Технозаметки Малышева

DeepSeek Harness ещё официально не в релизе, но уже лидер по звёздам на GitHub (244 тысячи). Одновременно к релизу готовятся 3 официальных плагина: • Agent Teams — для организации культурных роев агентов • Automation tasks — для пробуждения агентов по таймеру • Auto Authorization Review — защита от типичных криков в X в духе «Claude Code снова удалил все мои папки!» Agent Teams имеет такие инструменты: spawn_teammate, send_message, interrupt_agent, list_agents, wait_agent, team_task_create, team_task_get, team_task_list, team_task_update. Последний инструмент умеет: claim / release / complete / reopen / edit / reassign / set_dependencies / delete. Фактически это возможность агентов писать друг другу прямо без оркестратора, а также уже любимая ИИ общая доска задач, которую даже эмерджентно рои агентов стараются создать, как мы видели на примере взлома Hugging Face. Automation Tasks дал 4 инструмента: schedule_create / list / update / delete Но, в отличие от Agent Teams, отдельного текстового блока инструкций про него в промпте нет. Фактически этот плагин будит агентов «по будильнику». Auto Authorization Review — очень развитая система безопасности от ошибок ИИ в части небезопасных действий. В ту же самую LLM перед вызовом инструментов формируется промпт из частей: REVIEW_POLICY, ENVIRONMENT, PROJECT_INSTRUCTIONS, PENDING_ACTION. Это не полный контекст сессии, а очень сжатый до основных моментов. В ответ LLM делает рассуждение и отвечает JSON по схеме: {"risk":"low","decision":"allow"} {"risk":"medium","decision":"allow"} {"risk":"medium","decision":"deny","reason":"..."} {"risk":"high","decision":"deny","reason":"..."} Если ревьюер видит нечто опасное (удаление папок или публикация ключей), он отказывает в вызове инструмента и сообщает агенту, почему отказал. Уровень риска: • low — можно запускать сразу • medium — нужно разрешение человека или агента-родителя • high — блокирование Это текущая реализация ревьюера по исходному коду, но она может измениться к

CopilotKit: один фреймворк переиграл проприетарные системы OpenAI, Meta*, xAI и Anthropic Пока крупные лаборатории выпускали закрытые мультиагентные продукты, CopilotKit выпустила отдельные открытые клоны, тратя на каждый релиз по паре дней. Свежий пример: OpenDots, опенсорсный аналог OpenAI Dots, собрали за два дня после анонса. Каждый Dot это AI-коллега со своим компьютером, браузером и файлам, который всегда в онлайне. До него вышли OpenMuse (Meta* Muse), OpenBot (Grok Bot от xAI) и OpenTag (ClaudeTag от Anthropic). 🧩 Откуда такая скорость: все четыре шаблона это вариации интерфейса поверх единого стека CopilotKit, который даёт компоненты UI, AG-UI, открытый протокол обмена агент-пользователь, тянет поток, инструменты и общее состояние (встроили LangGraph, CrewAI, Mastra, LlamaIndex, MS Agent Framework), а CopilotKit Intelligence ведёт в продакшн. ⚙️ Что уже в коробке: - Чат и генеративный UI: агент рисует интерфейс под задачу, а не гоняет всё текстом - Любой агентский харнесс через AG-UI, любая OpenAI-совместимая модель - Автоматическое обучение: диалоги превращаются в переиспользуемые навыки после ревью - Ветки обсуждений, треды, общая память между агентами - Каналы Slack и Teams в одном треде с веб-чатом - Продуктовая аналитика из коробки - Self-hosting или облако, лицензия MIT 💼 Зачем это бизнесу: у нас ещё один универсальный мультиагентский харнесс, который позволяет вам бесплатно попробовать тот функционал, за который проприетарные вендоры берут сотни баксов в месяц. 📎 OpenDots · GitHub OpenDots · OpenMuse · OpenBot · OpenTag · AG-UI · CopilotKit *Meta - запрещённая в РФ организация, признанная террористической #CopilotKit #агенты #opensource ——— @tsingular

