Доступна в AI Studio! https://aistudio.google.com/app/prompts/new_chat?model=gemini-3-pro-preview Цена чуть дороже GPT-5.1 и Gemini-2.5 Pro, на 15-20%. Не сесущественно. И скорее всего поначалу будет прям супер-модель, пока не пожали и не дистиллировали. Документация пока недоступна :)
Сливы Gemini-3. Просто огонь!
xAI выкатила Grok 4.1 – довольно большой апдейт с фокусом на креатив, эмоциональный интеллект и снижение галлюцинаций. Использовали много обучения с подкреплением, в том числе автоматическую агентскую, без людей. Ну и улучшение по результатам. Вот что 200.000 видеокарт животворящих делают, можно "забрутфорсить" улучшение модели. С 1 по 14 ноября тихо раскатывали билды на grok.com, X и мобилках. Проводили слепые сравнения на живом трафике и новую модели предпочитали на 64.78% чаще. Лидерборды: LMArena Text: - Grok 4.1 Thinking: #1 место, 1483 Elo (отрыв 31 балл от ближайшего не-xAI конкурента) - Grok 4.1 (без reasoning): #2 место, 1465 Elo При этом non-thinking версия обгоняет все reasoning-конфигурации других моделей на публичном лидерборде. Grok 4 был на #33 месте – прыжок серьёзный. EQ-Bench (эмоциональный интеллект): - Grok 4.1 Thinking: 1586 Elo - Grok 4.1: 1585 Elo - Kimi K2: 1561 Elo - GPT-5.1: 1559 Elo Creative Writing v3: - GPT 5.1: 1756 - Grok 4.1 Thinking: 1722 - Grok 4.1: 1709 - o3: 1696 Снижение галлюцинаций: Фокус на промптах про реальную информацию и задействование поисковых инструментов. Результаты: - Hallucination rate: 12.09% → 4.22% - FActScore: 9.89% → 2.97% Где доступен: - grok.com - X - iOS/Android app Техническая информация: https://x.ai/news/grok-4-1 В общем, xAI сделала резкий скачок от "просто умной модели" к "человечной модели". Для творческих задач, общения, социальных наук должна быть лучше всех актуальных моделей.
Прикольный эксперимент от Гугла - CodeWiki. Документацию все делают через одно место, а в итоге LLM потом с этим разобраться не может. А тут гугл создает автоматически документацию по коду, позволяет чатиться/спрашивать по ней, строить схемы, находить, что делает функция и сразу к ней переходить. И главное - автоматически обновляется при каждом изменении! Пока доступно только для открытых популярных репозиториев в гитхабе, но скоро обещают и для ваших и внутренних (лист ожидания) Вот здесь подробности: https://codewiki.google/ А вот как выглядит для Gemini CLI библиотечки от гугла - https://codewiki.google/github.com/google-gemini/gemini-cli#introducing-the-gemini-cli-agent
Хах, нашел qr код на 2000 кредитов Мануса. Пользуйтесь: https://manus.im/redeem?c=olalisboa Upd: прикрыли.
CodeRabbit (крутое приложение для CodeReview) тоже заценил GPT-5.1 Все метрики выросли и это теперь предпочитаемая модель для их систем https://www.coderabbit.ai/blog/gpt-51-for-code-related-tasks-higher-signal-at-lower-volume
24 ноября участвую в AI Форуме в Лимассоле вместе со всякими уважаемыми людьми из бизнеса. Давно хотел показать не просто космические просторы, красивые картиночки и страшилки про современные технологии, а про то, как абсолютно любой компании использовать безграничный арсенал AI инструментов (до управления до поддержки) всего за десятки долларов в месяц. Подробности тут cgl.group/aif Могу поделиться скидкой на билеты: Abasis20
ElevenLabs обновила мобильное приложенько, теперь можно в нем копировать голос свой и создавать нужный одним промптом (для всех рилсов) Ссылка на приложения
Box тоже нравится GPT-5.1 Задержка упала в 2-3 раза, качество извлечения данных - на 8 процентных пунктов в среднем (а для таблиц, например, в 1.6 раз) https://blog.box.com/open-ais-gpt-51-now-available-box-ai-delivers-faster-document-intelligence
Жутковатенько выглядит.
