Поставил себе осьминога (claude-octopus) - он позволяет подключать к клод-коду по подписке chatGPT и Gemini. Теперь устраиваю споры между моделями в одной беседе с клодом, не перескакивая из одного окна терминала в другое. То, что нужно

https://github.com/nyldn/claude-octopus?tab=contributing-ov-file

Установил себе OpenClaw, благо mac mini есть у меня )) работает на gpt-5.3-codex. С установкой плясал часа три, из-за всяких прокси, так и не дожал, но оставил Клода на ночь - и вот, с утра все работает ))

По первым ощущениям очень даже прикольно

Ко всему прочему, это еще и токенов кучу ест. Один большой запрос со всех точек зрения лучше кучи маленьких

https://t.me/machinelearning_interview/2579

Я этот сервис, кстати, пользую активно. Поставил, забыл, но когда Клод код начал регулярно лазить в память прошлых разговоров, вспомнил - у меня же теперь работает Claude-mem. Очень незаметно, но очень полезно. Рекомендую

https://t.me/data_analysis_ml/4780

Как обычно, и пары дней не прошло после выпуска Claude code диктовки голосом, как то же самое сделали OpenAI в Codex. Навайбкодили - 100%

Гм. Я-то писал собственного агента-эвалюэйтора, но, видимо, пора переходить на стандартного.

Вот управление контекстом кажется мне ключом к большой оптимизации. Когда начинаешь думать о том, что каждый вопрос к модели - для нее «с нуля», разве что части информации - в кэше, начинаешь задавать меньше вопросов (но более подробные), очищать диалоги, и тд, и тп. посмотрим, что предлагают оптимизаторы..

https://t.me/data_analysis_ml/4788

Сейчас все только этим и занимаются.. ну, я, по крайней мере. Посмотрим, что за штука

https://t.me/tips_ai/4610

Google собрал все сервисы в одном терминале

https://github.com/googleworkspace/cli

Продажа биологических компьютеров.. жесть, но круто же!

https://t.me/ai_machinelearning_big_data/9627

Вот те раз, ждать ждали, но не так быстро. У меня мой OpenClaw на 5.3 сидит, буду апгрейдить, но он мне пока прогу допиливает. Вообще, впечатления и от GPT-5.3, и от OpenClaw самые положительные, скорее бы выпускали тариф на 100 баксов, пошел бы брать.,

Народ строит ВПН для нейронок - смысл в том, чтобы поставить между вами и нейронками слой, который делает запрос анонимным и не позволяет по нему вас идентифицировать. Стоит только пожелать удачи такому проекту

Проблемам тем, что Клоду постоянно нужно одобрять действия есть, тот же Codex в разы меньше разрешений при программировании запрашивает, чем Claude code. Я ее в целом решил настройкой запросов в settings.json, но всегда лучше, когда есть системное решение

вот это я понимаю - искусственный интеллект!

https://t.me/dealerAI/1719

То-то мы не видим новых релизов от DeepSeek.. но все-таки как-то это неправильно, втихаря обновляться

https://t.me/machinelearning_interview/2595

⚡️ Андрей Карпаты выложил минимальный репозиторий Autoresearch - систему, где AI сам проводит исследования.

Это упрощённая версия ядра обучения LLM из nanoGPT/nanochat:
весь код обучения помещается в один файл (~630 строк) и работает на одной GPU.

Как это устроено:

- человек редактирует prompt (.md)
- AI-агент автоматически меняет training code (.py)

Дальше начинается цикл автономных экспериментов.

Каждая точка на графике — полный запуск обучения LLM (~5 минут).

AI-агент работает в бесконечном цикле:

- создаёт git-ветку
- меняет архитектуру модели
- подбирает optimizer
- оптимизирует гиперпараметры
- запускает обучение
- коммитит улучшения

Если validation loss становится ниже, изменение сохраняется.

Фактически агент сам оптимизирует собственный код обучения и постепенно улучшает модель.

Можно запускать несколько агентов с разными промптами и сравнивать, кто быстрее двигает исследование.

Карпаты шутит, что раньше AI-исследования делали люди между:

- едой
- сном
- митингами

Теперь же исследования могут выполнять рои автономных AI-агентов, которые бесконечно гоняют эксперименты на кластерах.

GitHub: github.com/karpathy/autoresearch

🎯Полезные Мл-ресурсы 🚀 Max

@data_analysis_ml

А кто-то еще себе поставил OpenClaw?

https://t.me/denissexy/11273

Эндрю Нг (профессор Станфорда, который радует нас бесконечным количеством обучающих материалов по ИИ) сделал репозиторий для агентов, чтобы они подхватывали актуальные API и документацию. Еще один маленький шажок в сторону ненавязчивой тотальной автоматизации

Глыба современного ИИстроения Андрей Карпаты продолжает эксперименты - сначала написал nanochat - минимальную GPT, которая обучается до уровня GPT-2. Теперь сделал среду, в которой агент учится совершениюствовать модель и обучение. Сейчас рекордное время обучение сети до состояния GPT-2 составило 1,8 часа. Воистину, возможности думающего человека безграничны

Немного не по теме, но не могу не поделиться - лучший репозиторий прошлой недели. Хотите видеть сквозь стены?

RuView — это open-source edge AI система, которая «видит» людей через стены, используя только WiFi-сигналы. Без камер, без носимых устройств, без интернета.
Суть технологии:
WiFi-роутер заполняет комнату радиоволнами. Когда человек двигается (или даже дышит), волны рассеиваются по-другому. RuView анализирует эти изменения через CSI (Channel State Information) — поканальные данные об амплитуде и фазе сигнала — и восстанавливает позу тела, частоту дыхания и пульс в реальном времени.
Что умеет:
Оценка позы — 17 точек тела (как COCO keypoints) из WiFi-сигнала, 54K fps на Rust
Витальные показатели — дыхание (6–30 вдохов/мин), пульс (40–120 уд/мин) бесконтактно
Сквозь стены — WiFi проходит через стены, мебель, завалы (до 5 м)
Многопользовательское отслеживание — несколько человек одновременно, без путаницы ID
Самообучение — модель учится на сырых WiFi-данных без камер и разметки (ADR-024)
Железо:
Основной вариант — mesh из 3–6 ESP32-S3 (~$8–54 за комплект) + обычный WiFi-роутер
Альтернатива — Intel 5300 / Atheros AR9580 (исследовательские NIC)
Без CSI-оборудования — только грубое определение присутствия по RSSI
Стек:
Основной runtime — Rust (810x быстрее Python-версии), 15 crate'ов на crates.io
65 edge-модулей (WASM, no_std Rust, 5–30 KB каждый) — от апноэ сна до детекции дождя
Docker-образы для быстрого старта: docker run -p 3000:3000 ruvnet/wifi-densepose:latest
Прошивка ESP32 на C (CSI collector + TDM mesh протокол)
Web UI — Three.js визуализация в реальном времени
Применения: уход за пожилыми (падения, дыхание ночью), больничный мониторинг, ритейл (поток/очереди без камер), умный дом (присутствие через стены), спасательные операции (поиск выживших в завалах), промышленная безопасность, робототехника.
Статус: 32.9K звёзд, 274 коммита, 1300+ тестов, MIT-лицензия. Проект основан на академической работе Carnegie Mellon DensePose From WiFi и расширен до практической edge-системы.
По сути, это превращение обычного WiFi в «рентген для движения» — приватно (нет видео), дёшево (ESP32 за копейки) и автономно (без облака).