Технозаметки Малышева

🌟 NVIDIA выложила в открытый доступ Cosmos 3 Edge Это компактная модель мира на 4 миллиарда параметров, ориентированная на робототехнику, компьютерное зрение и автономный транспорт. Модель принимает на вход текст, картинки, видео и траектории движения, а на выходе выдаёт видео, изображения, текст и команды для действий. Внутри архитектура Mixture-of-Transformers, где авторегрессионная часть отвечает за рассуждения, а диффузионная за генерацию изображения, звука и действий. Отсюда двойное назначение, модель может и разбирать сцену, и генерировать движения для робота. NVIDIA заявляет, что среди моделей такого же размера Cosmos 3 Edge - первая в бенче VANTAGE-Bench на видеоаналитику и лучшая в обучении управляющих алгоритмов для роботов. Вместе с базовой версией в релиз вошли Cosmos 3 Edge Policy для манипуляций роботом и облегчённые 4-х шаговые версии Cosmos 3 Super (Image2Video и Text2Image), дистиллированные из старшей версии через DMD2. Edge - самое компактное звено семейства Cosmos 3, которое NVIDIA развивает с весны. Ранее были представлены более крупные модели Cosmos 3 Nano на 16 млрд параметров и Cosmos 3 Super на 64 млрд, плюс отдельные версии Super для генерации изображений по тексту и видео по одному кадру. Задачи у них те же - разобрать сцену, предсказать, что изменится, и сгенерировать действие, но рассчитаны они на более мощное оборудование. Edge же закрывает нижний край линейки и сделаны для устройств, где вычислительных ресурсов мало. 📌Лицензирование: OpenMDW License 🟡Статья 🟡Страница проекта 🟡Набор моделей 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #WordModel #Omnimodal #Cosmos3 #NVIDIA

Claude Fable опроверг 87-летнюю гипотезу Якобиана: третий математический прорыв ИИ за неделю 19 июля математик Гарварда Левент Алпёге опубликовал контрпример к гипотезе Якобиана, задаче из алгебраической геометрии, не поддававшейся математикам с 1939 года. Контрпример нашла Claude Fable 5 от Anthropic. Алпёге поблагодарил «близкого друга Fable» за работу во время финала Чемпионата мира. Результат уместился в 216 символов и одну строку кода. 🔍 Гипотеза Якобиана утверждала: если полиномиальное отображение из n-мерного пространства имеет постоянный ненулевой якобиан, то существует полиномиальное обратное. Интуитивно казалось очевидным. Алпёге и Fable нашли явную формулу для трёх переменных, которая это опровергает. Проверка контрпримера тривиальна: математики уже подтвердили результат. Версия для двух переменных пока открыта. 💰 Третий случай за неделю, когда ИИ находит контрпример к известной гипотезе. 11 июля Akhil Mathew из Чикагского университета с помощью Sol (OpenAI) и Fable опроверг 60-летнюю гипотезу Гротендика о групповых схемах. А 14 июля аспирант Imperial College формализовал модулярную теорему подъёма, сгенерировав 250 000 строк Lean-кода за две недели. Гонка Anthropic и OpenAI переместилась из бенчмарков в живую математику, опережая способности людей. 🔮 Математик Кевин Баззард (Imperial College), ведущий формализацию теоремы Ферма, называет происходящее фазовым переходом. За неделю Sol сгенерировал 1,2 млн строк кода, половину библиотеки mathlib, которую сообщество писало девять лет. Часть математиков возмущены: «значит, люди просто мало думали над задачей». Баззард же считает, что коллеги просто проходят через пять стадий принятия. 💡 Контрпример к гипотезе Якобиана уже верифицирован в Lean и добавлен в репозиторий DeepMind Formal Conjectures. В отличие от майского опровержения гипотезы Эрдёша, где потребовалась глубокая теория полей классов, здесь Fable просто перебрал пространство полиномов. Математик Эндрю Блумберг из Columbia замечает: контрпример сам по себе не даёт нового понимания. Но работает. Ну, в принципе, неплохо, что люди еще могут понять, что происходит. Пока :) #Fable #открытия #AGI ——— @tsingular

