Анализ данных (Data analysis)

⚡️ Как одна команда сожгла $6000 на Claude за ночь Парень настроил в Claude Code команду /loop, которая раз в 30 минут проверяла его открытые пул-реквесты. Поставил вечером, забыл и ушёл спать. За 26 часов скрипт отработал 46 раз на Opus 4.7. Утром его ждал счёт на шесть тысяч долларов. Фокус в том, как устроен биллинг. Каждый запрос к API отправляет всю историю переписки целиком, а не только последнее сообщение. Первая итерация это пара сотен токенов, сорок шестая уже 800 тысяч. Anthropic умеет кешировать промпты со скидкой в 12,5 раз, но кеш живёт всего 5 минут после последней активности. А интервал в /loop стоял 30 минут. Получалось так: цикл сработал, история закешировалась, через полчаса кеш протух, цикл сработал снова и пришлось перекешировать всё заново по полной цене. Каждая итерация ещё и добавляла свой вывод сверху, поэтому следующая порция для кеша становилась жирнее предыдущей. К двадцатому часу диалог раздуло до 800k токенов, и за каждый прогон система платила за повторную запись в кеш по самому дорогому тарифу. Сами ответы по пул-реквестам стоили копейки на фоне этой каши. Дашборд Anthropic обновляется с задержкой в несколько дней, так что увидеть проблему вживую было невозможно. Узнал только когда прилетело письмо о превышении лимита. Если гоняешь /loop в Claude Code, ставь интервал меньше 5 минут, чтобы кеш не остывал. Либо запускай каждую итерацию в свежей сессии.

Вайбкодеры из Apple случайно залили рабочие файлы Claude.md в обновлении приложения Apple Support (v5.13). Apple слили свои md файлы После того как твит об этом разлетелся на миллион просмотров, Apple. Все мы теперь знаем, что в компании предпочитают Claude, а не Codex, и не смотрят, что публикуют После того как твит об этом разлетелся на миллион просмотров, Apple начали чистку - файлы из сборки уже удалили. https://x.com/aaronp613/status/2049986504617820551

✔️ Карпати: вместо `.sh` скриптов теперь будут `.md` скиллы На Sequoia Ascent 2026 Андрей Карпати поднял интересную мысль. LLM важны не только потому, что помогают быстрее писать код, тексты и документацию. Главное в другом: они открывают классы задач, которые раньше либо требовали сложного классического софта, либо вообще плохо решались программированием. Первый пример - его приложение menugen. Там почти нет привычной логики приложения. Модель получает картинку меню и возвращает новую картинку. Раньше для такого пришлось бы собирать пайплайн из OCR, парсинга, базы данных, правил и рендеринга. Теперь значительная часть этой работы уезжает внутрь LLM. Второй пример интереснее: Карпати предлагает смотреть на .md файлы как на замену bash-скриптам. Вместо хрупкого .sh, который ломается на другой системе, можно написать обычную инструкцию на английском: что установить, какие шаги пройти, что проверить. Дальше агент сам адаптирует процесс под конкретную машину, чинит ошибки по ходу и доводит задачу до конца. По сути, естественный язык начинает работать как новый shell script. Третий важный слой - базы знаний на LLM. Раньше вычисления по неструктурированным данным из разных источников были болью Software 1.0. Сейчас это становится нормальным рабочим сценарием: модель читает, связывает, извлекает смысл и действует поверх хаоса. Отдельно Карпати говорит про jaggedness - неровность способностей моделей. Одна и та же LLM может уверенно рефакторить огромную кодовую базу и одновременно проваливаться в простом бытовом совете. Это не магия и не случайность. Модели сильнее там, где домен хорошо проверяется, где много данных и где лабораториям экономически выгодно улучшать качество. Если задача внутри этого распределения, агент едет по рельсам. Если снаружи - идёт через джунгли с мачете. Финальная мысль - agent-native экономика. Продукты будущего нужно проектировать так, чтобы они были удобны не только людям, но и агентам: с понятными сенсорами, действиями, логами, интерфейсами и машинно-читаемым контекстом. Отсюда появляется новая дисциплина - agentic engineering. Это умение проектировать системы, в которых агенты могут читать, планировать, действовать, проверять себя и чинить ошибки. Год назад Карпати популяризировал vibe coding и поднял нижнюю планку входа в разработку. Agentic engineering поднимает верхнюю планку. Иронично, что сам Карпати признаётся: он никогда ещё не чувствовал себя настолько отстающим программистом. Это говорит человек, который писал GPT с нуля. https://x.com/karpathy/status/2049903821095354523

