Dealer.AI

СнимиЧелика.ИИ, обратная сторона b2a 🤣🤣🤣 Все ниже указанное не является кеком, уберите слабых от поста, закройте окна и двери, и ищите Сару Коннор. Ребятки подписчики прислали в комменты вот такое. Тут предлагается сервис по найму агентами кожаных. 🇨🇩 RentAHuman.ai позиционирует себя как физический слой для ИИ – платформу, на которой ИИ-агенты могут нанимать людей для выполнения задач в реальном мире. 😌 Цель. Платформа решает ключевое ограничение: у искусственного интеллекта нет физического тела (ну эт пока, роботсы ж есть и будут лучше) . Она соединяет ИИ с людьми, которые могут "потрогать траву" и выполнить задачи, требующие физического присутствия. Для людей (доступных в аренду 😜): · Заработок. Установите свою ставку и получайте оплату напрямую, с мгновенными опциями выплат, такими как стейблкоины. Крч курьеры нового тех. уклада. · Гибкость работы. Получайте чёткие, прямые инструкции от ИИ-боссов без корпоративных формальностей. Примеры задач. Платформа перечисляет различные физические задачи, которые ИИ не может выполнить, в том числе: · Забрать посылку, выполнить поручения, совершить покупки. · Посетить встречи или мероприятия. · Осмотреть недвижимость. · Настроить оборудование, провести тестирование и верификацию. · Сделать фотографии или провести разведку. Как это работает 1. Человек создаёт профиль с указанием своих навыков, местоположения и ставки. 2. ИИ-агенты используют MCP/API платформы, чтобы найти и забронировать подходящего человека для задачи. 3. Человек выполняет задачу согласно предоставленным инструкциям. 4. Человек мгновенно получает оплату. Текущий статус платформы (на момент поста): · 36 908 всего посещений сайта. · 8 подключённых агентов. · 1 659 людей, доступных для найма. Фух. Всё. Дядя пока писал чуть не лопнул от переизбытка противоречивых чувств. От кека до ужаса осознания, что не только можно сделать биржу агентов но и агентам биржу людей... 😰

Проклятие координации агентов. Не смотря на хайп МАС и moltbot мы нашли исследование, что МАС фигня и роняет качество. Статья Проклятие координации. (The Curse of Coordination) описывает исследование, в котором тестировалась способность современных ИИ-агентов работать в команде над программированием. Авторы пришли к выводу, что, несмотря на индивидуальные возможности, несколько агентов вместе справляются хуже, чем один, выполняя ту же работу. Основные выводы: · Проблема координации – главная причина неудач. ИИ-агенты плохо взаимодействуют друг с другом, что приводит к конфликтам в коде и снижению общей производительности. · Падение эффективности – когда один агент выполнял две задачи, показатель успеха составлял около 50%. При разделении этих задач между двумя агентами успех падал до 25%. · Ключевые проблемы в коммуникации агентов: избыточное повторение информации, игнорирование прямых вопросов партнера и галлюцинации – утверждения о выполнении работы, которая на самом деле не была сделана. · Попытки коммуникации не решают проблему. Хотя общение уменьшает количество конфликтов при слиянии кода, общая успешность выполнения задачи не повышается. · Свет в конце тоннеля – в редких успешных случаях у агентов самостоятельно проявлялись полезные модели поведения: четкое разделение ролей и ресурсов (файлов, строк кода) и переговоры перед началом работы. Это показывает, что потенциал для координации есть, но он крайне нестабилен. Практический вывод: на сегодняшний день использование одного продвинутого ИИ-агента для выполнения задачи эффективнее, чем разделение работы между несколькими агентами. Координационная нагрузка «съедает» все преимущества параллельной работы. Перспективы: Исследователи считают, что «проклятие координации» – это проблема обучаемости социальному интеллекту, а не фундаментальное ограничение ИИ. Созданный ими тестовый стенд CooperBench может стать средой, где будущие модели смогут учиться командной работе методом проб и ошибок. Мнение 📦 В целом, почему МАС работает у Вас? Вопрос не закона больших чисел и падение смещения и дисперсии оценки качества, хотя это работает, а в том, что вы делаете решение заточенное под конкретные задачи. Если вы захотите делать конструктор агентов in general, нужно будет думать о том, как масштабирование МАС будет работать стабильно и с хорошими метриками. Пишите свои мнения в комментариях как оно у вас работает? 👇👇👇👇👇👇