Gpt-5.1 уже в API. Мне показалась очень неплохой, наверное переключюсь на нее после полных тестов. Вот что пишут: + Адаптивное рассуждение, которое использует меньше токенов на простых шагах и тратит больше времени, когда задача сложная + Режим «Без рассуждений» позволяет модели быстрее реагировать на простые задачи. Это настройка reasoning_effort по умолчанию. + Расширенное кэширование промптов, которое сохраняет их активными до 24 часов, что сокращает затраты и задержки при длительных взаимодействиях. + Более управляемый кодинг-промптинг, который создает более чистые диффы, создаёт более понятные задачи и меньше "переразмышляет". + Более быстрые циклы фикса кода, взаимодействия в терминале и итеративного уточнения. + Более предсказуемое поведение агента, сохраняющее фокус на задаче и последовательно обрабатывающее длинные последовательности вызовов инструментов. Также выпустили два новых инструмента: apply_patch для надежного редактирования части кода и инструмент для терминала для выполнения команд в управляемой среде. https://openai.com/index/gpt-5-1-for-developers/
О, полезное LMSYS запустили Code Arena – полный редизайн WebDev Arena для оценки AI-моделей в реальной разработке. В чём проблема с обычными кодовыми бенчмарками: Традиционные тесты проверяют корректность: компилируется ли код, проходит ли тесты. Но реальная разработка – это итеративный процесс: планирование, тестирование, рефакторинг. Нужно измерять не "может ли модель писать код", а "насколько хорошо она строит приложения end-to-end". Что нового в Code Arena: - Модели работают как autonomous agents с tool calls (create_file, edit_file, read_file) - Многоходовое выполнение – модель итерирует, редактирует, улучшает код в несколько шагов, как в текущем AI IDE. - Есть рекурсивные правки и управление зависимостями - Каждое действие логируется и версионируется - Снапшоты хранятся в Cloudflare R2, можно проверить каждый шаг - Каждую генерацию можно расшарить по уникальной ссылке - Приложения рендерятся в реальном времени через CodeMirror 6 - Живой preview для тестирования - Полная структура проекта (HTML, CSS, JS) доступна для просмотра Пока данных нет, потому что это свежий бенч, но можно просить создавать всякие сайтики и голосовать за лучшее. А потом забирать например лучший результат себе. Дальше будут обновлять и улучшать: - Multi-file React приложения (вместо single-file прототипов) - Агентская поддержка и мультимодальные инпуты (картиночки там, документы) - Изолированные песочницы В общем, тестирование теперь на реальных задачах и кажется можно будет наконец понять, кто круче, Claude, Gemini-2.5 Pro или GPT-5 Codex. Подробности: https://news.lmarena.ai/code-arena/ Сравнивать модели тут: https://lmarena.ai/?chat-modality=code
OpenAI выкатила GPT-5.1 — апгрейд GPT-5 с более тёплым тоном и улучшенным reasoning Обновление начали раскатывать платным пользователям (Pro, Plus, Go, Business). Потом дойдёт до бесплатных. Что изменилось: GPT-5.1 Instant: - Теплее и естественнее в общении — меньше шаблонных ответов, больше живого текста - Лучше следует инструкциям (наконец-то нормально работают ограничения типа "ответь только шестью словами") - Можно настраивать тон общения через интерфейс GPT-5.1 Thinking: - Адаптивное reasoning — быстрее на простых задачах, дольше думает на сложных - В среднем в 2 раза быстрее на быстрых задачах и в 2 раза медленнее, но умнее, на сложных (по сравнению с GPT-5 Thinking) - Унаследовала более тёплый тон по умолчанию Подробности: https://openai.com/index/gpt-5-1/
