Что было бы, если бы советское кино вышло в современной России?
Получились знакомые сюжеты, но с совсем другими приметами времени.
Показать полностью
6
0 просмотренных постов скрыто
Яндекс-Алиса сломалась наглухо
Сегодня сутра происходят с Алисой интересные вещи. Сутра пишу в чат устройство "лампочка в зеленой комнате", устройство есть, на месте - я его так включал раньше через чат с компа. Алиса начинает рассуждать почему комната зеленая, наверное фитоламна а что сделать, включить и на сколько и ни хера не делает. Через 3 повтора начала мне что-то из поиска тащить, пришлось открывать приложение. Ладно - включил приложением.
Есть сценарий - сказать "проветри" - включить вытяжки на максимум. Говорю колонке "Алиса, проветри" А что проветрить а как? Говорю "сценарий проветри" отвечает мне какую-то дичь что можно сделать сценарии и т.д. Охереть - запустил через приложение.
Нужен будильник через час и пятнидцать минут - раньше работало, ну тут-то что может сломатьяс? Говорю Алиса, посставь будильник через час пятнадцать (время 10-40) отвечает что "поставила будильник на 11 часов 40 минут 15 минут. Что бл?
Говорю убери будильник поставь через полтора часа "поставила будильник на 11 часов 40 минут 39 минут. Охренительно! В общем варианты были еще с секундами - потом назвал время будильника вроде правильно поставила.
@Yandex, вы кого там набрали по объявлению? Тестируете хоть что-то? Я не уверен что это всё - чтото много сразу говна стало да так что Алису пользовать не возможно..
Это я не говорю что ни как нормальную поддержку датчиков некоторых не сделаете, говорит розетка и всё тут, а выключатель для вытяжки например назначить как вентиляция нельзя. Это что за сырой продукт ещё и ломающийся так резко?
Показать полностью
Психиатрия нового поколения
Ленты в последнее время стали 🤮... Пора вводить новую классификацию ИИ-типичных расстройств личности ... Что-то типа маниакально-депрессивного синдрома создателя контента... или ИИ-типичное пассивно-агрессивное расстройство тоже подойдёт...
Инженеры, пост для вас! Приглашаем на E-CODE 2026
Ежегодно ко Дню программиста Ozon Tech организует масштабное ИТ-событие — конференцию E-CODE. В этом году он решил не ограничиваться одной датой и занял оба выходных: 12 и 13 сентября. Конференцию делают инженеры для инженеров — от концепции до состава выступлений, с расчетом на уровень middle+.
Что в программе
Организаторы запланировали восемь треков и пригласили более 50 спикеров. Пообщаться с экспертами можно будет по темам:
инфраструктуры и DevOps;
Go, C#, Java;
мобильной разработки;
машинного обучения и работы с данными;
тестирования и автоматизации QA;
информационной безопасности;
менеджмента и научпопа с фокусом на космонавтику и суперкомпьютеры;
робототехники.
В рамках конференции пройдет отдельный трек «Робозон». Здесь роботы сортируют, рисуют, готовят и играют в настолки. Можно собрать свой мини-конвейер в DIY-зоне, устроить личный тест-драйв железным помощникам и посмотреть финал «Робозон» — хакатона по роботизации сортировочных центров. А между активностями — доклады об умной сортировке, стереозрении, поддержке сотни собственных устройств по измерению габаритов товаров и тестах ИИ-ускорителей.
А еще гостей ждут: IT-квесты, Burning Talks и Ozon DSGN. Обсудите карьеру с HR, заберите мерч и останьтесь на вечернюю часть. На одной площадке выступят Нейромонах Феофан, Кассета, ХЛЕБ, Jane Air, DJ Groove и Александр Анатольевич.
Часть программы покажут в трансляции, а записи докладов и материалы выступлений придут всем зарегистрированным участникам.