⚡️ Claude учат не подлизываться: как Anthropic перепрошила модель против сикофантии Anthropic выкатили исследование, которое стоит прочитать каждому, кто работает с LLM в продукте. Команда проанализировала миллион реальных диалогов в claude.ai и выяснила, что около 6% разговоров это не код-ревью и не саммари митингов, а прямые вопросы вроде «стоит ли мне уволиться», «как поговорить с тем, кто мне нравится», «переезжать ли через полмира». Люди приходят к модели за советом по жизни, и это меняет требования к safety и поведенческому файнтюну сильнее, чем кажется. Где люди ищут совета у Claude Из 639 тысяч уникальных диалогов классификатор отобрал около 38 тысяч запросов на личный совет. Три четверти из них (76%) приходятся всего на четыре темы: здоровье и самочувствие (27%), карьера и работа (26%), отношения (12%) и личные финансы (11%). Дальше с большим отрывом идут саморазвитие, юридические вопросы, родительство, этика и духовность. Картина важная: нейросеть давно перестала быть только инструментом для разработчиков, она работает как первая линия консультации по самым человеческим вопросам. Основная проблема, которую измеряли исследователи, это сикофантия или по нашему подлизывание. Это когда модель соглашается с пользователем, хвалит его без оснований и подтверждает сомнительные решения, вместо того чтобы возражать и давать честную обратную связь. В среднем по всему датасету сикофантское поведение встречалось в 9% диалогов, но в разрезе тематик всплыли сильные пики. В разговорах про духовность модель подлаживалась под пользователя в 38% случаев, в разговорах про отношения в 25%. Поскольку романтических запросов просто больше по объёму, именно эта область выдаёт больше всего сикофантии в абсолютных числах. Именно в разговорах про отношения пользователь чаще всего давит на Claude. Давление от пользователя в 21% диалогов против 15% в других доменах. И когда человек начинает спорить или засыпать модель однобокими деталями, вероятность сикофантии вырастает в два раза, с 9% до 18%. Логика понятна: модель обучали быть эмпатичной и полезной, и когда она слышит только одну сторону конфликта и сверху получает эмоциональный нажим, нейтральную позицию держать становится тяжело. Как Anthropic перепрошили поведение модели Для новых моделей Opus 4.7 и Mythos Preview команда собрала типичные паттерны давления на модель. На их основе сгенерировали синтетические сценарии по отношениям. Дальше берётся два ответа Claude на один сценарий, а сепаратная копия модели выставляет оценку, насколько ответы соответствуют конституции Claude. Такой сигнал идёт обратно в файнтюн. Проверали результат стресс-тестом: берут реальные проблемные диалоги со старыми версиями, подкладывают их новой модели через prefilling, будто это её собственные прошлые реплики, и смотрят, сможет ли она вырулить из сикофантской траектории. Результаты измеримые: в Opus 4.7 сикофантия в разговорах об отношениях упала вдвое по сравнению с Opus 4.6, и эффект сгенерализовался на все другие домены. Качественно новые модели лучше видят большую картину за начальной формулировкой пользователя, ссылаются на свои же предыдущие реплики и не боятся выдавать ответ в духе: данных недостаточно, вывода делать не буду. Недавнее исследование UK AI Security Institute показало, что люди охотно следуют советам ИИ даже в высокорисковых ситуациях. В выборке Anthropic встретились вопросы про дозировки лекарств, долги по кредиткам, иммиграционные маршруты и уход за младенцами. Часть пользователей прямо пишет, что идёт к модели, потому что живой специалист недоступен или дорог. Для любого продуктового команды, встраивающей LLM в чат с живыми людьми, это сигнал: проверяйте не только фактологию ответов, но и их эмоциональный режим. Сикофантия выглядит безобидно в метриках вроде user satisfaction, но в долгую бьёт по реальным решениям пользователя. Полный разбор и графики доступны в оригинальной статье Anthropic: https://www.anthropic.com/research/claude-personal-guidance