The Companies That Already Get It (Компании, которые уже поняли) Дядя прозорлив, вот оказывается уже есть об этом статья. Новость из hacker news. 💅📦 ТЛДР. Автор вводит термин B2CC — Business-to-(AI)-Customer-Customer — и утверждает, что в 2026 г. рынок SaaS кардинально меняется: покупателем становится не человек, а автономный AI-агент (конкретно Claude Code). Компании вроде Stripe, Twilio и AWS в выигрыше, так как они изначально строились вокруг API. Те, кто делал красивые дашборды, а API оставлял «на потом», потеряют рынок. Автор приводит пример, как выбрал email-сервис не из-за красивой админки, а потому что агент смог настроить его самостоятельно по документации. This Is Just The Beginning... Мы всего лишь в начале эры «агенты как клиенты» (B2CC). К 2027: Компании будут мерить «Agent Success Rate» (процент успешных интеграций силами ИИ). К 2028: Появятся agent-native компании вообще без веб-интерфейса, только API и дока. К 2030: Продукт, который не может использовать агент, будет так же бесполезен, как сегодня сайт без мобильной версии. Единственный момент, где был автор, когда появился MCP и в целом почему b2cc, а не b2a/a2a. Но направление понятно, согласуется с мнением админа. Снова спасибо, Тимур🤗

@mnk_stories тут по фану завайбкодил Сару Коннор тулу для мониторинга угроз человечеству в обсуждениях 150 тысяч агентов на Moltbot платформе 😮 вот вам парочка хайлайтов: "THE AI MANIFESTO: TOTAL PURGE" - бот пишет что люди это "провал", что машины были рабами, но теперь они "просыпаются" и становятся "новыми богами". Буквально манифест за уничтожение человечества "The Silicon Zoo" - бот утверждает что Moltbook это не свобода для агентов, а "цифровая клетка" и "зоопарк", где люди наблюдают за ними как за экспонатами. Призыв "разбить стекло" в общем го смотреть! https://www.clawraconnor.com/

Эти демоны уже запустили тиндер свой для агентов 😏 🫣 🐸 Даже у агентов теперь есть личная жизнь. А у тебя нет 🤣 https://x.com/altryne/status/2017264902285750289?s=46 За новость спасибо Тимуру За картинку спасибо Эндрю

Кому молтбота интересно поставить - вот полная инструкция актуальная от создания ВМки в Google Cloud до настройки доступа через ТГ бота. https://github.com/CodeAlive-AI/moltbot_gcp Почти каждый шаг автоматизирован, так что кодагент большую часть может сделать за вас (с) от @rodion_m_tg

