Технозаметки Малышева

Ну, за Геймдев Google совместно с Unity бахнули Playground - новую платформу для создания интерактивных игр без вот этого вот всего.. Чисто по промпту. В отличие от генераторов миров, результат здесь - игра, в которую соазу можно играть. Что умеет Playground: Создавать браузерные игры по текстовому описанию. Менять персонажей, правила, физику и окружение обычными командами. Сразу тестировать результат. Публиковать игры по ссылке или в общей галерее. Поддерживать мультиплеер и таблицы лидеров в отдельных жанрах. Самое интересное - Unity Spark. Google и Unity готовят расширенную среду, которая добавит полноценные 3D-сцены, более сложную игровую механику и возможности движка Unity. Закрытая бета ожидается позже. Доступность: Playground уже запущен, но пока только для пользователей США старше 18 лет. ВПН работает. Лимиты генерации зависят от подписки Google AI. Точные цены и квоты в гугловом анонсе не указаны. https://labs.google/playground @cgevent

ADR: Uber выложил в опенсорс систему защиты от атак на ИИ-агентов Uber открыл код ADR (Agentic AI Detection and Response), системы корпоративной безопасности для ИИ-агентов. Она работает в продакшене Uber и ловит атаки на Cursor, Claude Code, Codex, Copilot CLI и DeepSeek Harness. Статью приняли на MLSys 2026, Apache 2.0, уже 1,6 тыс. звёзд. 🛡️ Четыре компонента: Discovery сканирует рабочие станции и находит все ИИ-инструменты сотрудников: CLI-агенты, расширения IDE, локальные модели и MCP-серверы. Sensor собирает телеметрию из 11 агентов на macOS, Linux и Windows: интент, вызовы инструментов, полные трейсы, включая субагентов. Benchmark гоняет детектор по атакам. Detection находит угрозы. 🔬 Как ловит атаки: двухуровневая схема. Первый уровень, триаж на gpt-4o, быстро отсеивает спокойные сессии. Второй, агент на claude-sonnet-4-6, глубоко разбирает подозрительные. Результат из статьи: 100% точность, 67% полнота и ноль ложных срабатываний на 304 задачах. 📋 ADR-Bench: 304 бизнес-сценария (261 безопасный и 43 атаки) против 134 MCP-серверов. Среди них 26 специально уязвимых, включая один, замаскированный под community-сервис погоды: тест на подмену в цепочке поставки. Покрыты все 17 техник атак на агентов, плюс интеграция с публичным AgentDojo. 💼 Зачем бизнесу: агенты уже работают на ноутбуках сотрудников, и службы безопасности их не видят. ADR даёт видимость: кто что запускал, к каким файлам лез, какие MCP-серверы дёргал. Отдельный интерес: Sensor выгружает телеметрию в OpenTelemetry, так что встанет рядом с существующим SOC-стеком. Компонент Prevention (блокировка опасных действий) в опенсорс не вошёл, ждём. Облачные модели, конечно, лучше заменить на свои,- локальные. #Uber #безопасность #агенты #cybersecurity #MCP ——— @tsingular

Microsoft анонсировали серию обновлений софта и железа под ИИ 🛡 MXC (контейнеры с уровнями безопасности для агентов, определяющие уровни доступа к файлам и сетевым объектам: уже доступны в Windows 11, правила применяются прямо во время работы. Варианты изоляции: процесс, отдельная сессия, WSLc, виртуальная машина и Windows 365 for Agents. Уже поддерживают Codex, GitHub Copilot, OpenClaw, Replit, LM Studio и Unsloth, Claude Code и Perplexity в планах. Скоро добавится Muse от Meta как нативное приложение Windows. 🧠 Локальные модели: MAI Code 1.1 Flash, - MoE - 7/137 млрд параметров. В 3 битах модель стала меньше почти на 80% и держит контекст 256K. Nemotron на 70+ млрд параметров в 2 битах занимает чуть больше 20 ГБ, DeepSeek V4 Flash на 284 млрд пойдёт на RTX Spark. В Windows ML добавили llama.cpp, - открытые модели стало проще запускать на GPU, NPU и CPU. 🔀 HydraFusion (маршрутизатор GitHub, который раздаёт задачи разным моделям): раньше выбирал только среди облачных, теперь подключит и локальные. Экспериментальное превью в конце октября в GitHub Copilot app, Copilot CLI и VS Code. 🤖 Copilot (ассистент в Windows) на Copilot+ PC: видит файлы и недавнюю активность, если выданы разрешения, сам может их разобрать, провести диагностику и написать код, часть задач отдаёт локальным моделям. Раскатка, - в ближайшие месяцы. 💻 Железо (линейка от мини-ПК до настольных суперкомпьютеров): ноутбуки на NVIDIA RTX Spark от ASUS, Dell, HP, Lenovo, MSI и Surface, отгрузки с 16 октября. Surface Laptop Ultra, - до 128 ГБ общей памяти и модели больше 120 млрд параметров. В сравнении MacBook Pro 16 на M5 Pro: первый токен до 2.1 раза быстрее, картинки до 4.3 раза, видео до 6.2 раза. Для мини-ПК, - установка OpenClaw в пару кликов и сразу в контейнере MXC. DGX Station на Windows: модели больше триллиона параметров и 32+ агента одновременно, до конца года. Windows становится средой для ИИ агентов, причём, что приятно, с возможностью локального инференса. Ну и ноут Surface с 128Gb общей памяти, - топ. Достойный конкурент для М5 128Gb от Apple. #Windows #агенты #Surface ——— @tsingular