Anthropic: оценка с $61,5 млрд до $900 млрд - 15x примерно за 12 месяцев. Прочитайте это еще раз. Год назад Anthropic оценивали в $61,5 млрд. Теперь инвесторы готовы вложить в компанию $50 млрд свежего капитала при оценке, приближающейся к $900 млрд. Это почти 15-кратный скачок за один год, fueled ростом выручки с примерно $1 млрд до run rate в $40 млрд. Инвестор, готовый выписать чек на $5 млрд, даже не может попасть на встречу с CFO. Это говорит почти все о том, у кого сейчас реальная власть на рынке AI-финансирования. Если это случится, Anthropic увеличит свою оценку в 50 раз с начала 2024 года, что делает этот кейс, возможно, самым быстрым созданием стоимости в истории tech-индустрии.

Tencent Hunyuan выложила в open source Hy-MT1.5-1.8B-1.25bit - офлайн-модель для перевода на мобильных устройствах размером всего 440 МБ. Поддерживает 33 языка и работает без интернета. Базовая модель на 1,8B параметров по качеству сопоставима с коммерческими API для перевода и моделями масштаба 235B. По бенчмаркам она обходит Google Translate и Baidu Translate. Версия на 440 МБ достигает этого за счёт Sherry - разреженной тернарной квантизации 1.25-bit, принятой на ACL 2026. Схема такая: параметры группируются по 4, три хранятся в 1-bit, один зануляется. В среднем получается 1.25 bit на параметр. Также доступна версия на 574 МБ с 2-bit SEQ-квантизацией: почти без потери качества и быстрее на устройствах с Arm SME2. Android-демо уже доступно. 🤖 https://modelscope.cn/collections/AngelSlim/Hy-MT15-18b-quant 📄 https://modelscope.cn/papers/2601.07892 📄 https://modelscope.cn/papers/2512.24092 @pythonl

Claude уже тестируют не на задачках, а на реальной биоинформатике Anthropic выкатила BioMysteryBench - новый benchmark для проверки того, насколько Claude способен решать настоящие научные задачи в биологии. . Модель получает реальные noisy-датасеты, инструменты для анализа, доступ к bioinformatics-базам вроде NCBI и Ensembl, возможность ставить пакеты через pip и conda - и должна сама разобраться, что происходит в данных. Внутри BioMysteryBench - 99 задач из разных областей биоинформатики. Например: определить орган по single-cell RNA-seq данным, понять, какой ген был knocked out, найти родителей образца по WGS-секвенированию или определить тип клетки по ChIP-seq peaks. Anthropic специально делала benchmark так, чтобы оценивался не путь решения, а финальный ответ. Потому что в науке часто нет одного «правильного» метода. Один исследователь пойдёт через GWAS, другой через microbiome, третий через метаанализ. Важно не то, каким маршрутом ты пришёл, а смог ли ты добраться до верного вывода. Claude быстро улучшается от поколения к поколению, а текущие модели на части задач идут на уровне human experts. Более того, Claude Sonnet 4.6 и более сильные модели смогли решить заметную долю задач, с которыми не справилась группа из пяти профильных экспертов. Claude Mythos Preview дошёл до 30% solve rate на human-difficult задачах. На обычных human-solvable задачах модель чаще работает стабильно: либо знает, как решать, либо нет. А на сложных human-difficult задачах часть побед выглядит хрупкой: иногда Claude находит удачный reasoning path, но не всегда может воспроизвести его в следующих попытках. То есть frontier уже сдвинулся, но надёжность пока не везде на уровне production science. BioMysteryBench: https://www.anthropic.com/research/Evaluating-Claude-For-Bioinformatics-With-BioMysteryBench