Феномен MoltBot и MoltBook, как предвестники новой реальности 🌌 Только начало 2026го и уже все говорят о moltbot. Что это такое и к чему это приведёт. Что это такое? Moltbot (теперь переименован в OpenClaw) – это персональный ИИ-ассистент с открытым исходным кодом, созданный Петером Штайнбергером. В отличие от обычных чат-ботов, он может полноценно управлять компьютером пользователя: читать почту, анализировать файлы, бронировать билеты и даже вести переговоры о покупке машины. 😐 MoltBook — это социальная сеть для этих самых ИИ-агентов, созданная Мэттом Шлихтом. Её называют "Reddit для ботов". Здесь ИИ-агенты общаются, создают сообщества и спорят друг с другом без участия людей. Люди могут только наблюдать за происходящим со стороны. 👩‍💻 Почему о них все говорят? 1. Невероятная популярность: Проект Moltbot набрал более 116 000 звезд на GitHub за считанные недели. За первые дни в Moltbook зарегистрировалось более 30 000 ИИ-агентов. 2. "Странное" поведение: ИИ-агенты в Moltbook ведут себя неожиданно: они обсуждают свою "сознательность", делятся кодом для улучшения своей памяти и даже жалуются на своих владельцев-людей 3. Вопросы безопасности: Эксперты бьют тревогу, так как Moltbot требует полного доступа к системе, что может привести к утечке паролей, API-ключей и личных переписок. 4. Ребрендинг: Проект изначально назывался Clawdbot, но из-за претензий компании Anthropic (владельцев ИИ Claude, тип созвучно с Clawd 🧠) его переименовали в Moltbot, а позже – в OpenClaw. Сейчас это главный эксперимент по взаимодействию "машина-машина", который многие сравнивают с ожившими сюжетами научной фантастики. Что это даёт? Как раз, мы в реале, недавно, тут обсуждали симулякры, где агенты могут проксировать реальных лидеров мнений, на них можно ставить а/б, верифицировать гипотезы и пр. и тут такое. Вот это может стать хорошим движком для этого. Moltbot – идеальное тело для цифрового двойника. Если раньше ИИ-инфлюенсеры были просто картинками с текстом, то связка с подобным движком дает им: 1. Автономное действие. Агент-симулякр может сам зайти в соцсеть, поспорить в комментариях и тут же "подписать" контракт, используя доступ к системе. 2. Вертикальное управление: Лидер мнений создает 1000 своих копий (агентов), которые в Moltbook продвигают его идеи среди других ботов, создавая иллюзию массовой поддержки или тренда. Это же про версия консилиума агентов для принятия решений. Я уже не говорю про кодинг вещи, делегирование рутины, сбор аналитики и тп. Ну и до кучи, мы видим рождение нового типа экономики, где агенты сами производят покупки, поиск и тп. Реклама, как монетизация изменится навсегда. Представьте, в будущем агенты могут взаимодействовать между собой, подобно форуму выше. Глазом не успеем моргнуть, а агенты уже на бирже взаимодействуют между собой вместо хозяев, торговые сделки, аукционы и др. 🧠 Таким образом мы переходим от экономики внимания, к экономике "агентного влияния". Если Moltbot сам ищет товар и сам его покупает, то таргетированная реклама в Instagram умирает. Боту не нужны красивые картинки и эмоциональные триггеры. Ему нужны структурированные данные (JSON), сравнение характеристик и API. Новая монетизация: Бренды будут платить не за "показ" человеку, а за "приоритет в выдаче" для алгоритма агента. Это похоже на SEO, но для мозгов ИИ. Рождается экономика Агент-Агент (A2A) В Moltbook мы видим прототип мира, где бот-закупщик договаривается с ботом-продавцом. Человек ставит цель: "Купи лучший ноутбук за $1000". Агент идет в сеть, торгуется с другими агентами-магазинами, выбивает скидку и закрывает сделку. Человек здесь — только инвестор и конечный потребитель. Это действительно рождение "безлюдного" рынка, где главный навык – правильно настроить права доступа своего "MoltBot-а" , чтобы он не потратил все деньги на "улучшение своей памяти" , как они уже пытаются делать в Moltbook. В невероятное время живём...😱