Реклама: ООО «ОЗОН ТЕХНОЛОГИИ», ИНН 7703475603
Показать полностью
Как устроена архитектура ИИ-платформы: от загрузки данных до готового ответа нейросети
Генеративные нейросети прочно вошли в рабочие процессы многих компаний: их используют для создания текстов, анализа документов, написания кода, обработки изображений и решения более сложных задач вроде глубоких исследований или работы с большими объемами данных. Но за внешней простотой — закинул запрос, получил ответ — скрывается сложная техническая инфраструктура. Разберем, из чего она состоит и как устроен путь от нажатия кнопки «Отправить» до появления сгенерированного текста.
С чего всё начинается: входная точка и авторизация
Пользователь заходит на ИИ-платформу через веб-интерфейс или подключается через API. В случае с API, например, может использоваться стандартный OpenAI-совместимый формат, что позволяет разработчикам легко интегрировать нейросети в свои приложения без переписывания кода под каждого конкретного провайдера.
На этом этапе система проверяет API-ключ или учетную запись пользователя: есть ли доступ к запрашиваемой модели, активен ли аккаунт и достаточно ли средств на балансе, если речь идет о платежной модели. В случае с оплатой по токенам — а именно такой формат набирает популярность — списание происходит не за время работы сервера, а за фактически обработанный объем данных: входящие и исходящие токены.
Маршрутизация: куда отправляется запрос
После авторизации запрос попадает в балансировщик нагрузки. Это точка входа в инфраструктуру, которая распределяет входящие вызовы между доступными экземплярами моделей. Задача балансировщика — не допустить перегрузки одного сервера, если в тот же момент поступает много запросов, и обеспечить равномерное распределение нагрузки.
Если платформа использует несколько моделей, на этом этапе также происходит роутинг к нужному экземпляру: пользователь выбрал GPT 5.5 — запрос идет к нему, выбрал Qwen 3.7 Max или Claude Sonnet 5 — соответственно, на другой эндпоинт. Современные ИИ-платформы объединяют десятки моделей в едином интерфейсе, и пользователю не нужно знать, на каком сервере физически развернута каждая из них — это задача инфраструктуры.
Инференс-слой: где нейросеть думает
Самый ресурсоемкий этап — инференс, то есть процесс генерации ответа нейросетью. Именно здесь происходят все вычисления, которые требуют мощных GPU (графических процессоров) и много памяти для размещения MoE-моделей. Запрос в виде текста преобразуется в последовательность токенов — это числовые представления слов и частей слов, которые модель способна обрабатывать. Затем нейросеть, состоящая из миллионов или миллиардов параметров, вычисляет вероятности следующего токена, генерирует его, и процесс повторяется до тех пор, пока не будет сформирован полный ответ.
Это требует колоссальных вычислительных мощностей. Если модель развернута на выделенных GPU-серверах, клиент получает максимальную производительность и контроль. Но есть и другой путь — доступ к моделям через API без аренды собственных GPU. В этом случае пользователь арендует не железо, а вычислительную мощность по факту использования: модель работает в инфраструктуре провайдера, а клиент платит только за обработанные токены. Для бизнеса это означает отсутствие капитальных затрат на закупку и обслуживание GPU-серверов, а также экономию на инженерах, которые настраивают и поддерживают инференс.
Облачная или локальная LLM: что выбрать для своего проекта — читайте в блоге Рег.облака.
Работа с данными: контекст и долгосрочная память
Современные ИИ-платформы умеют работать не только с сиюминутным запросом, но и с большими контекстами — десятками и сотнями тысяч токенов. Это позволяет загружать в модель целые документы, инструкции или базы знаний и получать ответы на их основе.
