CoreInfra
رفتن به کانال در Telegram
AI × Verification → Future. Авторы консенсуса и системы репликации БД для крупнейшей социальной сети России. В 2024 года мы создали свою компанию и строим AI. В этом канале мы пишем про компанию, продукт и технологиии. https://coreinfra.ru
نمایش بیشترکشور مشخص نشده استدسته بندی مشخص نشده است
529
مشترکین
اطلاعاتی وجود ندارد24 ساعت
-17 روز
+2730 روز
در حال بارگیری داده...
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
سپتامبر '26
سپتامبر '26
+7
در 0 کانالها
اوت '26
+113
در 8 کانالها
Get PRO
ژوئیه '26
+128
در 11 کانالها
Get PRO
ژوئن '26
+14
در 0 کانالها
Get PRO
مه '26
+147
در 0 کانالها
Get PRO
آوریل '260
در 1 کانالها
Get PRO
مارس '26
+57
در 2 کانالها
Get PRO
فوریه '260
در 1 کانالها
Get PRO
ژانویه '26
+30
در 0 کانالها
Get PRO
دسامبر '250
در 0 کانالها
Get PRO
نوامبر '25
+61
در 1 کانالها
Get PRO
اکتبر '25
+8
در 1 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 16 سپتامبر | +1 | |||
| 15 سپتامبر | 0 | |||
| 14 سپتامبر | +1 | |||
| 13 سپتامبر | 0 | |||
| 12 سپتامبر | 0 | |||
| 11 سپتامبر | 0 | |||
| 10 سپتامبر | 0 | |||
| 09 سپتامبر | +2 | |||
| 08 سپتامبر | +1 | |||
| 07 سپتامبر | 0 | |||
| 06 سپتامبر | 0 | |||
| 05 سپتامبر | 0 | |||
| 04 سپتامبر | +1 | |||
| 03 سپتامبر | 0 | |||
| 02 سپتامبر | +1 | |||
| 01 سپتامبر | 0 |
پستهای کانال
LLM – не единственный вид AI. Периодически появляются интересные альтернативные (либо дополняющие) парадигмы.
Одна из них – System One модели, плюс конкретная модель, Jev:
https://typesafe.ai/blog/introducing-system-one-models-and-jev
System One models – отсылка к классическому разделению на system one (инстинктивное поведение) + system two (размышление). Вместо авторегрессионной генерации токенов, такие модели очень быстро (70-500мс) и параллельно отвечают на N простых вопросов: классификация, оценка, да/нет – и, что важно, каждый ответ содержит уверенность. На основе этих ответов ваш код принимает решения – т.е. модель дает "fuzzy if" примитив.
На видео выше можно видеть, как можно играть в Doom таким образом. Еще интересный пример – управление умным домом, включая использование LLM при необходимости.
P.S. Хотел начать пост с "пока Гриша дожидается комиссии, ..." – но это было бы неточно, потому что, строго говоря, новость появилась вчера :-)
– @pgregory
| 2 |  А какое ваше рабочее место?) Здесь должен быть еще @hrissan за работой, но он фотографирует. | 139 |
| 3 |  Количество стресса в жизни
Во время решения олимпиадных задач часто применяется техника стресс-тестирования. О ней я уже писал раньше. Когда вы написали сложное решение, а оно почему-то не проходит тесты, можно написать значительно более простое но медленное решение, а потом найти маленький тест, на котором ответы отличаются.
У меня есть репозиторий, в котором я уже пять лет сохраняю все решенные олимпиадные задачи https://github.com/bminaiev/rust-contests
Оказалось, что если построить график того, как часто приходилось писать стресс для решений в разные года, то получается очень понятная закономерность. Видимо, писать код без багов все сложнее и сложнее... | 183 |
| 4 | С Борей работали вместе ВКонтакте, сейчас он работает в OpenAI и ведет крутой блог.
А идея "стресс-тестов" является ключевой в CoreInfra AT1, с помощью питон драйвера пользователь описывает модель и система используя chaos_theory — библиотеку, которую написал наш CTO, ищет нарушения инвариантов заданной более простой модели и ищет баги в реальной системе.
Код property-based-test библиотеки открыт и лежит на гитхабе.
Из забавных фактов, я также приложил руку к chaos_theory и являюсь контрибьютором. За моим авторством можно найти модуль генерации флотов.
