AI Product | Igor Akimov

OpenAI выпустило руководство по созданию AI-first команды разработки. Весьма полезное. Главная мысль: просто дать программистам ChatGPT или Copilot - недостаточно. Нужно менять процессы и мышление. Вот ключевые инсайты из документа: 1. От «написания» к «архитектуре» Роль инженера меняется. Раньше мы тратили время на синтаксис и написание строк кода. Теперь фокус смещается на системный дизайн, архитектуру и проверку того, что выдал ИИ. Инженеры становятся редакторами и архитекторами, а не просто писателями кода. 2. Новые навыки при найме Знание конкретного языка программирования становится вторичным. На первое место выходят: * Умение декомпозировать сложные задачи. * Навык написания эффективных промптов. * Способность быстро осваивать новые инструменты. * Понимание того, когда ИИ врет (галлюцинирует) 3. Проблема тестирования (Evals) С ИИ сложно писать обычные Unit-тесты (где есть четкое «да/нет»), потому что нейросеть каждый раз может отвечать немного иначе. Командам нужно внедрять «Evals» - системы оценки качества ответов. Часто это проверка «на глаз» (vibe check) или использование другой нейросети, чтобы она оценила работу первой. 4. Три уровня внедрения * Уровень 1 (Индивидуальный): Разработчики сами юзают Copilot/GPT для ускорения. * Уровень 2 (Системный): В компании появляются общие библиотеки промптов, свои инструменты и автоматизация на базе ИИ. * Уровень 3 (AI-Native): Весь продукт и процессы строятся вокруг возможностей ИИ. ИИ - это не фича, а ядро системы. Итог: ИИ не заменяет инженеров, но повышает планку. Рутинного кодинга становится меньше, а ответственности за сложные решения — больше. Полный PDF (англ): https://cdn.openai.com/business-guides-and-resources/building-an-ai-native-engineering-team.pdf

GPT-5 Pro смогла решить задачу о симметрии чёрной дыры, с которой не справились даже те, кто придумал эту задачу. После короткого «разогрева» модель вывела правильную структуру симметрий - и физик, наблюдавший за процессом, был в шоке. Он понял, что ИИ показывает уровень понимания, который раньше даже трудно было представить: модель не угадывала, не перебирала случайно, а пришла к решению так, как это сделал бы специалист по теории гравитации. Когда ИИ решает задачу, над которой мучаются эксперты - это не просто прогресс в моделях. Это момент, когда становится ясно: научные границы начинают реально сдвигаться. @ai_machinelearning_big_data #chatgpt #ai

Какие AI реально работают? Понимаю, что уже теряюсь в цунами AI софта и не слежу за хорошими AI решениями в вертикалях. Собираю подборку специализированных проверенных AI-решений: от разработки до бухгалтерии. Хочу понять, чем люди пользуются на практике, а не в теории. Если у вас есть любимый специализированный AI-тул, без которого работа встанет, – поделитесь в форме: 🔗 https://forms.gle/5BXuTBSQTzK1GLXq9 Самые интересные находки потом опубликую отдельным постом/таблицей. Делитесь годнотой! 🔥

(poll without text)

+6

- Множество объектов: An intricate flat lay photography of a traveler's desk: a vintage map, a compass, a steaming cup of coffee, an old camera, scattered coins, and a leather diary, soft morning light, high detail. - Инфографика: Make infographics of 3 companies share in a futuristic way. Let Nvidia have 50%, AMD - 30%, Intel - 20%. Редактирование (Проверка сохранения контента и логики) - Замена объекта с сохранением позы: "A full-body photograph of a man in a tailored business suit standing confidently in a modern office." -> "Change the man's business suit to a full set of medieval steel knight armor, keeping the exact same pose and camera angle." - Добавление объекта с интеграцией освещения: "A rustic wooden table outdoors in a sunny garden, sharp sunlight casting long shadows." -> "Add a single red vintage apple to the center of the table. The apple must have a realistic shadow congruent with the sunlight in the scene." - Глобальная смена атмосферы и времени суток: "A busy street in Tokyo during a sunny day, lots of people and cars." -> "Transform the scene into midnight during heavy rain. Add neon sign reflections on the wet asphalt and umbrellas for the pedestrians, keeping the street layout the same."