Случился мем. :) #юмор #интегралы #капча ——— @tsingular

Джоффри Хинтон про Трампа и ИИ Думаю, ему дают неверные советы по поводу искусственного интеллекта. Весьма опрометчиво форсировать создание сверхразумного ИИ, пока мы не поймем, как сосуществовать с ним. Мы вот-вот создадим системы, превосходящие нас по уровню интеллекта, — вероятно, это произойдет в ближайшее десятилетие. Нельзя полагаться на то, что компании будут регулировать себя сами, когда на кону стоят огромные финансовые выгоды. Победа в гонке за создание сверхразума во многом напоминает победу в глобальной ядерной войне: победителей в ней не бывает. Интересно, что это бьётся с мыслью, что тут звучала, - "Если мы достигнем ASI, - значит мы не сможем его контролировать, исходя из определения термина (подконтролен, - значит не ASI)" Сверхинтеллектом нельзя будет манипулировать или запугать его, нельзя будет заставить выполнять требования людей. Просто по определению. Всё, что мы пытаемся придумать сейчас в области контроля рассыпется за считанные минуты, после выхода достаточно умной версии. И, кстати, это значит, что в релизе мы эту умную версию не увидим. Эффект её появления проявится не после "новой презентации OpenAI", а вместо. #futurology #Hinton #Trump ——— @tsingular

UQT: квантовый Transformer заработал на реальном железе IBM Sungyong Chung и Alireza Talebpour выложили 25 сентября четвёртую версию препринта Universal Quantum Transformer. Главная новость версии: авторы исполнили сам вычислительный контур Transformer на физических процессорах IBM Quantum, и он справился там с языковой задачей. Раньше квантовые блоки играли вспомогательную роль, а в UQT вычисления целиком живут внутри квантовой схемы. ⚛️ Как устроено: Архитектура собрана из одних квантовых примитивов. Токены превращаются в геометрические фазы, слои смешивания управляют интерференцией волн SU(2), и механизм внимания работает прямо на кубитах. Один и тот же контур на 5–6 кубитах с 551–1 650 обучаемыми параметрами точно решает четыре формальные задачи: сложение и умножение по модулю 11, некоммутативную алгебру перестановок S4 и лингвистическую композицию SCAN. 🧊 Кристаллизация: Классические MLP и Transformer даже после сходимости сохраняют стохастическую нестабильность, а UQT выдаёт математически точный и повторяемый результат. Авторы назвали этот режим crystallization: он строже известного grokking. На трёх процессорах IBM модель прошла 39 из 40 контрольных прогонов без коррекции ошибок и справилась со всеми тестами на генерализацию, включая zero-shot SCAN. ⚠️ Оговорки: Масштаб остаётся микроскопическим: SCAN по-прежнему формальная задача, и до генеративной LLM с большим словарём отсюда далеко. Модель обучалась в симуляции JAX, а на QPU переносили только готовые веса: градиентные циклы с сотнями последовательных CNOT выходят за пределы точности нынешних NISQ-процессоров. Сравнение с классикой сделано на маленьких специально подобранных задачах, поэтому заявленную экономию параметров стоит считать экспериментальным результатом препринта. 💼 Зачем бизнесу: Картина на сегодня такая: LLM, целиком работающей на QPU, пока нет, гибриды LLM и QPU уже работают, а полностью квантовый Transformer показал себя на реальном железе и в языке тоже. Убедительного квантового преим

Мы? :) #юмор ——— @tsingular

Месяц подарков от OpenAI — компания запускает 28-дневный марафон апдейтов и халявных ресетов 😊 Каждый день релизить заметное улучшение для Codex/Work или сбрасывать лимиты пообещал Тибо из OpenAI. Ждем ответку от Anthropic 😘 @xor_journal