– @tthread | 247 |
| 5 |  Почему процессоры Apple M* такие быстрые?
Есть мнение, что решает техпроцесс. Но кроме техпроцесса, есть и архитектурные хитрости.
Рассмотрим одну из них - выполнение атомарных операций в кэше.
Традиционно в процессоре атомарные операции выполняет ядро, а координирует L2 Cache.
Анимация показывает процесс увеличения счётчика.
Прежде чем ядро сможет это сделать, оно должно получить эксклюзивное право это сделать, вместе со свежей версией счётчика. Протокол работает в единицах кэш-линий (64 или 128 байтов), так что вместо небольших 8-байтных счётчиков по шине приходится передавать огромные кэш-линии.
Также, перед тем как ядро эсклюзивно завладеет кэш-линией, нужно уведомить предыдущего владельца и получить у него последнюю версию кэш-линии.
В новой схеме атомарные операции выполняет не ядро, а сам L2 Cache с помощью своего собственного крошечного арифметического ядра.
Поддерживаются операции плюс, минус, максимум, минимум, логические, безусловный и условный обмен (CAS).
Вместо огромных кэш-линий по шине летают только небольшие значения счётчиков, и не нужно координироваться с другими ядрами.
Ядро просто отправляет команду "увеличь счётчик на X", в ответ летит предыдущее значение.
Это ускорение особенно актуально не для счётчиков, а для примитивов синхронизации - мьютексов, неблокирующихся очередей и других.
Входит в стандарт
Large System Extensions (LSE) Arm v8.1-A, используется и другими производителями процессоров ARM.
@hrissan | 272 |
| 6 | Немного о том, кто в кадре.
Автор и главный разработчик системы репликации и распределеного консенсуса — BARSiC, система которую мы создавали для баз данных ВКонтакте. Он же со-автор мультитенатной promql-совместимой системы сбора метрик рассчитанной на большую нагрузку – StatsHouse. BARSiC был разработан и внедрен на 10+ тысяч серверов нашей командой еще во времена нашей бытности в крупнейшей соцсети СНГ.
Про BARSiC можно послушать рассказ автора по ссылке.
А StatsHouse мы забрали к себе на Github и продолжаем его активную поддержку и использование. Про него рассказывал в свое время CTO CoreInfra.
+ бонусом небольшой анонс:
теперь за развитием StatsHouse можно следить по адресу: https://github.com/CoreInfraAI/statshouse aka https://statshouse.net
– @tthread | 367 |
| 7 |  Неподходящих мест для работы не существует.
@hrissan работает над агентом, пока ждет @tthread. | 371 |
| 8 |  +1Сегодня OpenAI и Anthropic лежали одновременно и довольно долго.
А у нас по этому поводу новая фича.
Легкий выбор ЛЮБЫХ моделей в Claude, Codex и любых других агентах. А также экспериментальная конвертация между разными протоколами.
Зачем, спросите вы? Codex умеет только Responses API, а Claude - только Messages API. А при этом большинство провайдеров предоставляют только Chat Completions. Получаются изолированные миры. А хочется использовать любые модели в любых агентах.
Чтобы это включить в Codex нужно указать в ~/.codex/config.toml
base_url = "https://hub.coreinfra.ai/codex/api/v1"
# Необязательно — только если хотите поэкспериментировать с конвертацией
http_headers = { "X-CoreInfra-CrossProtocol" = "1" }
Чтобы включить это в Claude, нужно добавить в секцию env файла ~/.claude/settings.json:
"ANTHROPIC_BASE_URL": "https://hub.coreinfra.ai/claude/api",
"CLAUDE_CODE_ENABLE_GATEWAY_MODEL_DISCOVERY": "1",
"ANTHROPIC_CUSTOM_HEADERS": "X-CoreInfra-CrossProtocol: 1",
"CLAUDE_CODE_SUBAGENT_MODEL": "claude-gpt-5.6-luna",
"CLAUDE_CODE_SUBAGENT_MODEL_FORCE": "1",
ANTHROPIC_CUSTOM_HEADERS нужен для включения конвертации.
CLAUDE_CODE_SUBAGENT_MODEL и CLAUDE_CODE_SUBAGENT_MODEL_FORCE нужны, чтобы явно указать модель для сабагентов. Без них для сабагентов всегда выбирается Sonnet.