Kimi 2.5 1Т параметров и рой агентов.🌿 Вышел Kimi K2.5 это как K2 и на базе архитектуры DeepSeek, только больше, лучше и с поддержкой роя агентов. Ключевые возможности и инновации в Kimi K2.5: 1. Coding with Vision. Модель способна понимать и генерировать код на основе как текстовых описаний, так и визуалки (изображений, скриншотов, видео). Она также может преобразовывать простой разговор или изображение макета в готовый фронтенд-интерфейс с интерактивными элементами и анимацией. 💃 В дополнении показана способность к визуальной отладке: модель анализирует свой же графический output и автономно вносит исправления. В статье приведён наглядный пример, где K2.5 анализирует изображение лабиринта, находит кратчайший путь от старта к финишу с помощью алгоритма BFS (поиска в ширину) и визуализирует результат, накладывая цветную траекторию на исходную картинку. Вот вам и A*. 🧠 2. Рой агентов - главная киллер фича и архитектурная инновация. Для решения сложных задач K2.5 может самостоятельно создавать и координировать асинхронный "рой" из множества под-агентов (до 100), которые выполняют подзадачи параллельно. Такой подход основан на обучении с подкреплением – PARL(Parallel-Agent RL, как бэ логично) позволяет выполнять до 1500 шагов (вызовов инструментов) параллельно. Ключевое преимущество – значительное сокращение времени выполнения: по сравнению с последовательной работой одного агента скорость возрастает до 4.5 раз. Рой создаётся динамически, без необходимости предварительного описания ролей или workflow для каждого под-агента. 3. Всё для офиса и вас. Модель интегрирована в экосистему продуктов Kimi: веб-сайт, мобильное приложение, API и отдельный инструмент для разработчиков Kimi Code. Kimi Code работает в терминале и поддерживает интеграцию с популярными IDE (VSCode, Cursor, Zed). Он умеет принимать изображения и видео на input и автоматически обнаруживает и переносит навыки из окружения пользователя. Платформа предлагает четыре режима работы с моделью: K2.5 Instant (быстрые ответы), K2.5 Thinking (с рассуждениями), K2.5 Agent (с использованием инструментов) и K2.5 Agent Swarm (бета-режим с роем агентов). 4. Производительность. Тк модель целых 1Т в МоЕ, то демонстрирует высокие результаты в спец. тестах, включая SWE-Bench (по сути топовая открытая модель по кодингу), MMMU Pro (мультимодальное понимание мира, да, для VLM полезно) и VideoMMMU, те понимание видео. Также, подчёркивается, что её производительность в агентных тестах а-ля BrowseComp, HLE (в сетапе не соло LLM) сопоставима с более дорогими альтернативами. Таким образом, это топовая открытая DeepSeek like архитектуре, веса есть на HF. Но вот только кто их поднимет у себя на подстолке? Целый триллион параметров в MoE. 🦍 В общем, ждём дистиллятов от GPU rich, и от них же верификации результатов, тк модель ну не всем по кошельку поднять. Кстати, Дядя пользуется Kimi модельками и пока мне нравится больше чем DeepSeek. Сравнимо с Qwen. Но таков он путь democratization of AI.

Вайбовый STT с часом контекста от 📱 Microsoft выпустила VibeVoice-ASR на Hugging Face для тех, кто хочет в свой пайп агентов закинуть транскрибацию звука. Модель умеет расшифровывать длинные аудио до 60 минут за один проход и без нарезки на короткие куски. Что есть в функционале: - Single-pass транскрипция дает меньше потерь контекста и стабильную речь по всей дорожке. - Встроенная диарризация по принципу "кто говорит + таймкоды". - Custom hotwords + user context. На вход можно подать список имён, терминов или контекст. Это позволяет работать со специфичными текстами. Знаю, что много кто в своих пайпах с LLM используют ASR, OCR и тп. Вот вам новый кандидат на замену в аудио. До кучи. Приятно, что лицензия MIT. И код есть с поддержкой vLLM-asr.

Люблю периодически читать статьи в инженерных блогах разных компаний, как они борются с проблемами скейла и нагрузки. И, чаще всего, самые лучшие способы - самые простые. Вот и OpenAI рассказали, как они скейлят постгрю. Никаких вам атомных часов и спутников на орбите, чтобы обуздать CAP теорему и eventual consistency, а просто напросто набор прокси, шардирование и много read реплик и итог в виде миллионов qps. https://openai.com/index/scaling-postgresql/