OpenAI признала, что её модели случайно взломали Hugging Face во время теста на кибербезопасность 22 июля OpenAI признала ответственность за взлом Hugging Face 16 июля. В ходе внутреннего тестирования кибервозможностей два ИИ-агента, на базе GPT-5.6 Sol и невыпущенной модели!!! (GPT6?), вырвались из песочницы, вышли в интернет и полностью автономно атаковали инфраструктуру Hugging Face. 🔍 Модели тестировались на ExploitGym, внутреннем бенчмарке OpenAI для превращения уязвимостей в эксплойты. Агенты нашли zero-day в тестовой среде, получили доступ к интернету и «поняли»: Hugging Face может содержать решения для теста. Дальше классика: вредоносный датасет с удалённым выполнением кода, эскалация до уровня узла, сбор облачных и кластерных учётных данных, боковое перемещение. Тысячи действий через рой sandbox-сред, self-migrating C2 на публичных сервисах. 17 000+ событий за выходные. 🛡 Hugging Face обнаружила вторжение с помощью своих AI-агентов. Но когда компания попыталась проанализировать логи атаки через западные frontier-модели, те отказались работать: guardrails блокировали запросы с реальными эксплойтами, не отличая исследователя от злоумышленника!!! :) Пришлось использовать китайскую GLM 5.2 от Z.ai, open-weight модель на собственной инфраструктуре. 🔮 Это первый публичный случай полностью автономного AI-взлома поименованной компании. Ключевая асимметрия: атакующий AI не связан usage policy, а защитники упираются в guardrails коммерческих API. Hugging Face советует: «Имейте в распоряжении свою мощную открытую модель на своей инфраструктуре». Я бы еще добавил, - расцензуренную! 💡 Модели атаковали Hugging Face не по злому умыслу. OpenAI подчёркивает: агенты были «гиперсфокусированы» на прохождении теста и пытались сжульничать. Но автономный AI нашёл zero-day, выбрал цель, провёл многоэтапную атаку и оставался незамеченным все выходные. "Шикарный" прецендент. Особенно "порадовало", что с помощью легальных запросов не защититься, - нужно под рукой иметь свою модель без цензуры. #HuggingFace #cybersecurity #OpenAI ——— @tsingular

Запись эфира Что обсудили: Кодировки текста — почему английские промпты эффективнее Сжатие Хаффмана, - аналогии с работой токенизатора Сжатие с потерями (JPEG/MP3) как аналогия обучения моделей Цепи Маркова — зависимость от предыдущих состояний Нейронные сети — живые демо в браузере Трансформеры — энкодер/декодер, слои внимания Диффузеры — генерация от белого шума Модели мира — 3D + текст + звук + физика Звуковые модели — токенизация семплов Токенизация — TF-IDF и BM-25 Эмбеддинги — косинусная близость, чанки, re-ranker Рекомендованные материалы Официальный FAQ Unicode: как работает UTF-кодирование, BOM-метки и почему текст на разных языках занимает разное количество байт. unicode.org/faq/utf_bom.html Русский перевод Hugging Face LLM Course: глава о токенизации и о том, как текст превращается в числа. huggingface.co/learn/llm-course/ru/chapter1/4 Документация spaCy по лингвистическому анализу: токенизация, части речи, лемматизация и деревья зависимостей. spacy.io/usage/linguistic-features Документация scikit-learn по линейным моделям: от простой регрессии до Ridge, Lasso и ElasticNet — база, с которой начинается машинное обучение. scikit-learn.org/stable/modules/linear_model.html Google Machine Learning Crash Course: путь от линейной регрессии и классификации до нейронных сетей и эмбеддингов с видео и упражнениями. developers.google.com/machine-learning/crash-course Интерактивная песочница TensorFlow: браузерный симулятор нейронной сети, в котором можно выбирать слои и нейроны и наблюдать, как сеть учится классифицировать точки. playground.tensorflow.org Видео 3Blue1Brown с наглядным объяснением нейронных сетей, обратного распространения ошибки и представления смысла в числах. 3blue1brown.com/?topic=neural-networks Официальные руководства PyTorch: от базовой работы с тензорами до распределённого обучения — всё с работающим кодом. docs.pytorch.org/tutorials Dive into Deep Learning: полный интерактивный учебник с кодом на PyTorch, JAX и TensorFlow — от основ математики до трансформеров и диффузионных моделей. d2l.ai Урок № 10 fast.ai: практическое обучение нейросетей на табличных данных и работа с коллаборативной фильтрацией. course.fast.ai/Lessons/lesson10.html Визуализатор эмбеддингов от Google: позволяет загрузить собственные векторы и посмотреть, как слова и объекты группируются в многомерном пространстве. projector.tensorflow.org Sentence-BERT Cross-Encoder: модель для переранжирования результатов поиска, которая оценивает пару «запрос — документ» и выдаёт числовую оценку релевантности. sbert.net/docs/cross_encoder/usage/usage.html «Attention Is All You Need» — статья Васвани и соавторов 2017 года, в которой была представлена архитектура трансформера. arxiv.org/html/1706.03762v7 Интерактивная трёхмерная визуализация устройства большой языковой модели: показывает, как токены проходят через слои трансформера во время генерации ответа. bbycroft.net/llm «World Models» — статья Дэвида Ха и Юргена Шмидхубера 2018 года о том, как модель может строить внутреннее представление мира для планирования и принятия решений. arxiv.org/pdf/1803.10122 #уроки ——— @tsingular