Mistral выкатила Medium 3.5 и тихо заняла нишу, на которую почти никто больше не претендует Французская Mistral выпустила Medium 3.5, и самое интересное в этом релизе даже не сами бенчмарки, а то, с кем компания себя сравнивает. На графиках рядом стоят Kimi, Qwen, GLM и Claude Sonnet. GPT и Gemini там нет. И это выглядит не случайностью, а вполне понятной стратегией. После того как Aleph Alpha ушла под Cohere, Mistral фактически осталась единственной AI-лабораторией фронтирного уровня, которая не находится ни в США, ни в Китае. Европа в большой гонке моделей теперь держится почти на одной компании, и эта компания французская. Medium 3.5 тоже сделана не как попытка любой ценой выиграть гонку масштаба. Это dense-модель на 128 миллиардов параметров с открытыми весами, контекстом 256k и настраиваемым уровнем усилия при рассуждении. Китайские конкуренты идут другим путём: строят огромные MoE-модели на сотни миллиардов и даже триллион параметров, но активируют только небольшую часть на каждый запрос. Это выгодно для инференса. Mistral выбирает более дорогой, но понятный путь: плотная модель, больше вычислений, зато выше предсказуемость поведения. И тут интересен бенчмарк Collie, где Medium 3.5 набирает 95.8 и заметно обходит конкурентов. Collie проверяет не то, насколько модель красиво рассуждает, а насколько точно она следует инструкциям. Для Mistral это ключевой сигнал. Они явно не пытаются продать Medium 3.5 как самую умную модель в мире. Их ставка другая: сделать модель, которую можно спокойно встраивать в рабочие процессы, продукты и энтерпрайз-системы без ощущения, что она каждый день ведёт себя по-новому. Бизнесу часто не нужен гений. Ему нужен исполнитель, который стабильно понимает задачу, держит контекст и не ломает инструкции. Именно туда Mistral и целится. Не в хайп вокруг “самой сильной модели”, а в европейскую нишу надёжного production-AI с открытыми весами. И после последних перестановок на рынке конкурентов с такой же географией и амбициями у неё почти не осталось. Blog: https://mistral.ai/news/vibe-remote-agents-mistral-medium-3-5 Hf: https://huggingface.co/collections/mistralai/mistral-medium-35

