Крипто Devs | Gnezdo Hub

Работа с чистой энергией Дисклеймер Сегодня ава и название канала, наконец, поменялись. Я долго колебался на этот счет и думал оставить "как есть", но лучше уже сделать этот шаг и перейти более регулярным постам на темы, которые заходят и нравятся мне самому. Надеюсь, вам все также будут заходить формат. --- Мне нравится, что когда коммерческая технология заходит в тупик, она ищет новые пути решения намного эффективнее, чем какая-либо другая структура. Она нанимает специалистов из смежных областей, открывает гранты и лаборатории, старается найти решение в местах, куда другие даже не смотрят. Также произошло и с компанией Cerebras. Это компания, которая разрабатывает суперкомпьютеры и процессоры для ускорения работы искусственного интеллекта. Недавно она презентовала свои новые чипы, которые по площади гораздо объемнее всех остальных чипов (она на фото к посту). И многие стали шутить, что с такими "решениями" чипы станут размером с солнечные панели. Но для тех, кто попытался разобраться в этом, открылась реальная причина в таком размере. Cerebras долго разбиралась как сделать свои чипы эффективнее. Все мы знаем, что в мире, из-за развития ИИ, стало строиться гораздо больше дата центров и выпускаться чипов для них. И в какой-то момент это стало практически лидером по потреблению электроэнергии. На регулярное обучение сверхмоделей и поддержки бесплатного доступа к чату (а значит и к вычислительным мощностям миллионам пользователей) требуется огромный расход энергии каждый день. В итоге все упирается в то, сколько энергии и как потребляют эти чипы. По расчетам Cerebras для перемещения 1 бита информации в чипе требуется около 1–10 pJ энергии. А с их новым чипом большей площади для той же операции требуется всего 0.1 pJ энергии! Экономия значительная! Это достигается за счет того, что перемещение битов информации в рамках чипа намного дешевле, чем перемещение данных с одного чипа на другой. На мой взгляд это потрясающе! В то время, как все взгляды у

Курс «ИИ-агент за неделю»: соберите помощника для своей повторяющейся задачи Если вы каждую неделю вручную готовите посты, разбираете документы, отвечаете на похожие письма, собираете информацию или делаете отчёты, у вас уже есть задача для первого ИИ-агента. Начинать нужно не с идеи «автоматизировать всё». На курсе вы выберете одну повторяющуюся задачу с понятным и проверяемым результатом. Дальше по шагам: • арендуете и проверите сервер; • установите Hermes и подключите модель; • настроите агента под себя; • создадите первый скилл с правилами работы; • подключите Telegram и VK; • соберёте рабочий процесс для текстов, визуалов, публикаций, почты или документов; • проверите результат и границы, за которые агент не должен выходить. В курсе 16 уроков, около 6,5 часов видео, текстовые материалы и промпты для практики. Технические действия объясняются через результат: что настроить, зачем это нужно и как понять, что всё работает. К концу курса вы соберёте первого управляемого агента под одну свою задачу. Не универсального робота «на всё», а рабочую основу, которую можно постепенно расширять. Техническая часть в курсе есть. Агент не получает доступ ко всему подряд: вы задаёте правила, ограничения и проверяете результат. Важно: для работы агента обычно понадобится отдельно оплачивать сервер и выбранную модель/API. Эти расходы не входят в стоимость курса и зависят от провайдера, модели и нагрузки. В курсе показано, как выбрать подходящий вариант и учитывать расходы до запуска. Если вам нужен только недорогой эксперимент, сначала оцените будущий бюджет на сервер и модель. Самостоятельное прохождение сейчас стоит 7900 ₽ по акции. Получить доступ можно двумя способами: 1. Оплатить рублями через бота курса — 7900 ₽. Откройте https://t.me/AIAgentZaNedelyuBot, нажмите «Начать», выберите самостоятельное прохождение и перейдите по индивидуальной ссылке на оплату. После оплаты вернитесь в бот и подтвердите её. 2. Оплатить криптовалютой через сервис партнёра — 100 $. По

GM! Хейтеры клода, вы будете очень довольны! https://insulineru.github.io/opusfived/ 📟 Прилетело из @insuline_eth

Интересная модель Jev Буквально пару дней назад в Твиттере многие начали обсуждение новой модели Jev от TypeSafe. Вообще, сначала появился небольшой пост на HackerNews, а затем пошел какой-то невиданный ажиотаж вокруг этой недо-llm пере-ml. Далее расскажу, что в ней особенного. Jev показался мне интересным не столько как очередная AI-модель, сколько как попытка переосмыслить интерфейс между AI и обычным софтом. Классический ML обычно решает конкретную задачу: классификация, ранжирование, регрессия. Если появляется новая задача, под неё часто приходится собирать данные и обучать отдельную модель. LLM пошли в другую сторону: одна универсальная модель может решать огромное количество задач, но взаимодействие с ней обычно происходит через генерацию текста. Даже когда мы просим JSON, внутри всё равно остаётся token-by-token генерация, а значит появляются задержки, стоимость, парсинг и проблемы с надёжностью интерфейса. Jev предлагает промежуточный вариант. Вместо генерации произвольного текста модель возвращает типизированное решение и вероятность этого решения. То есть AI становится чем-то вроде "вероятностной функции" внутри программы. Условно: input → model → { decision, probability } → application logic То есть модель не генерирует произвольный текст. Вместо этого разработчик задаёт пространство возможных решений, а модель возвращает структурированный результат и confidence. В таком виде AI становится похож на "вероятностную функцию" внутри обычного software: if model(x).probability > threshold: Это особенно интересно для AI workflows и агентов, где не обязательно отдавать модели контроль над всем процессом. Можно декомпозировать workflow на десятки небольших решений: routing, classification, risk assessment, tool selection, human escalation и т.д. При этом Jev не заменяет классический ML там, где есть много хорошо размеченных данных и одна стабильная задача. И это не замена LLM для сложного reasoning или генерации текста. Интереснее другое: может появ