OpenAI тоже решил рассказать про самообучающихся агентов. Видимо, горячая тема. https://cookbook.openai.com/examples/partners/self_evolving_agents/autonomous_agent_retraining Главная идея: обычно AI-агенты упираются в потолок после прототипа, потому что люди вручную чинят проблемы. А можно сделать петлю обратной связи, где агент сам учится на ошибках и улучшается. Как это работает: - Базовый агент (например, суммаризатор документов) - Фидбек - либо от человека, либо от LLM-судьи - Evals - оценка по критериям, пока не наберет нужный скор - Апдейт промпта → новый базовый агент Три подхода из статьи: 1) Platform Optimizer - быстро, но руками Как работает: Загружаешь датасет в платформу OpenAI Evals Настраиваешь промпт через веб-интерфейс Жмешь "Generate Output" - платформа прогоняет промпт по всему датасету Люди оценивают результаты (👍👎 + текстовый фидбек) Платформа показывает кнопку "Optimize" - она автоматически улучшает промпт на основе фидбека Повторяешь цикл пока не будет норм Плюсы: Быстрый старт, не нужен код Визуальный контроль - видишь как промпт эволюционирует Хорош для proof-of-concept и первых итераций Минусы: Ручная работа - люди должны оценивать каждый результат Не масштабируется на продакшн Нет API для автоматизации Останавливаешься когда достиг какого-то порога (~80% позитивного фидбека) 2) Статический метапромпт - автоматом, но может переобучаться на вашу задачу Как работает: Пока не_достигнут_порог: 1. Агент генерит результат по входным данным (например, саммари документа) 2. Набор "оценщиков" оценивает результат: - Запрограммированные проверки (например, проверка что все химические названия на месте) - Cosine similarity (насколько близок к нужному) - LLM-as-judge (общая оценка качества LLM моделью) 3. Если провалил - статический метапромпт (то есть промпт, который умеет генерить промпты под задачи) улучшает системный промпт 4. Повторяем с новым промптом Плюсы: Полная автоматизация - работает без людей Можно запускать 24/7 LLM-as-judge дешевле людей Версионирование промптов из коробки Минусы: Один статический метапромпт - ограниченное пространство для оптимизации Риск переобучения на конкретные примеры Оптимизирует section-by-section, без глобального контекста по задаче Может зациклиться на локальном максимуме 3) GEPA (Genetic-Pareto) - самый мощный, с рефлексией и валидацией на отдельном датасете Это уже полноценный эволюционный алгоритм: - Запускаешь агента на тренировочном датасете - Собираешь траектории (input → output → feedback) - Reflection LLM анализирует паттерны ошибок - Генерирут несколько промптов-кандидатов - Тестит каждого на тренировочном датасете - Отбирает Pareto-optimal (лучшее соотношение метрик) - Лучший кандидат тестится на отдельном валидационном датасете - Только если прошел валидацию - идет в продакшн - Процесс повторяется с новым базовым промптом - Каждая итерация учитывает историю предыдущих Плюсы: Самый мощный - реально обобщает, а не затачивается на задачу Train/validation split защищает от переобучения Reflective - понимает почему что-то работает/не работает Pareto-подход балансируетт разные метрики (длина vs точность vs coverage) Можно тестить разные модели (gpt-5 vs gpt-5-mini) одновременно Минусы: Медленно - 10-15 минут на оптимизацию Сложнее в настройке (нужна библиотека gepa + правильные адаптеры) Больше времени и денег на оптимизацию Overkill для простых задач В общем, начать лучше с ручной оптимизации, потом перейти на работу с промптами через API, а когда будет уже достаточно данных - запускать эволюционный алгоритм. Все довольно логично и здраво. Спасибо OpenAI за хороший обзор. В комментах кстати запосчу, с какого промпта начали и какой получился в конце
GAMMA.APP Это, пожалуй, самый успешный стартап по созданию презентаций, который может устоять перед Микрософтом и Гуглом которые встраивают ИИ в свои Паверпойнты и Гуглслайды. У них новая версия 3.0 и они теперь генерят не только презентации, но и целые сайты и макеты для социальных сетей. Тут Канва явно нервничает. Из интересного. У них 100 миллионов ARR, 70 миллионов пользователей и оценка в 2.1 миллиарда(!). При этом 50 сотрудников. Также пишут, что 1 миллион гамм создается каждый день. Даже если все это поделить на маркетинг, то все равно впечатляет. Еще они открыли API и вот вам Промпт Гайд от них: https://gamma.app/prompts Из совсем любопытного - пять лет назад, когда не было никакого ИИ, они создавали Гамму как Anti-Power-Point, для создания презентаций из блоков. А по дороге переобулись в ИИ. @cgevent