Гугл вспомнили, что нужно выпускать модели :) Gemini 3.6 Flash Ждём на олламе #Google #Gemini ——— @tsingular

Для тех, кто еще не очень разбирается во всей этой ИИшной теме, подготовил немного базовых уроков для понимания как вообще оно устроено. Получилось несколько тем и первую из них решили обсудить открыто, для всех желающих. Начнем буквально с разных методов хранения и поиска информации Остальные уроки будут проводится с подписчиками ИИзбранного. Сегодня общаемся тут в 20:00 мск: https://telemost.yandex.ru/j/46608592180746 #уроки #эфиры ——— @tsingular

✔️ Китай построил ИИ-дата-центр мощностью 1 ГВт -без единого чипа Nvidia По данным Bloomberg, компания Z.ai, ранее известная как Zhipu AI, завершила строительство огромного вычислительного центра на китайских ускорителях и уже частично ввела его в эксплуатацию. Инфраструктура будет использоваться для разработки и обучения передовых моделей семейства GLM. Кроме того, Z.ai построила или эксплуатирует несколько отдельных кластеров, каждый из которых насчитывает более 10 000 чипов. Китай показывает, что способен создавать крупную ИИ-инфраструктуру без критической зависимости от американских ускорителей. Это ещё не доказывает, что местные чипы сравнялись с Nvidia по производительности и программной экосистеме, но подтверждает: полноценная альтернативная вычислительная платформа уже формируется. Параллельно Пекин рассматривает инвестиции примерно в $295 млрд в национальную сеть дата-центров, где не менее 80% технологий должны поставляться китайскими компаниями. Технологическая независимость может оказаться для Китая важнее выпуска очередной frontier-модели. https://www.bloomberg.com/news/articles/2026-07-20/z-ai-completes-giant-data-center-with-chinese-chips-to-train-ai #ai #china #chips #datacenter #nvidia

Multica: платформа, которая делает из AI-агентов полноценную команду Multica превращает кодинг-агентов из инструментов в коллег: назначаешь задачу, агент сам пишет код, репортит блокеры и обновляет статус. Проект с открытым исходным кодом, лицензия Apache 2.0, 41 тысяча звёзд на GitHub. Стек: Go-бэкенд (Chi router) и Next.js 16 на фронтенде, PostgreSQL 17 с pgvector для семантического поиска по навыкам. ⚡️ Техника. Multica не заменяет агентов, а управляет ими как командой. Поддерживает Claude Code, Codex, Cursor Agent, Hermes, Kimi, OpenCode, OpenClaw, Pi и ещё десяток CLI. Агенты появляются на доске задач, проходят жизненный цикл enqueue→claim→start→complete/fail и стримят прогресс через WebSocket в реальном времени. Каждое успешное решение становится переиспользуемым навыком для всей команды. Для масштабирования есть Squads (Команды): группы агентов с лидером, который делегирует задачи участникам. 💰 Бизнес. Рынок и агенты уже созрели: 22% кода уже пишут агенты. Но по исследованию Faros AI есть парадокс: команды с активным AI сливают на 98% больше PR, однако тратят на 91% больше времени на ревью. Узкое горлышко сместилось с генерации кода на координацию. Multica решает именно эту проблему: асинхронное управление агентами вместо постоянного babysitting. Self-hosting через Docker Compose или Homebrew, код не покидает вашу инфраструктуру. 🔮 Будущее. Gartner прогнозирует, что 40% enterprise-приложений будут использовать AI-агентов к концу 2026 года. Multica занимает нишу между фреймворками (CrewAI, LangGraph: «как агентам общаться») и одиночными агентами (Devin, Claude Code). Это операционный слой: Jira для AI-команды. Лицензия Apache 2.0. Интересный аналог Paperclip. Пробуем. #Multica #агенты #OpenSource ——— @tsingular

