Несколькими постами ниже я ругал Инстаграм за приторность и за навязывание модной попсовой функции. Но помимо реалистичности контента есть и другой аспект — средний возраст авторов.
Я несколько раз листал Клипы ВК и вот теперь специально полистал для сравнения Instagram Reels. И вот что скажу: в Клипах по содержанию очень подростковый контент. Почти нет авторской мысли, чего-то красивого и оригинального. 10% туповатых пранков, 20% всяких кувырков на улице и 70% — школьницы, торгующие телом (Клипы просто переполнены этим). Это прям вот типичнейшая подборка для подростков на пике гормонального буйства — почти всё связано с сексом, немножко с ощущением себя крутым (кувырки на улицах — к слову сказать здесь авторы хотя бы что-то необычное умеют делать) и щепотка весьма глупых шуток, как правило связанных с унижением другого человека.
В Reels ситуация совсем другая. Там приторный Инстаграм традиционно правит балом, но при всей цветастой вылизанности контент хотя бы взрослый: красивая природа, путешествия, горы. Довольно много экспериментов фотографов. Нередко экстремальный спорт. Стоит ли говорить, что музыкальный вкус авторов в подборе саундтрека тоже на порядок лучше, чем ВК?
Конечно, можно подумать, что скорее всего система рекомендаций ВК работает плохо, а система рекомендаций Инстаграма хорошо. По другим рекомендациям это тоже видно: в тематических лентах ВК в основном ерунда, а дополнительная лента Инсты сносная (с поправкой на общую приторную специфику соцсети). Но это всё взаимосвязано: из-за рекомендаций взрослые люди видят много детского трэша и сами реже хотят что-то создавать на площадке.
#web
⚡️GLM-5 выкатили в опен-сорс.
Не прошло и суток с момента релиза, а Zhipu AI выложила веса GLM-5 и любезно поделилась проведенными бенчмарками.
Архитектура пятого поколения построена на MoE: 744 млрд. общих параметров при активных 40 млрд. Модель учили на 28,5 трлн. токенов и она получила контекстное окно в 200 тыс. токенов.
GLM-5 ориентирован на 5 доменов: кодинг, рассуждение, агентные сценарии, генеративное творчество и работа с длинным контекстом.
Для эффективной обработки длинных последовательностей интегрирован механизм Dynamically Sparse Attention от DeepSeek, он позволяет избежать квадратичного роста копьюта без потери качества.
По бенчмаркам GLM-5 занимает 1 место среди open-source моделей: 77,8% на SWE-bench Verified, лидирует на Vending Bench 2, BrowseComp и MCP-Atlas, а в задачах агентного кодирования и рассуждений вплотную подбирается к Claude Opus 4.5 и GPT-5.2.
Вместе с моделью, авторы предлагают Z Code — собственную агентную IDE с поддержкой параллельной работы нескольких агентов над одной задачей.
Локальный деплой поддерживается vLLM и SGLang, а также non-NVIDIA чипами: Huawei Ascend, Moore Threads, Cambricon (через квантование и оптимизацию ядер).
Если вам негде поднять модель локально, она доступна через платформу chat.z.ai, API и на OpenRouter.
Квантованные версии пока сделали только Unsloth, традиционно - полный набор от 1-bit до BF16.
И да, стэлс-модель PonyAlpha на OpenRouter - это она и была.
📌Лицензирование: MIT License.
🟡Статья
🟡Модель
🟡GGUF
🖥GitHub
@ai_machinelearning_big_data
#AI#ML#LLM#GLM5#ZAI