+6

Протестировал новую Нано-банану Про. Ну что, весьма-весьма. Здесь попарное сравнение с ChatGPT. - Экстремальный реализм кожи: "Extreme close-up portrait of an elderly fisherman, deep wrinkles, weather-beaten skin texture, pores visible, water droplets on face, heavy rain, dramatic cinematic lighting, 8k resolution, shallow depth of field, shot on 35mm lens." - Сложная физика света и жидкости: "A transparent glass sculpture of a lion filled with swirling red wine, liquid splashing, caustic light refractions, placed on a wooden table, sunlight streaming through, hyper-realistic, ray tracing render." - Точный текст на неоне: "A futuristic cyberpunk street food stall at night, heavy rain, a neon sign glowing bright red that says 'NOODLE KING', volumetric fog, wet pavement reflections." - Сложная перспектива и взаимодействие: "A view from inside a refrigerator looking out, a woman opening the door late at night looking for a snack, face illuminated by the fridge light, perspective distortion, wide angle lens, realistic kitchen background." - Креативная детализация (Steampunk): "A majestic owl made entirely of intricate clockwork gears and copper parts, perched on a branch made of twisted fiber optic cables, glowing blue bioluminescent forest background, macro photography style."

Так, в общем, почему на картинке вчера были Россия-Китай-США, Сбер решил сделать ставку на опенсорс и вчера выложил прям кучу всего и на удивление хорошего. 🔷 GigaChat Ultra Preview (702B параметров, A36B активных) Самая мощная русскоязычная MoE-модель. Обходит DeepSeek V3.1 и GigaChat Max 2 по бенчмарку MERA. Создана с нуля для русского языка. Идеальна для бизнес-аналитики, разработки и файнтюнинга на собственных данных. Скоро будет доступна корпоративным клиентам для on-premise развертывания ➡️ https://github.com/salute-developers/gigachat3 Честно говоря, я удивляюсь, как они с нуля текущим железом создали модельку размером 700B... Это прям достижение! И работает действительно очень неплохо на русском. 🔷 GigaChat Lightning (10B параметров, 1.8B активных) Компактная и быстрая MoE-модель для локального запуска на ноутбуках. Конкурирует с Qwen3-4B по качеству, но при этом сравнима по скорости с Qwen3-1.7B. Оптимизирована для быстрых продуктовых итераций ➡️ https://github.com/salute-developers/gigachat3 Чуть отстает по моим быстрым тестам по качеству, но очень быстрая. Можно использовать для всяких простых задач типа перевода или саммаризации на русском. 🎙 GigaAM-v3 (220-240M параметров) 5 моделей на базе Conformer для ASR. На 30% лучше работают с новыми доменами (колл-центры, музыка, атипичная речь). End-to-end модели с пунктуацией и нормализацией выигрывают у Whisper-large-v3 в 70% случаев по оценке LLM-as-a-judge. Превосходят Whisper на 50% по WER на русском языке. Отличное решение для голосовых ассистентов, аналитики звонков, транскрибации ➡️ https://github.com/salute-developers/GigaAM Видел уже предварительные тесты в сообществах, ну где-то стало сильно лучше, где-то хуже (в коротких командах, например), чем вторая версия, но все равно это одно из лучших решений для распознавания русской речи. 🎨 Kandinsky 5.0 Три модели для генерации изображений и видео: • Image Lite (6B) — HD-изображения с отличным пониманием русского языка и культурного контекста • Video Pro (19B) — до 10 сек реалистичного HD-видео. Конкурирует с мировыми топами • Video Lite (2B) — облегченная версия, работает на видеокартах от 12 ГБ Используют DiT (Diffusion Transformer). Лучшие среди open-source моделей в понимании русских концептов ➡️ https://github.com/kandinskylab/kandinsky-5 Ну-у... Тут все конечно простенькое, не уровня топов, но по русской культуре, персонажам, архитектуре, пониманию промптов и правда лучше всего на рынке. ⚡️ K-VAE 1.0 Автокодировщики для ускорения генеративных моделей. Сжимают изображения и видео в латентное пространство, позволяя моделям работать быстрее и экономнее. 2D-версия превосходит Flux VAE по метрикам реконструкции (PSNR, LPIPS). 3D-версия — лучший открытый токенизатор для видео. Ключевая технология для эффективного обучения диффузионных моделей ➡️ https://github.com/kandinskylab/kvae-1 Это все менее интересно обычным разработчикам, скорее полезна для крупных компаний, разрабатывающих или тюнингующих модели под себя. Но тоже весьма полезно. Все модели под лицензией MIT – можно использовать коммерчески. Очень конечно сильный ход от Сбера, потому что существенно улучшает возможности маленьких команд делать полезные продукты.