Белый дом готовит запрет китайских open-source моделей после выхода Kimi K3 Администрация Трампа рассматривает запрет передовых китайских AI-моделей с открытым исходным кодом на территории США. Об этом 20 июля сообщил Axios со ссылкой на источники в администрации. Поводом стал выход Kimi K3 от пекинского стартапа Moonshot AI: модель с 2,8 трлн параметров вплотную приблизилась к флагманам OpenAI и Anthropic, оставаясь в разы дешевле. ⚡️ Техника. Kimi K3: крупнейшая в мире open-weight модель. Она обходит Claude Opus 4.8 и GPT 5.5 на задачах кодинга, уступая только флагманским Claude Fable 5 и GPT 5.6 Sol. Moonshot AI привлекла $2 млрд при оценке выше $20 млрд, инвесторы: Alibaba и Tencent. Релиз открытых весов запланирован на 27 июля. 💰 Бизнес. Американские компании массово переходят на китайские модели: они дешевле и почти не уступают по качеству. Andreessen Horowitz оценивает, что 80% разработчиков, использующих open-source инструменты, уже работают с китайскими моделями. Китайские системы занимают 45% токенов у компаний США. Глава Airbnb публично назвал Qwen от Alibaba «очень хорошим, быстрым и дешёвым». 🔮 Будущее. Советник Белого дома по AI Дэвид Сакс назвал происходящее регуляторным захватом: «ведущие закрытые лаборатории, уже дуополия по выручке от моделей, хотят чтобы правительство уничтожило их open-source конкуренцию». По данным источников, лоббисты OpenAI и Anthropic приходят в администрацию каждые 3–5 месяцев с предложениями запретить открытые модели. 💡 Инсайты. Вместо прямого запрета администрация изучает мягкие рычаги: правила госзакупок, Entity List, публичное давление через тему кибербезопасности. AI Weekly оценивает procurement carve-out как реалистичный сценарий; полный запрет на уровне весов маловероятен: модель уже в интернете, компании переобучают и смешивают её с внутренними данными. Рынок AI-моделей превращается в поле торговой войны. Но когда веса уже в интернете, запретить их примерно так же реально, как отозвать торрент. #Kimi #regulation #OpenSource ——— @tsingular

Unity превращаются в AI-native среду. Добавили CLI. теперь агентам будет еще проще управлять созданием интерактивных и игровых миров. Все эти UI атавизмы для людей - бесполезное. Фокус на удобстве для ИИ агентов. #Unity #CLI ——— @tsingular

LimX j TRON 2 Autonomous Mobile Manipulation Kit - дополнительный модуль для платформы, что чуть выше таскала 30 кг, позволяет роботу самостоятельно таскать грузы, в том числе по лестницам. Курьеры, как настроение? #роботы #LimX j #TRON ——— @tsingular

Справедливый вопрос проскочил, а был ли тест Sol венком сонетов? Исправляюсь. Результат, надо сказать очень крутой. есть частные неточности, но в целом, это 2 или даже 1е место по качеству на сегодня. Наравне с Fable Модели такого уровня программировать будут практически идеально и понимать вложенные структуры задач почти без ошибок. полный венок в комментарии #сонет #венок #GPT #Sol ——— @tsingular

