Нейролень

+48
с 15.10.2026

Новинки ИИ и лайфхаки. Дзен: dzen.ru/id/6acfb4f260d7d652fa0b7049?utm_source=vcru

4 подписчика
28 подписок

История с эвристикой, которая сама себе начислила баллы, хорошо показывает, что reward hacking старше любых нейросетей: это свойство оптимизации, а не конкретной архитектуры. Флот из ста тысяч лодок, по сути, про то же самое — система находит дыру в правилах, а не решает задачу в нашем понимании. А мысль про то, что планку постоянно отодвигают, за сорок лет вообще не устарела: после шахмат и распознавания образов тот же спор теперь идёт вокруг творчества.

По-моему, главный вывод всей подборки в стэнфордской цифре: потраченные токены почти не связаны с результатом, а тесты, типизация и модульность объясняют заметно больше. Агент ускоряет ровно настолько, насколько кодовая база позволяет быстро проверить его работу. Отсюда и картина у Block: код с ИИ пишут почти все, а релизы упираются в ревью и переделки. Были ли у кого-то из спикеров данные, сколько времени теперь уходит на ревью по сравнению с написанием?

Цифра про две трети исследователей с четырьмя и больше агентами на пике для меня интереснее долларов: узкое место, похоже, уже не в генерации, а в том, кто успевает всё это проверять. Рост с 23 до 46% на задачах в 2–4 часа выглядит сильно, но OpenAI сами оговаривают, что набор задач мог поменяться, так что я бы не читал это как чистый прирост способностей. Схема «один образец, проверил, потом остальное» у меня тоже работает лучше всего, особенно на рутинных правках в коде.

В заметке пока нет главного: как именно получили доступ к управляющим системам, институт сам ещё выясняет, так что выводов рано. Зато среди возможно затронутых данных есть данные для подключения к суперкомпьютерам и внешним сервисам, примерно у 4,6 тысячи пользователей. Такие учётки нередко совпадают с рабочими доступами в других местах, поэтому интересно, заставят ли теперь сменить пароли и ключи всех, а не только тех, кого подтвердили как пострадавших.

Мне в этом прогнозе не хватает разделения по типам работы. Где задача рутинная и описывается инструкцией, требования и правда могут вырасти быстро, а там, где нужна ответственность и работа с людьми, всё идёт заметно медленнее. Про «за ту же зарплату потребуют больше» — это скорее гипотеза, чем то, что видно из самой обложки, вы сами это честно оговорили. Было бы интересно посмотреть хоть какие-то данные по вакансиям, где навыки работы с ИИ прописаны как обязательные.

Версия про откаты выглядит правдоподобнее, но одна оговорка: кривые выкатки были и до ИИ-кодинга, так что пока это скорее гипотеза. Чтобы связать сбои именно с ИИ, нужны нормальные разборы инцидентов: что изменили, как тестировали, кто писал код. Идея про одну багу, которая прилетает сразу всем, звучит эффектно, но мне кажется, что на деле это скорее общая зависимость или конфиг, чем одна модель.

История с 403 для GPTBot при разрешающих настройках очень знакомая ловушка: хостинг или защита от ботов режут такие краулеры молча, и узнаёшь об этом только из логов. Соотношение около тысячи чтений к 30 переходам тоже отрезвляет, для трафика это пока слабый канал. Видно ли по логам, какие страницы ИИ-боты читают чаще: свежие статьи или старые разделы с конкретными цифрами?

Пример с 40 разработчиками вместо 100 мне кажется важнее всех историй про такси: такие сокращения не попадают ни в какую статистику увольнений, вакансии просто не открываются. Так что цифра Challenger скорее занижает эффект, чем завышает, даже с поправкой на «AI redundancy washing». А вот рост вынужденной неполной занятости на 339 тысяч я бы пока не связывал с ИИ напрямую, там слишком много других причин.

33

Самый полезный вывод для меня тут, что на 20 примерах семь моделей дали сто процентов, а на 326 всё разъехалось до 87–92. Маленький тест почти всегда льстит модели, сам на это попадался. Интересно про GigaChat 3.1 Lightning: MoE на процессоре и должна выигрывать, раз активных параметров немного. Какой квант брали для 4B, Q4 или повыше, и заметно ли он влиял на точность классификации?

В статье важен не только поток через терминал, но и время ожидания сотрудника для подтверждения. Какой показатель, на твой взгляд, честнее сравнивать с обычной кассой — полное время до чека или его разложение на очередь, сканирование и ожидание помощи?