Вот и анонсировали Nano Banana Pro. Уже доступа везде, качество до 4К, но и стоит до 4 раз дороже. Попробовал тут сгенерировать игру в шахматы России, США и Китая :) А больше примеров по ссылке. Там клево, модель очень крутая. https://deepmind.google/models/gemini-image/pro/

GigaAM-v3: новый уровень качества, пунктуация, нормализация ➡️ GitHub | HuggingFace | GitVerse В прошлом году мы открыли семейство моделей GigaAM, после чего значительно улучшили качество благодаря подходу HuBERT-CTC во второй версии. Основными запросами сообщества оставались поддержка пунктуации в наших моделях, а также улучшение на сложных срезах данных. Сегодня мы рады представить следующий большой релиз — GigaAM-v3. Что публикуем 🔘GigaAM-v3 — foundation audio encoder (база для дообучения). 🔘GigaAM-v3-CTC — улучшенная CTC модель распознавания, быстрый инференс 🔘GigaAM-v3-RNNT — улучшенная RNNT модель распознавания, лучшее качество 🔘GigaAM-v3-e2e-CTC — распознавание с пунктуацией и нормализацией, быстрый инференс 🔘GigaAM-v3-e2e-RNNT — распознавание с пунктуацией и нормализацией, максимальное качество Пример e2e-вывода: В твоём каталоге есть первая серия сезона 14 «Где логика»? Что нового в v3 🔘Масштаб предобучения: 50k → 700k часов аудио на русском языке. 🔘Новые домены в обучении ASR: колл-центр, музыкальные запросы, речь с особенностями, разговорная речь (суммарно 2k часов). 🔘Для всего корпуса обучающих данных восстановлены пунктуация и нормализация при помощи GigaChat Max Audio. 🔘Линейка CTC/RNNT + e2e — выбирайте скорость или максимум качества под свой сценарий. Метрики 🔘 Открытые датасеты (Golos, OpenSTT, Common Voice, LibriSpeech): паритет с GigaAM-v2. 🔘 Новые домены (WER, v2-RNNT → v3-RNNT): • речь с особенностями 27% → 19% • колл-центр 13% → 10% • спонтанная речь 10.3% → 7% 🔘 Пунктуация: v3-e2e-RNNT vs reference + Whisper Forced Decoding — F1-score по запятой 84% vs 62%, остальные знаки ~паритет. 🔘 Side-by-Side (Gemini 2.5 Pro as a judge): v3-e2e-RNNT vs Whisper-large-v3 — 70:30 (колл-центр), 64:36 (Common Voice). Более качественные модели распознавания того же класса эксклюзивно доступны в наших умных устройствах, а также могут быть бесплатно использованы на повседневной основе с помощью бота @smartspeech_sber_bot. Совсем скоро выйдет пост на Хабр, где мы поделимся подробностями обучения и оценки качества. Не пропустите!

