tree/main

Сам workflow:
https://huggingface.co/Lightricks/LTX-2.5-22b-IC-LoRA-Layout-To-Render/blob/main/LTX-2.5_ICLoRA_Layout_To_Render_Two_Stage_Distilled.json

@cgevent

JevBench: бенч классификаторов в котором умная GPT-5.6 лишь на 14м месте

📋 TypeSafe AI,- стартап экс-исследователя OpenAI Диогу Алмейды, соавтора RLHF, с $40 млн от DCVC, в середине сентября после двух лет скрытой разработки выпустила модель Jev (название отсылает к парадоксу Джевонса: чем дешевле ресурс, тем больше его потребляют). Модель получает состояние и типизированные вопросы, а коду возвращает готовое решение с вероятностями, текст не генерируя вовсе.

За считанные дни вокруг вырос класс открытых аналогов, и у класса появился собственный бенчмарк JevBench: 52 системы, 534 решения, открытые задачи и методика под MIT.

📊 Балл сворачивается из четырёх осей равного веса: интеллект (точность выше угадывания), калибровка (сбывается ли «уверен на 80%» в 80% случаев), скорость и цена за тысячу решений, а не за токены.
Итог считается средним геометрическим, поэтому одна слабая ось топит балл, и точность за деньги уже не выкупишь.

Jev впереди с 74,4. Открытая пересборка SemIf на Qwen3.5-4B отстаёт на 1,3 пункта при почти вдвое меньшей цене, а обычный Qwen3-32B без всякого обучения под решения идёт шестым.
GPT-5.6 Luna показала лучший интеллект рейтинга, 95,3, и лишь 14-е место: 24 цента за тысячу решений против четырёх у Jev.
Реранкеры bge и GTE застряли около нуля.

💼 Для классификации, маршрутизации и оценки внутри продукта, где большая LLM дорога и медленна, это уже рабочий класс моделей: одно решение Jev читает в среднем 950 входных токенов, выходные токены бесплатны.
Открытые пересборки подобрались к оригиналу на 1,3 пункта, так что спор скоро сместится с цены на калибровку и стабильность.

Чёт я не думал, что их уже так много, в том числе открытых бесплатных.

Лицо инвесторов TypeSafe, которые залили в Jev $40 млн неделю назад предствили? :)

📎 GitHub · Документация Jev

#Jev #бенчмарк
———
@tsingular

Ладно, будем считать, что высокие цены на память оправданы.

Нейрорендер, который уже даже интересно смотреть :)

#plants #zombie #нейрорендер
------
@tsingular