- @razmser | 585 |
| 9 |  Продолжая тему про представление, которое находят нейросети:
The Emergent Symbolic Structure of Artificial Neural Networks
Все помнят, что эмбеддинги обладают линейной структурой, king - man + woman = queen и все такое.
Tensor Product Representations, который использовали в этой работе – конкретный способ кодировать богатую символьную структуру в векторном пространстве. Что статья делает: обучает TPR-модель, используя остроумно выбранные представления существующей модели (Gemma 3, GPT-OSS, ...) как референс. Таким образом получается интерпретируемое символьное представление. С которым можно работать – символьно манипулировать! И если в существующих нейронках заменить весь процесс создания представления на сконструированный TPR – поведение сети практически не меняется. Что указывает на использование моделями символьного представления, близкого TPR, внутри.
Очень важная работа с точки зрения понимания механизмов работы LLM, и в каком-то смысле большая победа "символьного" подхода к AI. И просто хорошо написанная статья.
– @pgregory | 411 |
| 10 |  Что хочется отметить сегодня – это то, что с появлением AI нам нужно снова учиться, учиться и учиться, как в свое время предлагал Ленин. Предлагал в похожее, в каком-то смысле, время перемен.
Как перестроить процесс командной работы, как перестроить коммуникацию, как перестроить верификацию программ, как перестроить дизайн и архитектуру, как перестроить личный рабочий процесс – весь самолет надо пересобрать на лету.
В каком-то смысле, мы все сейчас первый раз в первый класс – только без учителей. Hard mode :-)
Ничего непонятно, но крайне увлекательно – общее текущее состояние.
Всех с 1 сентября!
– @pgregory | 375 |
| 11 |  – @tthread | 711 |
| 12 |  Сегодня вышла GLM 5.3 Flash. Эта модель встает в один ряд с такими дешевыми, но мощными моделями, как GPT 5.6 Luna и DeepSeek v4 Flash Vision.
Она особенно интересна двумя фактами:
1. это первая GLM-модель, которая одновременно умеет vision и хорошо пишет код
2. она работает полностью на китайских чипах
В ближайшие 2 недели она доступна по промоценам. Попробовать ее можно прямо у нас на хабе.
- @razmser | 544 |
| 13 |  Rust 1.100 стабилизирует 🎉 never type AKA !. Очень нишевая, но очень классная штука, которая позволяет явно задать тип для "невозможных" вещей:
// Никогда не возвращаемся
fn exit(code: i32) -> !
// Неудача невозможна
fn always_success() -> Result<T, !>
// Если вышли, то из-за проблемы
fn server_loop() -> Result<!, E>
И, так как это настоящий тип, автоматически работает очень много магии, в т.ч. паттерн-матчинги типа
let Ok(v) = always_success()
Все это время ходила шутка never type is named after its stabilization date – но возможно, обещанный день настал!
Never date: 25.08.2026
– @pgregory | 856 |
| 14 | Математика проходит сейчас через метаморфозы, очень похожие на те, что происходят у нас, в программировании. То, что раньше казалось основной ценностью (создание доказательств/кода), и было в дефиците – автоматизируется, и доступно в избытке. Это заставляет переосмыслить ремесло.
То, что предлагает Теренс Тао для математики – стройно и логично. И, что может быть более интересно – показывает глубокую связь науки с социальными и цивилизационными аспектами, в противовес "сиянию чистого разума". Как следствие (моя интерпретация) – некоторая перспектива на то, что для real AGI необходимы агенты с целями, эмоциями и обществом.
Рекомендую к просмотру всем неравнодушным к философской стороне нашего дела:
https://www.youtube.com/watch?v=M0--ZH1lOzg
– @pgregory | 663 |
| 15 | Немного разберемся в матчасти и в том, что тарифицируется хабом при использовании API.
Токен – это элементарный блок текста, которым оперирует модель, часто это несколько символов. Упрощенно, на каждом прогоне модели во внутреннем цикле получается один токен, он и является единицей тарификации. Входящий текст разбивается на токены и это процесс называется токенизацией.
Какие бывают токены:
Input – весь входной контекст: системный промпт, история диалога, код, файлы, описания инструментов и результаты их вызовов. Всё, что поступает на вход модели.