Для этого в архитектуру добавляются дополнительные слои: системы управления контекстом, механизмы поиска по документам (RAG — Retrieval-Augmented Generation) и инструменты для обработки больших массивов данных. Когда пользователь загружает файл и задает вопрос по его содержанию, платформа сначала векторизует документ, затем находит релевантные фрагменты в базе знаний, и только потом передает их модели вместе с запросом. Это позволяет получать точные ответы без необходимости помещать весь документ в память нейросети, что технически нецелосообразно или недоступно из-за окна контекста, стоимости, задержки и качества.
Мультимодальность: текст, картинки, голос
Многие современные модели — мультимодальные. Это значит, что они способны обрабатывать не только текст, но и изображения, аудио и видео. В случае с мультимодальными запросами в архитектуре появляются дополнительные модули: кодировщики изображений, которые преобразуют картинку в числовое представление, которое затем передается в основную языковую модель.
С технической точки зрения мультимодальные запросы сложнее. Вес изображения может превышать вес текста, а его обработка требует отдельного этапа в пайплайне. Кроме того, нужно обеспечить совместимость разных типов данных в рамках одного запроса, чтобы модель одновременно понимала и текст, и картинку.
Мониторинг и управление ресурсами
На протяжении всего процесса — от поступления запроса до возврата ответа — система собирает метрики: время обработки, количество токенов, загрузку GPU. Это нужно как для контроля расходов (вспоминаем оплату по токенам), так и для обеспечения стабильности работы. Если какой-то узел перегружен, система может перенаправить запрос на другой сервер или, в случае внешней модели, переключить пользователя на альтернативный эндпоинт.
Пользователю при этом в личном кабинете доступна статистика использования: сколько токенов потрачено по каждой модели, какова динамика расходов, какие модели используются чаще. Это позволяет контролировать бюджет, если в компании несколько сотрудников или команд работают с нейросетями.
Что на выходе: от токенов к человекопонятному тексту
Когда модель завершает генерацию, система выполняет обратное преобразование: последовательность токенов превращается в обычный текст на естественном языке. Если запрос проходил через интерфейс с поддержкой форматирования (например, разметка Markdown или выделение кода), на финальном этапе добавляются стили и оформление.
В случае с API ответ возвращается в JSON-формате, содержащем не только сам текст, но и служебную информацию: количество использованных токенов, время обработки, идентификатор запроса. Это позволяет разработчикам интегрировать ответы нейросетей в свои приложения, логировать взаимодействие и анализировать расходы.
И всё это — без собственного GPU
Ранее, чтобы запустить нейросеть, компании покупали или арендовали отдельные мощные GPU-серверы, настраивали на них инференс, управляли очередями запросов и решали задачи масштабирования. Это требовало серьезных инвестиций и квалифицированных инженеров. Теперь ситуация меняется: на рынке появляются платформы, которые предоставляют доступ к десяткам моделей через единый API, а оплата идет не за железо, а за реально использованные токены.
Кстати, о платформах
В России такие решения тоже появляются. Например, Рег.облако недавно добавил возможность оплачивать по токенам доступ к своей ИИ-платформе. Пользователям доступны более 30 моделей — от GPT 5.5 и Claude Sonnet 5 до Gemini 3.1 Pro, Kimi K2.6 и Qwen 3.7 Max, закрывающие широкий спектр задач: от текстовой генерации до мультимодальных сценариев, глубоких исследований, работы с длинными контекстами и использования для подключения агентов. При этом для тех, кому критичен приватный контур или полный контроль над инфраструктурой, сохраняется возможность аренды выделенных GPU-серверов. Получается гибридный подход: платформа закрывает быстрые сценарии через API, а выделенные мощности — для задач, где важны безопасность и кастомизация.
Вместо итога
Архитектура современных ИИ-платформ — это сложный конвейер, в котором задействованы балансировка нагрузки, GPU-вычисления, работа с контекстом, мониторинг и системы управления данными. Но с точки зрения пользователя всё это скрыто за одним интерфейсом или API-запросом. Технологии движутся в сторону максимального упрощения доступа: не нужно разбираться в инференсе и управлять серверами — достаточно выбрать модель, отправить запрос и получить результат. А оплата по токенам превращает ИИ из капитальной инвестиции в операционные расходы, что особенно актуально для бизнеса, который только начинает внедрять нейросети в рутинные процессы.