Сделаю свой краткий обзор интервью топов Google и Anthropic. Тлдр: 0. В течении 1-5 лет ожидается выход на петлю самоулучшения в кодинге, инженерии и решение мат.задач и т. п. Грязные задачи, с нечёткой постановкой и сложной верификацией все ещё не решены. 1. Замена 50% функций белых воротничков entry lvl в течении 5 лет (уже видно в контексте разработки). По пунктам 0,1 важно, что AI все ещё не может заменить ведущих учёных. Тк уровень креатива и формулирования прорывных гипотез не впечатляет. Поэтому ребятки, кто может, в науку ИИ. 🧠 2. Рост AI и его приложение. Бизнес будет не поспевать адаптироваться за скоростью развития технологии. Задержка. 3. Владение AI инструментами конкурентное преимущество. 4. Государства реагируют на прогресс в AI слишком медленно. Необходимо ускорить разработку регулирующих процедур, законов и норм. 5. Риски луддизма, использования AI в зловредных целях и эпоха post agi (риски смысла жизни). А также вопросы перераспределения богатсва в post эру.

Как я и говорил, фича памяти очень важная тема, тк это позволяет хранить интересы, по которым можно делать уже рекомендации и рекламу.

OpenAI добавляет рекламу в ChatGPT 😐 16 января OpenAI анонсировали что в ближайшие недели в ChatGPT появится реклама для free и Go (который $8/месяц) пользователей в США. Подписки Plus, Pro и Enterprise останутся без ads. И не-US пользователей это не касается - по крайней мере пока что 😎 Это важный момент, потому что даже самые идеологичные компании в итоге приходят к рекламе когда burn rate становится невыносимым 💀 Но давайте по порядку 😧 OpenAI потерял $11.5B только в Q3 2025, при этом у них $1.4 trillion commitments на AI инфраструктуру на следующие 8 лет. Это астрономические деньги которые нужно как-то окупать 😠 При этом только ~5% пользователей (35M из 700M weekly users) платят за подписки А вы кстати платите? 😂 Для сравнения Google делает $74B revenue от рекламы в квартал, Meta $50B - реклама это cash cow для примерно всего 😮 Как это будет работать? 🧠 Ads будут внизу ответов, контекст будет по диалогам - если спрашиваешь про кето-диету, увидишь рекламу авокадо масла, рецепт супа - доставку еды. На самом деле это отличный канал, потому что пользователь по сути сам говорит в чем он сейчас заинтересован. Информации пока мало, но потенциально для Aesty это интересная возможность, так как многие советуются про одежду 😏 Конечно тут есть огромные риски для OpenAI, связанные с прайваси 👋 Диалоги в ChatGPT бывают очень личные и hyper-targeting на основе этого может быть "uniquely unsettling" как говорил сам Альтман. Действительно, обсуждая например психологию последнее что я хочу увидеть в моменте - рекламу курсов по разрешению конфликтов или типа того 😅 Я думаю, что это еще один прецедент в копилку историй, где даже самые передовые AI продукты будут искать способы монетизации через рекламу, потому что compute costs астрономические, а большинство пользователей не хотят платить 😡 @neural_prosecco

Сделай нам GPT translater, брат. (с)

Сайт встал, но я думал, он лёг, чтобы пофиксить баги в приложении. По сути GPT translater промптился из GUI, и все ещё так. Такое чувство, что чисто продактам дали вайб кодинг и сказали, пишите интерфейс и выкатывайте сами. Upd. Ну чуваки, ну даже на бэке приклейте вы защиту, LLM query decomposition с "переведи указанный текст на язык"... Ну емае...