Воу, точно прорвалось. Сбер выпустил обновление лучшей распознавалки русского. Еще и добавил пунктуацию и нормализацию!

Вох. Там вендоры подоставали из закромов все, что накопилось, что ли? :) Релиз OpenAI GPT-5.1-Codex-Max прямо на следующий день после Gemini 3 Pro. Совпадение? Не думаю. Что интересно: Модель обучена работать с миллионами токенов через "compaction" - автоматически сжимает историю контекста, освобождая место для продолжения работы. В тестах работала больше 24 часов подряд над одной задачей. Вау Цифры: 77.9% на SWE-Bench Verified The New Stack (Claude Sonnet 4.5 - 77.2%, Gemini 3 Pro - 76.2%). Обогнали на 0.7%. На 30% меньше токенов на reasoning при той же производительности vs предыдущей версии. Пока только через Codex CLI. API обещают "скоро". Плюс это первая модель с нативной поддержкой терминала Windows. Годится для долгих агентских задач - рефакторинги на уровне проекта, дебаг сессии, code review. В общем, я уже теряюсь, какая модель лучшая и насколько часто надо обновлять эту информацию :) Просто уже используйте что вам нравится.

Фух, наконец-то закончил все формальности и можно рассказать, что мы делали этим летом. А занимался я вместе с двумя студентами обучением AI-модели распознавания кипрской речи. 🇨🇾 В чем проблема? На Кипре официальный язык – греческий. Но в жизни многие говорят на кипрском диалекте (он древнее, но куда менее представлен в цифре). Когда я использую самописное приложение для распознавания греческого языка на местных встречах, оно буквально сходит с ума. А тем более Google Translate, ChatGPT и прочие. Голосовые ассистенты при звонках тоже уходят в отказ. Самое интересное: ни Whisper, ни Google, ни ElevenLabs, ни даже Meta с их 1600 языками кипрский диалект не поддерживают. Для них это просто шум или «неправильный греческий». То есть сделать нормальный голосовой AI для поддержки киприотов сейчас невозможно, даже если работать с крупнейшими компаниями и отдать им много денег. Как мы это решали (спойлер: было больно) У меня было два студента-стажера, и мы решили сделать что-то общественно полезное. План казался простым: берем датасеты, дообучаем греческий wav2vec на видеокартах несколько дней за пару сотен баксов – и готово, State-of-the-Art. Ха! Затея провалилась в начале. Оказалось, кипрских датасетов (аудио + текст) просто НЕТ. Либо данные утеряны, либо файлов нет, только ссылки, либо нет ответа от автора исследования, либо стоят 35 000 евро. Пришлось собирать всё с нуля: собирать ролики кипрского ТВ, радио, подкасты, словари. Мы даже создали сайт для краудсорсинга переводов – voiceofcyprus.org. Использовали кучу костылей, чтобы модель понимала контекст с практически полным отсутствием чистых данных. Итог За 6 недель и $150 на GPU мы реально обучили небольшую модельку понимать кипрский диалект! 🚀 Это еще не продакшн-уровень, но это первый рабочий пайплайн и рабочая модель! Мы доказали, что задача решаема. Сейчас это уже огромное подспорье для ученых и разработчиков локального AI на острове. Если соберем больше данных (в том числе через наш сайт), можно дообучить до состояния лучше любого провайдера на рынке! И такой подход можно будет использовать для практически любого языка и диалекта мира. В общем, было сложно и круто! И вывод как всегда простой: нет данных - нет AI. Даже со всеми технологиями мира. 🎥 О наших приключениях сняли классный ролик. С удовольствием делюсь! https://youtu.be/zN_FMIWRSLA

Попробовал Antigravity. Ну что сказать, работает весьма неплохо. Разбирает требования, пошагово выполняет, тестирует, фронтенд даже в браузере может тестировать, но иногда сваливается с ошибкой или падает :)