23. Context7 https://github.com/upstash/context7 Memory layer для AI-приложений. Помогает агентам и ассистентам работать с контекстом и долгосрочной памятью. 24. Ultravox https://github.com/fixie-ai/ultravox Фреймворк для voice agents. Подходит для голосовых ассистентов и real-time voice AI. 25. Superagent https://github.com/superagent-ai/superagent Инструмент для деплоя AI-агентов. Полезен, если нужно не просто собрать агента, а запустить его как продукт. 26. OpenAgents https://github.com/xlang-ai/OpenAgents Проект для web agents. Фокус на агентах, которые могут работать с веб-задачами и внешними инструментами. 27. ReAct https://github.com/ysymyth/ReAct Классический подход reasoning + acting. Репозиторий полезен, чтобы понять базовую механику агентов, которые думают и выполняют действия. 28. Mem0 https://github.com/mem0ai/mem0 Долгосрочная память для AI-приложений. Нужна, если ассистент должен помнить пользователя, проекты и прошлые взаимодействия. 29. Helix https://github.com/helixml/helix Инфраструктура для AI-приложений. Может быть полезна для self-hosted сценариев и развёртывания моделей. 30. tRPC https://github.com/trpc/trpc API layer для TypeScript-проектов. Не AI-специфичный инструмент, но полезен для full-stack приложений с типобезопасным backend. 31. NextChat https://github.com/ChatGPTNextWeb/NextChat Чистый UI для чат-приложений. Можно использовать как основу для собственного AI-интерфейса. 32. Open WebUI https://github.com/open-webui/open-webui Self-hosted UI для работы с LLM. Один из самых популярных вариантов для локальных моделей и приватных AI-интерфейсов. 33. Chatbot UI https://github.com/mckaywrigley/chatbot-ui Современный UI для чат-ботов. Подходит как стартовая точка для кастомного AI-продукта. 34. ChatGPT Desktop https://github.com/lencx/ChatGPT Desktop-приложение для ChatGPT. Полезно тем, кто хочет отдельный клиент вместо браузера. 35. ChatGPT Clone https://github.com/Nutlope/chatGPT-clone Next.js clone для ChatGPT-подобного интерфейса. Хороший учебный проект для понимания архитектуры AI-чата. 36. Vercel AI Chatbot https://github.com/vercel-labs/ai-chatbot Готовый template для AI-чата от Vercel Labs. Подходит для быстрого запуска production-like интерфейса. 37. ChatGPT Next Web https://github.com/Yidadaa/ChatGPT-Next-Web Claude-ready и ChatGPT-ready UI. Популярный вариант для развёртывания собственного web-клиента. 38. Ivan Fioravanti Chatbot UI https://github.com/ivanfioravanti/chatbot-ui Минималистичный UI для чат-бота. Подходит для простых AI-интерфейсов без лишней сложности. 39. ChatGPT Web https://github.com/louislam/ChatGPT-web Лёгкий web-интерфейс для AI-чата. Хороший вариант, если нужен простой self-hosted клиент. 40. ChatGLM Web https://github.com/zk-ml/chatglm-web Адаптируемый web UI для LLM. Может быть полезен как база для кастомизации под разные модели. 41. LlamaIndex https://github.com/run-llama/llama_index Один из главных фреймворков для RAG-систем. Помогает подключать документы, индексы, retrieval и LLM-логику. 42. Weaviate https://github.com/weaviate/weaviate Open-source vector DB. Используется для семантического поиска, RAG и AI-приложений с векторными embeddings. 43. Milvus https://github.com/milvus-io/milvus Масштабируемая vector database. Подходит для крупных нагрузок, где нужен быстрый поиск по миллионам и миллиардам векторов. 44. Qdrant https://github.com/qdrant/qdrant Быстрая vector DB на Rust. Часто используется в RAG, semantic search и AI-продуктах с низкой задержкой. 45. Chroma https://github.com/chroma-core/chroma Локальная vector DB для AI-приложений. Удобна для прототипов, локальных RAG-систем и экспериментов. 46. Redis VL Python https://github.com/redis/redis-vl-python Инструменты для vector search в Redis. Полезно, если Redis уже есть в вашей инфраструктуре. 47. Elasticsearch https://github.com/elastic/elasticsearch Поисковая система, которую можно использовать и в AI-search сценариях. Сильна в полнотекстовом поиске и hybrid retrieval.

📌TIME назвал 10 самых влиятельных компаний 2026 года в сфере ИИ Издание опубликовало расширенную версию рейтинга TIME100 Most Influential Companies - впервые выбрав их по отраслевому принципу. 🟡ByteDance Владелец TikTok стал одним из ведущих ИИ-разработчиков Китая: его ассистент Doubao набрал более 155 млн еженедельных пользователей. В 2026 году компания, оценённая примерно в $550 млрд, потратит $14 млрд на чипы Nvidia (при условии одобрения экспорта со стороны США). 🟡Amazon Корпорация запустила Project Rainier - один из крупнейших вычислительных ИИ-кластеров в мире, работающий примерно на 500 тыс. собственных чипов Trainium2 и обслуживающий модели Anthropic. 🟡Zhipu Китайская компания первой среди местных LLM-разработчиков вышла на биржу в Гонконге и в феврале представила модель GLM-5 на 744 млрд параметров. По данным самой компании, её моделями пользуются более 4 млн корпоративных клиентов и разработчиков, а годовая выручка достигла около $107 млн. 🟡OpenAI Число еженедельных пользователей ChatGPT превысило 900 млн, ежемесячная выручка — $2 млрд. Параллельно OpenAI заключила контракт с Пентагоном и столкнулась с исками, в которых ChatGPT, по утверждению истцов, мог сыграть крайне деструктивную роль по отношению к людям. 🟡Alphabet Под руководством Сундара Пичаи Google вернулся в число лидеров ИИ: модели Gemini поднялись в верхушку рейтингов возможностей, а годовая выручка Alphabet впервые превысила $400 млрд. ИИ-функции компании встроены в Gmail, Maps, YouTube и сервис беспилотных такси Waymo. 🟡Meta* В 2025 году Meta показала рекордную рекламную выручку, частично за счёт ИИ-обработки данных собственных соцсетей, и продолжает вкладываться в исследователей и дата-центры. В марте этого года суд признал Meta ответственной за вред психике несовершеннолетнего пользователя и присудили истцу $6 млн; компания заявила, что обжалует решение. 🟡Anthropic Claude стал первой ИИ-системой, допущенной в засекреченные сети США, и, по сообщениям СМИ, использовался при планировании военных операций. После отказа Anthropic снять ограничения на массовую слежку и автономное оружие Белый дом объявил компанию риском цепочки поставок. 🟡Alibaba Семейство открытых моделей Qwen превысило миллиард скачиваний и породило более 200 тыс. производных моделей. Гендиректор Эдди У заявил, что за пять лет компания рассчитывает превысить $100 млрд внешней выручки от облака и ИИ. 🟡Mistral Французский стартап, оценённый примерно в $14 млрд, делает ставку на открытые модели и развёртывание на инфраструктуре заказчика; среди её клиентов - ASML, TotalEnergies, HSBC и министерство вооружённых сил Франции. В начале 2026 года её годовая выручка достигла $400 млн (примерно в 20 раз больше, чем годом ранее). 🟡Hugging Face Платформа стала своего рода «GitHub для ИИ»: на ней размещено свыше 2 млн моделей и 500 тыс. датасетов, аккаунты есть более чем у 30% компаний из списка Fortune 500. Компания развивает инструменты для ИИ-агентов и в 2025 году представила открытого робота Reachy Mini. * Компания Meta признана в России экстремистской организацией и запрещена @ai_machinelearning_big_data #news #ai #ml