Output – сгенерированный моделью ответ или рассуждения, необходимые для его получения.
Базово это все, но, в свою очередь, выделяют ещё дополнительные типы, необходимые для тарификации и аналитики.
Reasoning или thinking – внутренние рассуждения модели. Они входят в output. Что это за токены и откуда они появляются, рассмотрим в другом посте. Считаются отдельно исключительно для аналитики, чтобы понимать, чем агент занимался.
В агентском цикле на вход каждый раз подается весь контекст, и чтобы его не перечитывать, используется кэш, который тарифицируется отдельно. Это очень важно, поскольку в противном случае скорость работы снижается и растет стоимость.
Cache read – часть входного контекста, для которой часть вычислений уже была проведена ранее. Провайдер загружает готовый кэш и не производит часть операций, поэтому такие токены стоят дешевле обычного input.
Cache write – контекст, для которого кэш создается впервые. У некоторых провайдеров, например Anthropic, отдельно учитывается запись на 5 минут и на 1 час. Некоторые провайдеры Cache write не тарифицируют.
Итого стоимость считается так:
Стоимость запроса =
(Input × тариф Input
+ Cache Read × тариф Cache Read
+ Cache Write × тариф Cache Write
+ Output × тариф Output) / 1 000 000
В CoreInfra AI Hub мы максимально точно считаем и тарифицируем использованные токены и даем детальную аналитику. Мы учитываем все типы кэша и отдаём аналитику с точностью до токена, с гранулярностью в одну минуту.
– @tthread | 598 |
| 16 |  DeepSeek V4 Pro вышла из превью (вторая слева). Модель интересна своей крайней дешевизной на фоне близкого к фронтиру интеллекта.
На хабе она доступна под тем же именем, что и ранее.
Кроме того, теперь ею можно пользоваться через Responses API, а значит, и из Codex.
Если вы уже пользовались скриптом настройки Codex, то его нужно перезапустить с флагом --refresh для обновления конфига:
uvx --refresh --from git+https://github.com/CoreInfraAI/setup-codex setup-codex
А для тех, кто хочет попробовать модель, сделали ещё один промокод: COREINFRA_TRY_DEEPSEEK_PRO. Он доступен пользователям, пополнявшим баланс хаба после 6 августа, и действует до вечера понедельника.
- @razmser | 587 |
| 17 |  Мне спокойнее использовать Codex, потому что там есть нормальный sandbox в отличие от тех же OpenCode и Pi.
К чему я это. Мы поддержали Responses API для deepseek-v4-flash. И теперь вы можете использовать его прямо из Codex. Для простоты настройки мы сделали скрипт который одной командой настроит codex для работы с CoreInfra AI Hub
uvx --from git+https://github.com/CoreInfraAI/setup-codex setup-codex --api-key <your-token>
И в честь этого события мы запускаем промокод COREINFRA_TRY_DEEPSEEK на 500 рублей. Его можно применить, если вы пополните баланс хаба. Действует до конца понедельника. Количество использований ограничено.
– @razmser | 705 |
| 18 | vk.com/bkmz | 1 |
| 19 |  Две забавные мысли:
Программа : циклы процессора ~= агент : токены.
LLM-ки похожи на фаззеры тем, что и там, и там – мы понимаем механизм, но не понимаем, почему это работает, и в обоих случаях в сердце процесса compute go brrrr.
LLM-ки – это фаззеры мыслительного процесса. Да-да, за таблетками уже иду 🙂
– @pgregory | 648 |
| 20 | Объяснить и сам могу. (с)
Мне очень нравится эта фраза из анекдота. Удивительным образом она применима и к агентам, которые готовы объяснить, что угодно, и не только к ним.
Из забавного: любой маркетолог расскажет, как строится рынок, разработает стратегию продвижения и объяснит, почему одно сработало, а другое нет. Но он не сможет что-то построить, строить и создавать могут только оунеры.
Поэтому маркетологи себя стыдливо называют функцией маркетинга, они-то знают, что -олог – это про объяснить.
Поэтому какой смысл быть подписанным на очередной бигтех канал "инсайдов", который ведет штат пиарщиков с KPI? Господа и дамы, читайте наш канал! Мы пишем от первого лица что происходит у нас в компании, какие технологии нам интересны и что мы задумали сделать еще 😃
– @tthread | 618 |