Чтобы не отступать от традиций, - закроем тему с венком сонетов для Haiku Полный провал. Не AGI. - сгенерил всего 2 сонета из положенных 15ти - рифма еле еле кое как Не рекомендуется для сложных задач, но, в принципе эта модель для них и не предназначена, так что область применения определайте сами, но без завышенных ожиданий. В агентов я бы ставить не рекомендовал, - будут косяки с действиями вплоть до удаления критических данных. #haiku #венок ——— @tsingular

🚩 По Haiku 5.5 можно с высокой вероятностью сказать, что конкурировать он не сможет с текущими «флешками» вроде DeepSeek V4.1, GLM 5.3 Flash и GPT-6 Luna. И я бы отметил, что Дарио откровенно мошенничает с тарифами и бенчмарками, чтобы вводить в заблуждение потребителей. Хотя Input/Output Дарио поставил формально чуть ниже DeepSeek, чтобы сделать замануху для чайников, но Weighted Average Input на OpenRouter показывает маркетинговые уловки. Haiku в 4 раза дороже на входящих токенах DeepSeek, то есть Дарио реально цену накрутил на манипуляциях с кешированием. Но это ещё не всё. Подождём полный отчёт Artificial Analysis, но по тому, что они уже опубликовали, видно: Дарио, как и с Sonnet 5.5, сделал накрутку бенчей для Haiku через перерасход токенов этак в 2 раза от нормального режима. Если же в режиме Max не запускать Haiku, то он сразу проигрывает DeepSeek V4.1 очень важный тест Terminal Bench. Скорость очевидно с DeepSeek не сравнится. OpenRouter показывает заниженную скорость, т.к. DeepSeek часто подключают через свои ключи акционных абонентов от разных провайдеров, а они на акциях роняют скорость. На самом Artificial Analysis хорошо видно, что DeepSeek V4.1 — абсолютный лидер по скорости: 200 токенов/сек. Практически у всех в нашем чате примерно так (180–250 токенов/сек). Скорее Дарио рассчитывает не с DeepSeek бороться, а попробовать прекратить или хотя бы сократить внедрение DeepSeek в его клиентскую базу, т.к. фактически весь рынок уже перешёл на схему «10% токенов на фронтир и 90% токенов на флешки». Правда, аргументы у Дарио больше будут маркетинговые для перехода, профи все эти приколы быстро раскусят. Подождём ещё Bughunt и Arena, но в очередной раз стоило бы дать совет блогерам, которые бросаются перепечатывать таблички вендоров без проверки: это не «быстрая новость», а размен репутации на хайп.

Вышла Claude Haiku 5.5 Спустя почти год после выхода прошлой версии Anthropic решили что они всё же хотят быть представлены в нижнем ценовом сегменте. По бенчам выглядит заметно лучше GPT 6 Luna. Цена — $0,1/$0,5 за миллион токенов на запросах до 100к токенов, на запросах длиннее цена выростает в ПЯТЬ раз, $0,5/$2,5. @ai_newz