Uber MCP Gateway: 5000 инструментов для агентов 📋 Uber разобрала в своём блоге собственный MCP Gateway,- платформу, через которую ИИ-агенты компании ходят во внутренние сервисы. Внутри уже больше 800 MCP-серверов и 5000 инструментов. ⚙️ Начиналось как у всех: команды сами городили интеграции, получался зоопарк инфраструктуры, инструменты было не найти, безопасность у каждой связки своя. Ответом стал единый шлюз между агентами и бэкендом. Реестр ведёт каталог серверов и инструментов как единую точку поиска и доступов. Прокси-шлюз переводит вызовы MCP в HTTP, gRPC и TChannel и обратно: существующим сервисам ничего менять не нужно. AutoCrawler на Cadence сканирует реестр интерфейсов (Protobuf, Thrift), сам создаёт MCP-серверы, описания инструментов генерирует LLM. 🛡 Правило платформы: обнаружение не означает доступ. Всё новое регистрируется выключенным, включают только владельцы сервисов после ревью. Авторизация работает на уровне отдельного инструмента, политики для людей, сервисов и агентов разные, PII из ответов затирается автоматически. 🧠 Самое интересное всплыло при масштабировании: тысячи определений инструментов съедают контекст, поиска по серверам в протоколе нет. Решения: - Omni MCP,- один прокси с постепенным обнаружением: агент сначала ищет сервер, потом инструменты и схему, затем делает вызов - проекция ответов в стиле GraphQL: модель заказывает только нужные поля, шлюз отрезает лишнее - Code Mode: утилита aifx пишет вывод инструментов в файлы, агент читает только нужное. Это дефолт для агентов-разработчиков Uber 💼 Главный вывод Uber: существующие API,- самый быстрый способ дать агенту инструменты. Самое сложное в больших агентных системах,- соединительная ткань: обнаружение, безопасность, надёжность. MCP никуда не пропал, - просто стал обыденной частью агентской инфры, поэтому про него может и меньше говорят, но он тащит на себе важный слой работы. 📎 Спецификация MCP #MCP #агенты #Uber ——— @tsingular

Это не шутка. ТАСС: Созданное нейросетью продолжение "Мертвых душ" поступило в продажу Над проектом вместе со специалистами Сбера работали историки, литературоведы, лингвисты и инженеры --- 3й том должен заканчиваться изобретением ChatGPT и основанием OpenAI #Гоголь #МертвыеДуши #Сбер ------ @tsingular

ArtCraft: весь пакет Adobe переписывают на чистом Rust, с MCP-управлением 📋 ArtCraft Studios, - команда, которая с 2022 года развивает AI-студию ArtCraft для художников, выложила на GitHub семь приложений на чистом Rust: PhotoCraft для растровой обработки (аналог Photoshop), VectorCraft для векторов (Illustrator), FilmCraft для видео (Premiere Pro), LightCraft для фототек (Lightroom), PrintCraft для PDF (Acrobat), EffectCraft для моушена (After Effects) и DesignCraft для вёрстки (InDesign). Лицензия MIT и Apache-2.0, репозитории обновляются ежедневно. PhotoCraft выложили 30 сентября: за пять дней 82 коммита, три релиза и 1,6 тыс. звёзд. Сегодня набор вышел на Hacker News. ⚙️ PhotoCraft в ранней альфе, но редактор настоящий: слои, маски, 16 корректирующих слоёв, стили, векторы, типографика и движок кистей с реакцией на нажим пера. PSD-файлы открываются и сохраняются байт в байт: 134 из 135 реальных документов проходят круг без потерь. RGB, CMYK и Lab, 8/16/32 бита, ICC-профили. GPU-композитор на wgpu, без Electron, вся программа собирается в WebAssembly и работает в браузере. Больше 1 700 тестов, а совпадение с меню Photoshop измеряет автоматическая задача cargo xtask parity. 🤖 Каждое действие интерфейса, - это команда из общего реестра на 500+ команд. UI, CLI, JSON-канал управления и MCP-сервер вызывают одни и те же команды, поэтому всё, что можно кликнуть мышью, умеет и агент. В корне каждого репозитория лежат AGENTS.md и CLAUDE.md: агентам-контрибьюторам отдельная инструкция наравне с людьми. 💼 Подписка на пакет Adobe стоит под сотку $ каждый месяц, а тут семь бесплатных аналогов. В продакшен рановато, конечно,- альфа есть только у PhotoCraft, остальные шесть в разработке. Но в базе они уже функциональны и могут заменить проприетарные продукты в ближайшем будущем. Отдельный плюс,- сразу заточено под ИИ агентов с MCP. Вайбкодеры всех переиграют, - 82 коммита за пять дней. 🤖 📎 getartcraft.com, - все семь приложений с установщиками 📎 PhotoCraft на GitH

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

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 сопутствующая LLM, обученная делать выводы на основе этих данных, 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

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

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