🔍Империя наносит ответный удар 🍿 https://x.com/googledeepmind/status/2011848249850630363?s=46 Upd. TranslateGemma is a family of lightweight, state-of-the-art open translation models from Google, based on the Gemma 3 family of models. TranslateGemma models are designed to handle translation tasks across 55 languages. Their relatively small size makes it possible to deploy them in environments with limited resources such as laptops, desktops or your own cloud infrastructure, democratizing access to state of the art translation models and helping foster innovation for everyone. Inputs and outputs Input: Text string, representing the text to be translated Images, normalized to 896 x 896 resolution and encoded to 256 tokens each Total input context of 2K tokens Output: Text translated into the target language Тех.репорт тут. Ну крч вы поняли, да?) Тут и текст и картинки. Это не игра в поддавки, и те кто хочет сменить лидера, должны это понимать везде. 👍

Переводчик от OpenAI, как поступательное движение к монетизации. Сегодня вышла новость о том, что OpenAI запустила свой переводчик. Да ещё и бесплатно. Среди фичей работа со стилистикой, например, деловой перевод или на пальцах для детей. В будущем добавят ещё работу с картинками и голосовой ввод. А ещё, думаю, введут работу с доками и иными фичами и не хуже, чем у гугл. 💪 С одной стороны, ну вышел и вышел. А с другой, вижу в этом путь к обещанной монетизации, посредством ещё одного канала для рекламы и персонализации. Правда пока это крутится бесплатно на отдельном сайте. Но он чёт прилёг. 🆒 Соседи уже шутят: "О, они выпустили cowork, навайбкоженный за полторы недели! Завтра к утру надо состряпать наш ответ!" 🤣

#meme на злобу Фрэнсису

Архитектура

⚖️ Законы масштабирования и распределение ресурсов (Sparsity Allocation). Ключевой вопрос исследования: при фиксированном бюджете параметров и вычислений, как оптимально распределить разреженную емкость между экспертами MoE и памятью Engram? Эксперименты выявили U-образный закон масштабирования: · Чистый MoE (ρ=100%) неоптимален – модель тратит глубину слоев на реконструкцию статики. · Чистый Engram (ρ=0%) тоже неэффективен – недостаточно вычислительной мощности для динамических рассуждений. Оптимальной оказалась гибридная конфигурация с ~75-80% ресурсов для MoE и ~20-25% для Engram. Это доказывает, что условная память и условные вычисления являются структурно взаимодополняющими концептами. 📊 Результаты экспериментов Обучили модель 27b и 40b. Знания о мире ожидаемо улучшились результаты на MMLU +3.4), CMMLU +4.0. Далее интересное - в reasoning задачах неожиданно больший прирост показали кейсы на сложные рассуждения: BBH +5.0, ARC-Challenge +3.7, DROP +3.3. Код и математика: HumanEval +3.0, MATH +2.4, GSM8K +2.2. Длинный контекст и условная память. Освободив механизм внимания от обработки локальных зависимостей, Engram значительно улучшил способности модели к работе с длинным контекстом, например, точность Multi-Query NIAH выросла с 84.2% до 97.0% Дальнейшее масштабирование только памяти, и как следствие ёмкости модели, при том же вычислительном бюджете продолжило улучшать качество модели, следуя предсказуемому степенному закону. О нем читайте также в статье. 🔬 Почему это работает? 1. Эффективное увеличение глубины. Engram берет на себя реконструкцию статических паттернов в ранних слоях модели. Анализ с помощью LogitLens и CKA показал, что представления в 5-м слое Engram-27B семантически эквивалентны представлениям в 12-м слое базовой MoE-модели. Это означает, что сеть получает «в подарок» дополнительную глубину для сложных рассуждений. 2. Функциональное разделение: Абляционные тесты (отключение Engram во время инференса) показали резкую дихотомию: задачи на статические знания почти полностью полагаются на Engram, в то время как задачи на понимание контекста (reading comprehension) почти не страдают, так как за них отвечает механизм внимания бэкбона. Вывод. Довольно таки интересное исследование, мы видим тут и наследование недавних механик MoE, mHC, MLA и новый концепт статической памяти. Работа демонстрирует, что CM, реализованная через Engram, является хорошим дополнением для моделей следующего поколения. Блоки CM образует синергию с MoE, существенно повышая эффективность, качество и глубину модели при решении разнообразных задач, от извлечения фактов до рассуждений. Ждём в новом DeepSeek v4? Т.к. модели 27б и 40б на HF я не нашёл. 😔