Одна из лучших генерилок презентаций обновилась
VibeThinker-1.5B Открытая языковая модель с всего 1.5B параметров, уровня DeepSeek R1, у которого на минуточку, параметров в 400 раз больше А обучение этой рассуждалки стоило жалких $7,800 USD Веса всего 3.5 ГБ. Очень интересно если в жизни он как в описании Гитхаб #assistant #reasoning
О, а вот и ElevenLabs подвезли риалтайм транскрипцию в Scribe v2 - Транскрибирует в реальном времени с задержкой 300-500мс - Различает спикеров автоматически - Поддерживает кучу языков, включая русский - Простой API - Есть streaming для живых конференций/подкастов - Говорят, что обошли Gemini Live, на котором я решение выше делал, ну что ж, посмотрим. Для колл-центров, онлайн-встреч, стриминга - будет полезно. Стоит дороже первой версии, 48 центов за час, дороже почти всего стримингового, но для ассистентов, что внутри ElevenLabs делаются, будет полезно, особенно если качество норм. https://elevenlabs.io/docs/models#scribe-v2-realtime
Доделал тут для клиента автоматический перевод речи на разные языки. Получилось на удивление неплохо. https://youtu.be/Z351_kss55A Кажется, проблема разных языков, хотя бы в онлайн-общении, скоро будет вообще не актуальна.
Очень понравился подход, кажется за авто-улучшением AI будущее. Microsoft Research выпустили Agent Lightning – фреймворк для автоматического улучшения AI-агентов. Примерно так работает: Представь, что у тебя есть AI-агент. Например, ассистент который умеет бронировать переговорки, искать информацию в базе данных, писать код. Агент работает, но не идеально. Он иногда ошибается, выбирает не ту комнату, пишет не совсем правильный SQL-запрос. И вот вопрос: как сделать его лучше? Обычный путь: Руками менять промпт – пробуешь разные формулировки, смотришь что работает Дообучать модель – но для этого нужно переписать весь код агента под ML-фреймворк Собирать данные и размечать их вручную Всё это долго, сложно и требует переписывания кода. Что делает Agent Lightning: Он позволяет автоматически улучшать твоего агента БЕЗ переписывания кода. Буквально – добавляешь пару строчек, и агент начинает учиться сам. Как это работает – на примере: Допустим, у тебя есть агент, который бронирует переговорки. Задача: "Найди комнату на 4 человека в 10:00 с доской". Вот что происходит: Агент работает как обычно Получает задачу Делает LLM-вызов с промптом Использует tools (функции) – например, запрашивает базу свободных комнат Выдаёт ответ: "Комната A103" Agent Lightning наблюдает: Не вмешивается в работу агента Молча записывает всё, что происходит: какой был промпт, какие были вызовы LLM, какие инструменты использовались, что ответили В конце проверяет результат и даёт оценку (reward): правильная комната = 1.0, неправильная = 0.0 Обучение через reinforcement learning: Собранные данные (трейсы) отправляются в RL-систему (используется verl) RL-алгоритм (например, GRPO) смотрит: какие действия привели к хорошему результату, какие к плохому Модель обновляется – она учится делать лучше Обновлённая модель возвращается в агента Следующий раз агент работает уже с улучшенной моделью Цикл повторяется. Если не хочется заморачиваться с Reinforcement Learning, то можно просто автоматом оптимизировать промпты. Тогда: Агент делает 10-20 попыток с текущим промптом Алгоритм смотрит на трейсы и анализирует, где агент ошибается Генерирует критику промпта на естественном языке: "Промпт неоднозначен в ситуациях, когда есть две одинаково подходящих комнаты" Просит LLM переписать промпт с учётом критики Новый промпт тестируется – и так несколько раундов Особенно актуально для: - Enterprise-сценариев с приватными данными - Специализированных задач (кастомные SQL-диалекты, доменная специфика) - Когда нужна высокая точность и надёжность - Multi-agent систем, где каждый агент нужно тестировать и улучшать отдельно GitHub: https://github.com/microsoft/agent-lightning Документация: https://microsoft.github.io/agent-lightning/ Paper: https://arxiv.org/abs/2508.03680