Реклама. ООО «РЕГ.РУ», ИНН: 7733568767
Показать полностью
1
У берёз и сосен...
...тихо бродит осень...
(голосом Юрия Антонова, разумеется)
Вышла новая модель Granite 4.2
Озвучено первое семейство плотных рассуждающих только с декодером моделей Granite 4.2 (https://huggingface.co/collections/ibm-granite/granite-42-la...) от IBM в размерах 3B, 8B и 30B под лицензией Apache 2.0 с контекстом до 512K токенов.
Мышление переключается между "мышлением", "без мышления" и режимом низких усилий (короткое рассуждение для простых задач). Вызовы инструментов нативно поддерживаются и совместимы с форматом OpenAI.
Архитектура трансформера только с декодером эксплуатирует GQA, RoPE (θ=10M), SwiGLU, RMSNorm и раздельные эмбеддинги, причём версии 3B, 8B и 30B имеют 40, 40 и 64 слоя соответственно.
Претрейнинг начался с нуля на токенах объёмом около 15T, следуя стратегии из 5 фаз, отталкиваясь от веб-данных к высококачественному миксу и удлинению контекста.
Обучение с учителем (SFT) обладало объёмом около 7.2 млн сэмплов (примерно 100B токенов) и состояло из 31.6% агентных данных (код, терминал, поиск) и 68.4% неагентных (инструкции, код, математика), где качество контролировали LLM-судьями (GPT-OSS, Gemma), удаляя галлюцинации, битые вызовы инструментов и дубликаты, а у 30B была вторая фаза SFT с упором на агентный код.
Многостадийное и мультисредовое обучение с подкреплением (RL) осуществлялось по алгоритму Async GRPO (без сети оценки, групповые преимущества) на инфраструктуре из NeMo-RL (тренинг) и NeMo-Gym (среды).
На фундаментальном (все модели) этапе RL использовали RLVR с проверяемыми наградами (математика, код, наука, инструкции) и бустеры с короткими прогонами для прокачки навыков (IF, GPQA, код). На агентном (только 8B и 30B) этапе RL применили SWE Agent для решения задач в реальных репозиториях с тестами (OpenHands), Terminal Agent для работы в живом терминале (Harbor и Terminus) и Search Agent для многопроходного поиска в вебе (награда от LLM-судьи). На финальном (все модели) этапе RL прибегли к RLHF для юстировки под предпочтения человека и безопасность (с штрафом за длину рассуждений).
Версия 3B подверглась только фундаментальному RL и RLHF, в отличие от версий 8B и 30B, прошедших полный цикл, включая агентные стадии (от SWE до Terminal и Search).
Инфраструктура основывается на железе кластера NVIDIA GB200 NVL72 и софте из контейнеров .sqsh, PyTorch и NeMo-RL.
В результате 30B лидирует с 57.0 на SWE-Bench Verified и 89.17 на AIME25. 8B силен в агентности за свой размер с 47.67 на SWE-Bench и 50.29 на BFCL. 3B хорош в базовых задачах с 78.33 на AIME25.
Показать полностью
3
Решил поиграться с ИИ)
Использовал некий MultiTool, вероятно у иных приблуд (возможно есть специализированные) вариант мог быть более адекватным.
Задача:
спроектируй проект дома параметры:
1. 1 этаж
2. 6 спален
На дополнительные вопросы ответил, что сан узлов 3-4, площадь 150-200м
Результат (после просьбы указать где расположены двери, так как первый вариант был без них):
P.S.: Работа с текстом этой утилите дается лучше (поправить резюме, создать шаблон резюме), но не без косяков.