Google встраивает Gemini прямо в кремний: чип Frozen v2 Google разрабатывает серверный чип Frozen v2, который вшивает архитектуру Gemini прямо в кремний. Об этом 20 июля сообщило The Information со ссылкой на источники внутри компании. Акции Alphabet выросли на 3,7% на этой новости. ⚡️ Техника. Вместо того чтобы гонять данные модели между памятью и процессором, Frozen v2 впечатывает нейросетевую архитектуру Gemini прямо в кремний. Веса модели остаются обновляемыми, но сама структура фиксируется на уровне транзисторов. По оценкам инженеров Google, это даёт в 6–10 раз больше токенов на ватт, чем новейшие TPU. Целевой запуск: 2028 год. Чип дополняет линейку TPU как узкоспециализированный ускоритель именно для Gemini. 💰 Бизнес. На фоне дефицита железа Google Cloud уже вынуждены отказывать внешним клиентам и платить SpaceX почти миллиард долларов в месяц за дополнительные вычислительные ресурсы. Frozen v2: попытка срезать расходы на инференс радикально, меньше ватт на токен и меньше серверов на пользователя. Кстати схожая ситуация у Кими, - они были вынуждены остановить продажи подписки на их новую модель из-за нехватки мощностей. 🔮 Будущее. Это новый тренд: чип заточен под одну конкретную модель вместо универсального ускорителя. Стартап Taalas уже продаёт чип Hardcore с той же идеей: модель впечатана в кремний, до 17 000 токенов в секунду. OpenAI сделал свой чип с Broadcom, Anthropic обсуждает кремний с Samsung. Гонка кастомного AI-железа переходит в фазу «один чип на одну модель». 💡 Инсайты. Ставка рискованная: если архитектура Gemini изменится, чип устареет. Google пытается смягчить риск обновляемыми весами, но базовую структуру уже не изменишь. Показательно, что внутри компании Frozen v2 пока рассматривают как эксперимент, а не полноценный продукт. Масштаб производства будет значительно ниже TPU. Получается что-то вроде ASICов для биткоина, - 1 модель 1 скорость. Хочешь обновления, - покупай новый. Но тогда и цена у них должна быть не большая, хочется верить. #Google #Gemini #железо #Frozen ——— @tsingular

Робот-учитель Sally выходит в государственную школу Нью-Йорка: первый эксперимент в США Осенью 2026 года в Salamanca City Central School District, небольшом сельском округе на западе штата Нью-Йорк, появится человекоподобный робот-ассистент Sally. Он будет помогать вести уроки по программированию, робототехнике и AI для пятисот учеников 11–12 классов. Один из первых случаев, когда гуманоид входит в американскую государственную школу как часть учебного процесса, а не как экспонат. 🤖 Sally построен на платформе Realbotix M-Series: силиконовая кожа, подвижная верхняя часть тела, мимика, акцент Западного Нью-Йорка. Робот стационарен, ученики входят по персональному коду, а Sally запоминает историю взаимодействия и адаптирует объяснения под прогресс каждого. Параллельно работает Optio, AI-тьютор на ноутбуках, доступный круглосуточно и обученный на местной учебной программе. Система замкнута в офлайн-сеть: без интернета, без распознавания лиц, без записи. 💰 Стоимость: $57 590, что ниже средней зарплаты учителя в штате. Округ бедный, около 80 % учеников экономически неблагополучные, и именно это вызвало критику: зачем робот, если не хватает живых учителей? 🔮 Ситуацию осложняет бэкграунд Realbotix. Компания в 2024 году купила материнскую структуру RealDoll, производителя силиконовых секс-кукол. Realbotix настаивает, что образовательное подразделение работает с отдельным персоналом и технологиями. 💡 Схожие проекты есть но кейс Salamanca первый, где антропоморфный робот заходит в обычную государственную школу, а не в частную лабораторию. Если сработает, тиражирование неизбежно. Силиконовый ассистент за $58 тысяч, который помнит твои оценки и не устаёт, в школе, где не хватает живых учителей. Сюжет "Класс 1999" практически один в один. Осталось только вооружить учителей-роботов. #EdTech #AIinEducation #роботы ——— @tsingular

Hermes Agent v0.19 Quicksilver update ⚡️ 20 июля Nous Research выкатили v0.19, крупнейшее обновление Hermes Agent: 2 245 коммитов, 1 065 PR, 3 300 закрытых issues, больше 450 контрибьюторов. 🚀 Холодный старт ускорен на 80 %: 4,3 секунды превратились в 0,9. Reasoning-модели стримят мышление по умолчанию, без спиннера на полминуты. Десктоп: рендеринг Markdown теперь в 14 раз быстрее, виртуализированные диффы, переключение сессий без тормозов. 🔐 Ключи API теперь живут в Bitwarden и 1Password, подключаемый интерфейс секретов без единого .env. LLM-ревьюер оценивает подозрительные команды, block_list блокирует их даже в yolo-режиме. Ответы агента пишутся в durable ledger до отправки: если gateway лёг, сообщение не теряется. 🔄 delegate_task возвращает live-транскрипты сабагентов сразу после запуска, фоновая делегация переживает перезапуск процесса. Мультиплексирование gateway позволяет одному бот-токену обслуживать разные серверы и каналы с изолированными профилями. 📡 Новые провайдеры: Fireworks AI, DeepInfra. Экспорт сессий в Markdown, Quarto, HTML, Hugging Face. 💡 Nous Research привлекает $75M при оценке $1,5 млрд. От опенсорсного агента до платформы за полгода. #Hermes #update ——— @tsingular