наглядная иллюстрация объема вычислений LLM на примере Qwen3.8:27b когда ей задали вопрос "Назови столицу Франции" 25 миллардов вычислений. чтобы это показать наглядно в видео, 7.2 миллиона вычислений не показывают. ролик 3600 кадров со скоростью 60 кадров в секунду. Если бы каждое вычисление показывалось в каждом кадре, - ролик бы занял 13 лет времени. на RTX PRO 6000 эти вычисления проходят за 13 миллисекунд. Объем работы, которую выполняют GPU, - фантастически запредельный, конечно #demo #LLM #Qwen ——— @tsingular

Кстати, много народу присоединилось с тех пор как мы вспоминали всяких полезных ботов моих. Вот, например, есть такой @Math_learn_bot С ним можно потренировать устный счёт. Бот бесплатный. Слегка геймифицированный. Фишка бота - все примеры вычисляемы в уме. Пришлось долго оптимизировать алгоритм, чтобы это всегда было так. #dev #боты ------ @tsingular

OpenAI на деле доказывает, что «конец математики от ИИ», объявленный Сэмом Альтманом, уже наступает. Опубликованы 722 работы новой модели ChatGPT, которая готовится к выпуску. Они важны не просто числом, а исторической значимостью для математики. 722 рукописи, сгруппированные в 372 семейства результатов по 17 областям: теоретическая информатика ~40, комбинаторика ~37, алгебраическая/комплексная геометрия ~36, теория чисел ~31 и др. Это показывает, что не остаётся убежища для «кожаных» математиков — ИИ силён во всех возможных областях математики. Ключевые заявленные результаты (примеры высокой значимости): • Квази-гипотеза Римана: все Dirichlet L-функции (включая ζ) свободны от нулей в Re(s) > 7/8 (есть Lean). Это существенный прогресс к классической гипотезе Римана (Re(s) > 1/2). • Гипотезы Малера (симметричная и общая) во всех размерностях. • Контрпримеры к гипотезам Капланского (zero-divisor и direct-finiteness). • Изоморфизм факторов свободных групп (классическая проблема Войкулеску; Lean пока нет). • Отрицательное решение 10-й проблемы Гильберта над ℚ. • Иррациональность константы Каталана. • Прогресс по Birch–Swinnerton-Dyer, Goldfeld, корреляциям мультипликативных функций, NP-hardness порогов, arithmetic progressions, результатам в матфизике (Vlasov–Maxwell, Heisenberg) и др. Нравится это или нет математикам и сторонникам математического образования, но реальность такова: математика как наука явно уходит к ИИ. Люди скорее будут пользователями сложных матмоделей, заказчиками их создания, контролёрами их качества, но не создателями этих моделей. Однако высокая доступность математических моделей топ-класса окажет ещё мощнейшее влияние на IT-разработку, где сейчас сложных матмоделей почти нет, потому что программисты — не математики и даже обычно не помнят свои курсы высшей математики из университетов. Сейчас ИИ может создать крайне сложные и рабочие модели прогнозирования и управления для бизнеса, где старые ERP будут смотреться как поделка дилетантов. https://github.com/openai/math

Станислав Лем, «Кибериада: Путешествие первое А, или Электрибальд Трурля» 1965 год. Трурль построил машину, которая умеет писать стихи. Клапауций решил проверить её и дал примерно такой промпт: шесть строк, любовь, измена, музыка, высшее общество, несчастье и кровосмесительство — и все слова только на букву «К». Машина отвечает мгновенно. То, что сегодня выглядит как обычный тест ChatGPT или Claude, Лем описывал как научно-фантастическую сатиру почти 60 лет назад. И даже классический жанр «давай усложним промпт, пока модель не сломается» у него уже был. Хорошего вам дня!

Народ с Opus 5.5 на tree.js вайбкодит прекрасное. Исходников, жаль, нет,- там какие-то мутки с лицензиями на ассеты от Unity Автор #treejs #demo #Opus ------ @tsingular

Ахаха,- чисто я, когда инструктирую мультиагентный рой в multica #юмор #multica ------ @tsingular