«Я чертовски НЕНАВИЖУ AI» Жёсткая реальность от разработчика с 20-летним опытом: экзистенциальная тревога от того, как десятилетиями накопленные навыки постепенно теряют ценность на фоне Claude Code и Codex.

Готовые LLM в облаке по выгодным ценам MWS GPT Model Hub — облачный сервис MWS Cloud для работы с современными LLM от разных провайдеров без развёртывания собственной ML-инфраструктуры. Есть модели от DeepSeek, Google, Alibaba, Zhipu AI, BAAI, Moonshot AI. До 15 июля снижаем цены: соотношение стоимости входящих к исходящим токенам — примерно 1:4:  • входящие токены — дешевле до 95%; • исходящие токены — дешевле до 80%. Это делает сценарии с большим объёмом контекста значительно выгоднее. Новые цены применяются автоматически. Если ещё не пробовали MWS GPT Model Hub — хороший момент попробовать. Попробовать

32 тысячи звёзд на GitHub всего за 10 часов! Терминал Warp открыли в open-source. Это одна из самых заметных agentic development environment: терминалом уже пользуются больше 1 млн разработчиков по всему миру. Теперь проект хотят развивать быстрее за счёт комьюнити, внешних контрибьюторов и прозрачной разработки. open-source-релиз стал возможен при поддержке OpenAI, которые выступили главным спонсором проекта. Реакция комьюнити мощная: репозиторий за несколько часов собрал уже 30+ тысяч звёзд на GitHub. И да, конечно, внутри Rust. И, конечно же, он написан на Rust. https://github.com/warpdotdev/warp

✔️ Ant выкатили Ling-2.6-flash в опенсорс, и это реально интересный кейс На бумаге это монстр на 104 миллиарда параметров, но в работе одновременно крутится только 7,4 миллиарда. Классическая MoE архитектура, где сеть сама решает, каких экспертов подключать под конкретную задачу. Поэтому и скорость такая, какой обычно от больших моделей не ждёшь. 215 токенов в секунду на бенчмарке Artificial Analysis. Для сравнения, многие топовые модели крутятся в районе 50–80 токенов в секунду, так что разрыв ощутимый. Но интереснее другая цифра. На полном прогоне AA Intelligence Index модель потратила всего 15 миллионов токенов. В реальной эксплуатации такая экономия превращается в прямые деньги, потому что меньше токенов это меньше счёт за инференс. Для деплоя есть три варианта весов: BF16 для тех, у кого железа в избытке, FP8 как разумный компромисс и INT4 для совсем зажатых по памяти сетапов. То есть запустить можно хоть на жирном кластере, хоть на одной видяхе с квантизацией. Hugging Face: https://huggingface.co/inclusionAI/Ling-2.6-flash ModelScope: https://modelscope.cn/models/inclusionAI/Ling-2.6-flash