Artificial Analysis прогнал свои бенчмарки и кажется по половине прогресс весьма существенный. Вот что пишут: 📖 Лидирующий интеллект Gemini 3 Pro Preview — лидер в 5 из 10 тестов Artificial Analysis Intelligence Index: GPQA Diamond, MMLU-Pro, HLE, LiveCodeBench и SciCode. Особенно впечатляет результат 37% в Humanity’s Last Exam — это более чем на 10 п.п. выше предыдущего лучшего результата. Модель также занимает первое место в AA-Omniscience – новом тесте знаний и галлюцинаций: лидирует по Omniscience Index (штрафы за ошибки) и Omniscience Accuracy (процент правильных ответов). С учётом того, что качество фактов обычно связано с размером модели, всё указывает на то, что Gemini 3 Pro заметно крупнее конкурентов. 💻 Кодинг и агентность Gemini 3 Pro Preview — лидер в 2 из 3 кодинговых тестов AI Index, включая мощные 56% в SciCode (+10 п.п. к предыдущему рекорду). В агентных задачах тоже всё отлично: второе место в Terminal-Bench Hard и Tau2-Bench Telecom. 🖼 Мультимодальность Gemini 3 Pro Preview – мультимодальная модель, принимает текст, изображения, видео и аудио. Она показывает лучший результат среди всех моделей в MMMU-Pro (сложное визуальное рассуждение). Google сейчас занимает 1-е, 3-е и 4-е места в рейтинге MMMU-Pro (второе — у GPT-5.1, добавившегося туда на прошлой неделе). https://artificialanalysis.ai/models/gemini-3-pro

🎨 Generative UI и Агентность Gemini 3 теперь генерирует целые пользовательские интерфейсы на лету: 1. Динамический поиск: В AI Mode Google Search (доступен подписчикам Google AI Pro и Ultra в США, если выбрать "Thinking" в выпадающем меню) Gemini 3 создает динамические визуальные макеты, интерактивные инструменты и симуляции. ◦ Например, спросите про "задачу трех тел" — и получите интерактивную симуляцию, где можно манипулировать переменными. 2. Приложение Gemini: Обновлено с новым, более чистым дизайном. Появились эксперименты visual layout (иммерсивный, журнальный вид) и dynamic view (создание кастомного UI в реальном времени, например, интерактивной галереи Ван Гога). Вау. 3. Gemini Agent (Экспериментально): Самая многообещающая функция для подписчиков Google AI Ultra в США. Этот экспериментальный Агент может сам выполнять сложные многошаговые задачи, такие как организация вашего почтового ящика ("organize my inbox") или бронирование аренды автомобиля (например, найти SUV менее чем за $80/день, используя информацию из вашего Gmail). Агент действует как настоящий партнер, но, к счастью, пока спрашивает разрешения перед критическими действиями, такими как покупки. В общем, Gemini 3 – это целый ворох обновлений по всем фронтам. Крайне рекомендую! Видео-тизер: https://youtu.be/98DcoXwGX6I Вот здесь все эти анонсы освещаются: https://blog.google/products/gemini/gemini-3-collection/