Показать полностью
1
Мышление ИИ: 6 принципов Мелани Митчелл для оценки разума нейросетей
Существует ли мышление ИИ пытаются определить с помощью методов когнитивной психологии, применяемых для изучения младенцев и животных. Ученые используют строгие контрольные эксперименты, чтобы отличить реальное понимание от случайных совпадений.
Ключевые тезисы:
Нейросети демонстрируют чуждый человеку тип мышления, требующий оценки через зоопсихологию и методы изучения младенцев.
Блестящее решение тестов не гарантирует понимания контекста, часто алгоритмы лишь считывают неочевидные статистические подсказки.
Оценка ИИ должна строиться на поиске уязвимостей, анализе галлюцинаций и строгих контрольных экспериментах в нестандартных ситуациях.
Когда нейросеть блестяще решает сложную задачу, она действительно размышляет или лишь имитирует человеческую логику? Профессор Института Санта-Фе Мелани Митчелл предлагает использовать методы зоопсихологии и изучения младенцев, чтобы разгадать истинные механизмы работы искусственного разума.
Инопланетный разум внутри черного ящика
Нейросети научились писать стихи, сдавать экзамены и доказывать теоремы, но их внутренние процессы остаются тайной за семью печатями даже для самих разработчиков. В недавнем подкасте журнала Quanta Magazine когнитивист и специалист по информатике Мелани Митчелл подчеркнула, что современные языковые модели демонстрируют совершенно чуждый, «инопланетный» тип мышления. Хотя ИИ обучается на текстах, написанных людьми, его алгоритмы не имеют почти ничего общего с нашей логикой. Чтобы понять пределы возможностей таких систем, ученым приходится обращаться к дисциплинам, которые изначально не имели никакого отношения к программированию — например, к возрастной психологии.
Искусственный интеллект сегодня часто описывают как «черный ящик», поскольку исследователи не всегда могут предсказать, как именно распределятся веса между миллионами математических параметров для выдачи конкретного ответа. Однако человеческий мозг, как отмечают нейробиологи, представляет собой точно такой же закрытый механизм. На протяжении веков психологи успешно разрабатывали методы исследования интеллекта существ, которые не способны объяснить свои мотивы — младенцев и животных. Группа генетиков из Калифорнии одними из первых предложили перенести этот инструментарий на компьютерные алгоритмы, чтобы превратить тестирование нейросетей в строгую доказательную науку.
Синдром Умного Ганса и иллюзия понимания
Блестящее решение конкретной задачи далеко не всегда свидетельствует о глубоком понимании сути процесса. В начале XX века в Германии невероятной популярностью пользовался конь по кличке Умный Ганс. Животное якобы умело складывать числа: в ответ на математический пример конь безошибочно отстукивал копытом правильный результат. Многие ученые поверили в гениальность Ганса, пока психолог Оскар Пфунгст не провел контрольный эксперимент. Выяснилось, что лошадь терпела неудачу, если не видела человека, задающего вопрос, или если сам собеседник не знал правильного ответа. Ганс совершенно не умел считать, но виртуозно считывал микровыражения лиц людей, которые неосознанно расслаблялись и подавали сигнал, когда конь доходил до нужной цифры.Современные нейросети часто попадают в похожую ловушку. В недавнем эксперименте ИИ отлично ответил на сложные вопросы по научным диаграммам. Однако когда ученые провели проверку и полностью скрыли от алгоритма эти картинки, произошла странная вещь: нейросеть продолжила отвечать правильно. Выяснилось, что программа вообще не смотрела на диаграммы. Она просто угадывала ответы, находя скрытые закономерности в самих текстовых вопросах. Этот случай наглядно доказывает: без жестких проверок все громкие заявления о «сверхинтеллекте» машин часто оказываются обычной иллюзией.
Шесть принципов тестирования искусственного интеллекта
Для объективной оценки нейросетей Мелани Митчелл разработала шесть фундаментальных правил, которые помогают отделить реальное мышление ИИ от статистических уловок.