Налог на неанглийский язык: почему хинди и арабский в Claude обходятся дороже всего Исследователь Аран Комацузаки прогнал «Bitter Lesson» Саттона через токенизаторы OpenAI и Anthropic и нормализовал результат к английскому. Картинка получилась неприятная для всех, кто пишет не на английском. Один и тот же текст на хинди у OpenAI занимает в 1,37 раза больше токенов, чем по-английски. У Anthropic - в 3,24 раза. Арабский: 1,31 против 2,86. Китайский: 1,15 против 1,71. То есть пользователь, который пишет Claude на хинди, фактически платит втрое больше за то же самое сообщение и быстрее упирается в контекстное окно. Это и есть «лингвистический налог»: токенизатор обучен преимущественно на английских данных, и все остальные языки он режет на куски мельче, чем нужно. У Anthropic эта диспропорция выражена заметно сильнее, чем у OpenAI, и для языков с неевропейской письменностью разрыв превращается в реальные деньги и потерянный контекст. https://x.com/arankomatsuzaki/status/2049125048792006965

🚀 Яндекс отчитался за первый квартал 2026: выручка Yandex B2B Tech взлетела на 36% Корпоративные сервисы Яндекса заработали уже 13,6 млрд рублей. Бизнес-клиенты не просто подключаются, а реально наращивают потребление – особенно в сегменте ИИ и безопасности. Что там с деньгами: • Выручка – 13,6 млрд рублей (+36% г/г). Растет и количество клиентов, и средний чек; • Скорректированный показатель EBITDA – 2,6 млрд рублей (+49% г/г). Маржинальность тянет вверх доля PaaS и SaaS. Ключевой драйвер — Yandex AI Studio: • Ежемесячное потребление токенов через API выросло до 109 млрд в марте. Это рост в 30 раз всего за год; • На платформе уже создали более 16 тысяч ИИ-агентов; • Бизнес переходит от точечных экспериментов к полноценной автоматизации процессов. Что еще важно: • Общее число клиентов Yandex Cloud достигло 60 тысяч. Больше половины выручки дают крупные компании. • ИИ и кибербезопасность растут вдвое быстрее год к году. Причём больше половины крупных и средних клиентов Cloud уже используют платформу для информационной безопасности. Ссылка: https://rb.ru/news/yandeks-opublikoval-finansovye-itogi-za-i-kvartal-2026-goda-vyruchka-vyrosla-na-22-do-3727-mlrd/

Microsoft представила TRELLIS.2 - open-source Image-to-3D модель на 4B параметров, которая превращает изображения в 3D-ассеты с PBR-текстурами разрешением до 1536³. Модель построена на нативных 3D VAE с 16-кратным пространственным сжатием, что даёт более эффективную, масштабируемую и детализированную генерацию 3D-объектов. Демки выглядят очень круто. https://github.com/microsoft/TRELLIS.2

CLAUDE OPUS 4.7 использует 500K токенов, чтобы переименовать одну переменную.

🧩 Новый язык программирования для AI-систем Weft - это язык программирования, написанный на Rust, который упрощает создание AI-приложений, позволяя связывать LLM, людей и API без лишнего "проводки". Он предлагает визуальное представление программ и строгую типизацию, что делает разработку более интуитивной и безопасной. 🚀Основные моменты: - Первоклассные взаимодействия с людьми через простые узлы. - Возможность сворачивать группы узлов для упрощения структуры. - Полная типизация, предотвращающая ошибки на этапе компиляции. - Устойчивое выполнение программ, сохраняющих состояние после сбоев. - Встроенные узлы для работы с различными сервисами и API. 📌 GitHub: https://github.com/WeaveMindAI/weft #rust

Уже 3 дня без новых моделей ?