Воу, Google оказывается выпустил не просто Gemini 3 Pro, но и кучу обновлений во многих своих около-Gemini продуктах! Запихнул все статьи в NotebookLM, иначе это не объять все. Вот анонсы: 🧠Интеллект. Теперь Gemini 3 Pro демонстрирует такие результаты, что кажется, будто он готовился к экзаменам, пока мы спали: 1. Модель возглавила LMArena Leaderboard с прорывным счетом 1501 Elo. Предыдущий лидер, Gemini 2.5 Pro, держался на вершине всего шесть месяцев. А сегодня грок продержался несколько часов. 2. PhD-уровень рассуждений: На бенчмарках, тестирующих сложное мышление: ◦ Humanity’s Last Exam: 37.5% без использования инструментов. ◦ GPQA Diamond: 91.9%. ◦ В математике установлен новый стандарт с 23.4% на MathArena Apex. 3. Мультимодальное превосходство: Gemini 3 — лучшая модель в мире для комплексного мультимодального понимания. Она набрала 81% на MMMU-Pro (комплексное визуальное мышление) и 87.6% на Video-MMMU (понимание видео). 4. Кодинг: ◦ В области кодирования модель обошла 2.5 Pro. В WebDev Arena она набрала 1487 Elo, на голову выше конкурентов ◦ На SWE-bench Verified (тестирование кодовых агентов) Gemini 3 Pro показал результат 76.2%, но чуть ниже Sonnet. ◦ Для задач в командной строке (terminal tool use) на Terminal-Bench 2.0 модель набрала 54.2%. 🤯 Gemini 3 Deep Think: Когда просто "Pro" недостаточно Для тех, кому нужна запредельная мощь, скоро появится режим Gemini 3 Deep Think. Это сверхинтеллектуальный режим, который еще больше расширяет границы рассуждений. • Внутреннее тестирование показало, что Deep Think mode набрал 41.0% на Humanity’s Last Exam и 93.8% на GPQA Diamond. • Он также достиг 45.1% на ARC-AGI-2 (с выполнением кода), демонстрируя способность решать совершенно новые задачи. • Статус: Скоро будет доступен для подписчиков Google AI Ultra после усиленных проверок безопасности. 💻 Инфраструктура для разработчиков: От салфетки до продакшена 1. Vibe Coding: Официально разблокирован. Теперь вы можете превратить расплывчатую идею (или даже набросок UI, сфотографированный и перетащенный в терминал) в полнофункциональное, визуально сложное приложение с 3D-графикой с помощью одного промпта. 2. Gemini CLI 0.16.x: Командная строка получила Gemini 3 Pro. Обновляйтесь до версии 0.16.x и включайте "Preview features". Это открывает возможность описывать сложные команды UNIX на естественном языке и автоматически генерировать документацию, согласованную с кодом. 3. Контекстное окно на 1 миллион токенов: Модель может поглощать целые кодовые базы, что делает ее идеальной для агентного кодирования и миграции старого кода. Это лидирующий в индустрии показатель для длинного контекста. 4. Google Antigravity: Новая платформа агентской разработки, где вы действуете как "архитектор", а агенты сами планируют и выполняют сложные, многошаговые задачи по разработке (от UI до фиксации багов). Публичное превью уже доступно бесплатно для MacOS, Windows и Linux. 💰 Цены и Интеграции • API-доступ (Preview): Gemini 3 Pro доступен через Gemini API в Google AI Studio и Vertex AI. Цены на 20% дороже Gemini 2.5 Pro, но все еще очень низкие. • Android Studio: Gemini 3 Pro интегрирован в последнюю версию Android Studio Otter. Разработчики с бесплатным доступом (Default Model) получают ограниченный доступ с окном в 1 миллион токенов. • Firebase AI Logic: Разработчики на плане Blaze могут получить прямой доступ к Gemini 3 Pro Preview через клиентские SDK, при этом SDK автоматически обрабатывают thought_signature для сохранения контекста и легкой отладки • Корпоративные успехи: ◦ GitHub Copilot (с Gemini 3 Pro) показал 35% более высокую точность в решении инженерных задач, чем 2.5 Pro. ◦ JetBrains зафиксировали 50% улучшение в количестве решенных задач по сравнению с Gemini 2.5 Pro. ◦ Rakuten в своем тестировании обнаружил, что Gemini 3 превосходит базовые модели более чем на 50% при извлечении структурированных данных из некачественных фотографий документов.

Хах, Google реально украл день у Grok :) Просто порвал всех в сравнениях на Арене. Vision + 100 ELO очков (то есть просто не оставляет шанса в анализе картинок), веб-разработка + 90, текст подняла на 50 очков и выше грок на 17 баллов. https://lmarena.ai/leaderboard

Вох, Гугл вместе с Gemini 3 еще и IDE свою представила! Курсору будет несладко! https://antigravity.google/ https://youtu.be/SVCBA-pBgt0