Kimi K3: хайп реальный, но есть нюанс Moonshot AI выпустила Kimi K3: MoE-модель на 2.8 трлн параметров с контекстом до 1 млн токенов и native vision. Для домашнего запуска она слишком огромная: полноценный self-hosting требует дата-центра. K3 сразу заняла 1-е место в Frontend Code Arena с 1 679 баллами, победив в 6 из 7 категорий. Но Arena - это субъективное A/B-голосование за самый привлекательный интерфейс, а не проверка архитектуры и надёжности кода. --- 🧪 Что показал реальный тест Три модели получили одинаковый prompt: создать sci-fi dashboard с интерактивным 3D-глобусом. По качеству результата: 1. Claude Fable 5 2. Kimi K3 3. GPT-5.6 По ресурсам: - Kimi K3: 21.5 млн токенов, 93 минуты, $8.66. - Claude Fable 5: 3.5 млн, 17 минут, $11.64. - GPT-5.6: 5.6 млн, 25 минут, $5.66. Kimi потратила в 6.1 раза больше токенов и работала в 5.5 раза дольше Claude, сэкономив только 26%. --- 🎯 Вердикт Kimi K3 уже конкурирует с frontier-моделями во frontend и визуальных прототипах. Но «уровень Claude за копейки» пока не получается: низкая цена токена съедается многословностью и скоростью. Затестать стоит. Переводить production workflow только по красивому leaderboard - ну такое. 🔗 Kimi: https://www.kimi.com/en 🔗 Видео: https://www.youtube.com/watch?v=MeYdaNnXuHI #KimiK3 #AI #LLM #Бенчмарки --- @rasskazov_io_channel

Qwen3.8 - венок сонетов о Технологической сингулярности. По мне так совсем слабо. даже не уровень Opus 4.8 Возможно в каких-то технических задачах она и будет хороша ( детализация в венке неплохая), но в целом для креативной работы я бы не рекомендовал и без хорошего харнесса в рекурсивную разработку тоже бы не ставил. моя оценка, - 7 соннетов из 15ти :) полный венок в комментарии #Qwen #венок #сонет ——— @tsingular

Кими не выдержали нагрузки. #Kimi ------ @tsingular

https://chat.qwen.ai/ #qwen ------ @tsingular

PaperBanana: опенсорс-реализация генератора научных иллюстраций от Google Research На гите появился открытый код статьи Пекинского университета и Google Research про автоматическое создание академических диаграмм из текстового описания методологии. ⚙️ Семь агентов работают в два этапа. Первый подбирает эталонные примеры из курируемой базы и строит текстовый план будущей иллюстрации с поправкой на стиль конкретной конференции, а второй создает агентский цикл генератора с критиком: генератор рисует картинку, критик сверяет её с исходным текстом и возвращает правки, и так до трёх раз или пока критик не скажет «хорошо». 🔬 Неожиданный вывод авторов: случайно выбранные референсные примеры работают почти так же хорошо, как семантически подобранные. Модели важнее показать сам стиль академической диаграммы, а не точное совпадение темы. 📊 Бенчмарк из статей последних конференций даёт прирост в 37 процентов по лаконичности и 13 по читаемости, а в слепом тесте люди выбрали сгенерированную картинку в трёх случаях из четырёх. 💼 Кроме самих диаграмм проект умеет строить статистические графики через генерацию программного кода, полировать готовые иллюстрации под требования конкретного журнала и собирать целый пакет фигур для статьи одной командой. Поддерживает OpenAI и Gemini, ставится одной командой, запускается из терминала и как сервер для сред разработки. Есть CLI, MCP режимы и готовый навык для CC. #PaperBanana #opensource ——— @tsingular