Отказ от антропоморфизма. Люди биологически склонны проецировать человеческие эмоции и качества на программы, которые связно общаются на естественном языке, хотя за их ответами кроется лишь математика.
Скептицизм и контрольные эксперименты. Ученые обязаны сомневаться в собственных гипотезах и использовать «слепые» тестирования, чтобы исключить влияние самого экспериментатора.
Устойчивость к изменениям. Алгоритм должен доказать, что может применять знания в нестандартных ситуациях, а не воспроизводить заученные шаблоны при незначительном изменении условий.
Изучение внутренних структур. Системы не должны оставаться вечными «черными ящиками» — исследователям нужно активнее искать способы анализа их скрытых слоев.
Разделение компетенции и результата. Необходимо жестко разграничивать реальное понимание концепции и формальную результативность (случайное попадание в правильный ответ).
Фокус на неудачах. Публикация негативных результатов и разбор так называемых галлюцинаций дают науке гораздо больше реальной информации, чем успешное прохождение школьного теста.
В 1970-х годах старая математическая программа EURISKO генерировала сотни комбинаций формул, большинство из которых оказывались бесполезным мусором. Сегодня ИИ работает на невероятных масштабах и способен объединять далекие области математики — как это произошло при недавнем решении знаменитой проблемы Пауля Эрдёша о единичных расстояниях. Тем не менее, наткнувшись на малейшее отклонение от привычного формата, нейросеть часто теряет логику. Истинный разум характеризуется умением переносить жизненный опыт на новые сферы, и именно этой адаптивности моделям предстоит научиться.
Тирания задач и будущее профессий
Способность системы превзойти человека в одном конкретном испытании часто порождает ложные страхи на рынке труда. Философ Шеннон Валлор называет этот феномен «тиранией задач». Разработчики искусственно делят сложные профессии на изолированные функции — чтение рентгеновских снимков, анализ договоров или написание кода. Когда алгоритм сдает экзамен по адвокатуре, появляется пугающая иллюзия, что машина готова завтра же заменить специалиста.
Реальная рабочая среда требует гибкости, недоступной современным алгоритмам. В 2016 году пионер глубокого обучения Джеффри Хинтон заявил, что через пять лет искусственный интеллект полностью заменит врачей-радиологов, и призвал прекратить их обучение. Спустя десятилетие клиники по всему миру столкнулись с острой нехваткой специалистов этого профиля. Хотя алгоритмы действительно лучше находят мелкие патологии на сканах, работа врача не сводится к оценке пикселей на экране. Она включает комплексный анализ состояния пациента, коммуникацию с коллегами и принятие моральных решений в условиях неопределенности.
Глубокое понимание подразумевает работу на многих уровнях одновременно. Модель способна сгенерировать красивый художественный рассказ, но часто дает абсурдные ответы на базовые вопросы по его сюжету. Пока искусственный интеллект не научится самостоятельно формировать целостную картину мира, он останется лишь очень умным ассистентом, расширяющим возможности человека.
FAQ: Часто задаваемые вопросы
Правда ли, что ИИ мыслит как человек?
Нет, современные большие языковые модели обладают «инопланетным» типом мышления. Они оперируют вероятностями и статистикой, а их внутренние процессы решения задач кардинально отличаются от человеческой логики.
Как ученые оценивают мышление ИИ?
Исследователи все чаще адаптируют методы когнитивной психологии, которые изначально применялись для изучения поведения младенцев и животных. Главный акцент делается на контрольные эксперименты, помогающие отличить реальное понимание проблемы от слепого угадывания.
Что такое «тирания задач» в оценке нейросетей?
Это ошибочное убеждение, что если искусственный интеллект успешно справляется с отдельной тестовой задачей (например, анализом медицинского снимка), то он способен полностью заменить специалиста в этой профессии.
Показать полностью