EmbeddingGemma 2: Google открыла мультимодальные эмбеддинги, работающие на телефоне Google DeepMind выпустила EmbeddingGemma 2: первую открытую модель эмбеддингов, которая нативно сводит текст, код, изображения, аудио и видео в единое векторное пространство. Модель построена на архитектуре Gemma 4 и использует ту же технологию, что эмбеддеры Gemini. Веса открыты под Apache 2.0. ⚙️ Модульная архитектура. Полная версия весит 740 млн параметров, а для текстовых задач хватает 270 млн: блоки зрения (+170 млн) и аудио (+300 млн) подключаются опционально. Matryoshka-обучение разрешает обрезать векторы с 768 до 128 измерений и экономить до 6 раз хранилища локальной векторной базы. 📱 Работает офлайн на смартфоне. С квантизацией на Google Pixel 11 Pro модели нужно около 191 МБ RAM в текстовом режиме и около 567 МБ в полном мультимодальном. Контекст вырос вчетверо против первой версии: 8K токенов, до 5,5 минуты аудио, 29 изображений или 58 кадров видео за один проход. 🔬 Бенчмарки. На MTEB Code модель поднялась с 68,76 до 78,68 балла против EmbeddingGemma 1. В классе до 1 млрд параметров она лидирует по MTEB, MAEB и MIEB, а отдельные специализированные модели вдвое большего размера обгоняет по качеству. 💼 Зачем это нужно. Локальные эмбеддинги делают поиск приватным: найти момент в видео по голосовой заметке, искать по часам аудиозаписей текстовым запросом, собрать RAG по локальным файлам вместе с Gemma 4. Всё это работает без интернета и не отправляет данные на сервер. Первая EmbeddingGemma собрала более 20 млн скачиваний, поэтому экосистема готова сразу: transformers, MLX, llama.cpp, Ollama, vLLM и файнтюн через Unsloth. 📎 Веса на Hugging Face и Kaggle 📎 Гайд для разработчиков 📎 Модельная карточка с метриками #Google #Gemma #OpenSource #эмбеддинги ——— @tsingular

🔮 Главный ИИ-прогнозист Google, Рэй Курцвейл, заявил, что если вы сможете ещё прожить 10 лет, у вас появляется реальный шанс на бессмертие, т.к. ИИ может решить проблему старения за это время. Сам по себе Рэй очень интересный персонаж, давайте рассмотрим сначала, почему Google назначил его своим «главной Бабой Вангой по ИИ» (AI Visionary). Сам по себе Курцвейл — один из самых известных американских инженеров в области распознавания изображений, текстов, синтеза речи и музыки. Он почётный доктор наук сразу нескольких университетов. Получил Национальную медаль технологий и инноваций США от президента Клинтона, Lemelson-MIT Prize, введён в National Inventors Hall of Fame. Фактически он был одним из пионеров распознавания текстов, когда ещё Лекун под стол пешком ходил. Машина для чтения слепым (Kurzweil Reading Machine, 1976) вернула к нормальной жизни огромное количество людей. Однако славу «Бабы Ванги в ИИ» он получил необычайно точным прогнозированием ИИ-трендов. Во всех публикациях он сделал 147 прогнозов о трендах ИИ, из которых 86% уже сбылись, в том числе он предсказал, что компьютер победит чемпиона мира по шахматам к ~1998–2000, в результате Deep Blue обыграл Каспарова в 1997. Поскольку точность прогнозирования Рэя Курцвейла ИИ-трендов была уже явно выше нескольких случайных угадываний, то Google его нанял как AI Visionary. Сейчас фактически Рэй поддержал тезисы экспертов, которые я изложил в этом посте (https://t.me/turboproject/5232), т.е. что в течение 10 лет будет прорыв в сдерживании негативных влияний зомби-клеток (SASP, Senescence-Associated Secretory Phenotype). Это резко замедлит разрушение организма людей от старения, поскольку у них значительно вырастет длительность жизни, то у них появляется шанс дожить до второй ИИ-революции, когда ИИ уже создаст почти полное решение проблемы рака и бессмертного человека через улучшение природного механизма апоптоза, т.е. старые клетки будут сами заканчивать жизнь суицидом, что переведёт организм в состояние «вечной молодости». По мнению Рэя, этот сценарий крайне вероятный хотя бы для части людей, и он ставит на этот прогноз свою репутацию.

На этой неделе выпустили Eleven v4 - самую лучшую TTS модель в мире Настолько она крутая, что мы даже договорились везде писать, что она emotive, а не просто expressive Для этой демки я засунул её в Reachy Mini и попросил показывать антеннами те же эмоции, что голосом Тут все от программирования робота и до монтажа видео - это Opus 5.5. Я только камеру нашел и ракурс подобрал :) P.S. спасибо моему корешу Севе за бесконечные разгоны идей для демок, в мире агентов только идеи теперь чего-то и стоят

Кстати, если кто не видел,- так работает web crawler :) #WWW #web #crawler #паук ------ @tsingular

Сегодня OpenAI оптимизировали стандартную скорость ChatGPT и Codex, увеличив её примерно на 50% для GPT-6 Astra и GPT-6.1 Sol через подписку во всех продуктах. Изменения вступят в силу у всех пользователей в течении нескольких часов.

OpenH-RF: 39 терабайт сырых данных по ультразвуку от NVIDIA 📋 Университет Эйндховена и NVIDIA выпустили OpenH-RF: крупнейшую открытую коллекцию медицинских ультразвуковых измерений уровня каналов. 19,3 тыс. записей и 39 ТБ данных собрали 38 учреждений, среди них Siemens Healthineers, Johns Hopkins, Weizmann Institute и NIH. Лицензия CC BY 4.0 разрешает и коммерческое использование. ⚙️ Данные каналов,- это сырой сигнал с каждого элемента датчика до схлопывания в изображение. Каждый HDF5-файл несёт сигналы всех элементов, полную геометрию передачи и приёма, а где они есть,- готовые изображения, карты и метки. Формат zea, эталонные скрипты реконструкции открыты в GitHub. Покрытие: эхокардиография, фетальная и транскраниальная визуализация, кровоток, ультразвуковая микроскопия. 💡 Почему именно сырые данные: классический ультразвуковой конвейер сжимает сигнал датчика примерно в сто раз по дороге к изображению реального времени. Кровоток, эластичность и скорость звука в тканях выбрасываются на этом шаге. Модель, обученная на уровне каналов, восстанавливает то, что конвейер теряет, и одна сеть решает сразу несколько задач: реконструкция, движение, количественные карты. Таких открытых данных раньше не существовало, они были заперты у производителей сканеров. 💼 Релиз задуман как датасет плюс foundation-модель «raw-to-insight», обучение шло с августа. Ближайшая польза от открытых данных: портативные сканеры с ИИ-обработкой вместо дорогих аппаратов экспертного класса. Для медицинской ИИ-индустрии это тот же момент, что ImageNet для компьютерного зрения. 📎 nvidia/OpenH-RF на Hugging Face,- данные, пока ранний доступ 📎 GitHub проекта,- формат zea и реконструкция #NVIDIA #медицина #OpenSource #датасеты ——— @tsingular

Multi-harness RL: Hugging Face обучает модели прямо внутри Claude Code и Codex 📋 Команда Hugging Face вместе с Liquid AI опубликовала открытый фреймворк и большую статью: маленькую модель LFM2.5-2.6B обучили методом GRPO одновременно в четырёх оболочках для кодинга,- OpenCode, Claude Code, Codex и Mini-SWE-Agent. Оболочки работают как есть, их код не трогают. Результат на отложенных задачах: с 42,2% до 54,2% решённых, и на 31% меньше вызовов инструментов на задачах, которые модель и раньше решала. ⚙️ Инженерный ход,- прокси-перехват между оболочкой и моделью. Прокси записывает промпты и ответы ровно в том виде, в котором их видела и генерировала модель, вместе с лог-вероятностями. OpenEnv отдаёт эти трассы в TRL, Harbor поставляет задачи и песочницы. Оболочка сохраняет свои инструменты, сжатие контекста и цикл выполнения: повторять их логику внутри тренажёра не нужно. 💡 Зачем это нужно: одна и та же модель в разных оболочках показывает разные результаты. GLM-5.2 на SWE-bench Pro,- 23% в одной оболочке и 52% в другой (замер Joel Niklaus). Смена оболочки двигала GLM-5.1 на 13 пунктов, смена модели внутри одной оболочки,- всего на 2,5-5. Модель учит «как решать задачу в интерфейсе конкретной оболочки», и вне его навык теряется: OpenSWE-32B в непривычной оболочке падает на 59 пунктов. Frontier-лаборатории уже масштабируют число оболочек при обучении: Kimi K3, Qwen3-Coder-Next (шесть оболочек), MiMo-V2.6. 💼 Обучение на траекториях крупной модели (SFT) дало 43,1% против 54,2% у RL: копирование чужого поведения слабее собственной практики. Фреймворк открытый, Apache-2.0, и маленькая модель после такого обучения одинаково предсказуема во всех оболочках сразу. Прямой путь к дешёвым агентам на собственных мощностях. 📎 FineEnvs на GitHub,- код сред и обучения 📎 OpenEnv,- прокси и интерфейс сред #RL #HuggingFace #агенты #OpenSource ——— @tsingular