Посмотрел дебаты Панчина и Редько, где первый топил за вакцинацию, а второй — против конкретно вакцинации от ковида в текущий момент.
Панчина я знаю давно (не лично, хотя видел его пару раз), и он говорит непротиворечивые вещи, которые согласуются с моими собственными наблюдениями за тем, как устроен мир. При этом его оппонент держался не слишком уверенно, не обладал стройной речью, говорил сбивчиво и путался, использовал терминологию в стиле «Вы всё врёте» и упомянул, что смотрит Соловьева. Ну и оговорка (?) про «лохокост» тоже очень резанула уши.
Для меня исход дебатов очевиден: победа Панчина с большим отрывом Точнее даже фактически дебаты толком не состоялись, потому что хорошей дискуссии я не увидел. Но, если посмотреть объективно, то оппоненты говорили о вещах, в которых я не разбираюсь, и истинность/ложность многих посылов гарантированно подтвердить не могу. То есть чисто гипотетически возможно, что это не тёмный Редько нёс ерунду, а на самом деле языкастый Панчин заговорил всем зубы.
Потом я подумал, а существует ли способ, не обучая меня 20 лет на врача, относительно надежно дать мне возможность разобраться, где тут правда? И, пожалуй, ответ нет. Более того — даже обучая, всё равно нет.
А проблема тут в том, что люди отрицают даже вполне объективные вещи, если только их нельзя строго научно обосновать. Если можно -- тоже отрицают, но с такими людьми можно ни в какие дебаты не вступать. А вот если не было проведено исследование о том, что вода мокрая, то спуск по дереву абстракции до этого аргумента всё равно не позволит надёжно свой постулат подтвердить и оппоненту и слушателям. А есть исследование, что вода мокрая? Можно ли доверять этому исследованию? А мне знакомый гидролог сказал, что не мокрая. И у моего друга не мокрая. И вообще, вы же понимаете, лёд это тоже вода, а он не совсем мокрый.
Я это на своей сфере остро чувствую. В чатах разработчиков, допустим, теоретически все являются компетентными специалистами, а по факту всё равно всерьёз возникают заявления о том, что, например, система типов в JavaScript -- логичная и предсказуемая, что абстрактные классы не нужны, что не обязательно ставить пробелы вокруг операторов, что отсутствие array-helper'ов в Go это благо и так далее.
Впрочем, в комментариях под дебатами на ютубе справедливо раскритиковали, что ведущей следовало сделать хотя бы минимальный факт-чекинг по результатам. А то дебатирующие просто обвиняли друг друга во лжи, и в общем случае произвольному слушателю надёжно понять, кто из них прав, было нельзя.
#life
🔍Deep Research barcha pullik ChatGPT foydalanuvchilari uchun ochildi!
Endi Plus tarifida (oyiga 10 ta so‘rov) Deep Research vositasidan foydalanish mumkin. Bu imkoniyatdan maksimal foydalanish uchun quyidagi maslahatlarni eslab qoling:
📌 Asosiy xususiyatlar va tavsiyalar:
✅Tilni aniq belgilang – qaysi tilda ma'lumot izlash va hisobot yozish kerakligini ko‘rsating.
✅Takrorlanishdan qoching – so‘rovga "Muhim: agar fikr allaqachon bayon qilingan bo‘lsa, uni takrorlama" deb qo‘shing.
✅Tasvirlarni tushunmaydi – Deep Research faqat matnli manbalar bilan ishlaydi.
✅Ilmiy manbalar so‘rang – faktlarga asoslangan tahlil uchun ilmiy maqolalarni qidirishni so‘rashingiz mumkin, hatto kerakli yillarni ham belgilashingiz mumkin.
✅Kod yozish imkoniyati bor – grafiklar, jadvallar va boshqa vizual ma’lumotlarni generatsiya qilishga qodir.
✅Kalit so‘zlarni bering – kerakli ma’lumotni aniqroq olish uchun asosiy tushunchalarni oldindan belgilang.
✅Fayllarni yuklash mumkin – siz unga fayl yoki havola berib, izlanishni shu asosda davom ettirishni so‘rashingiz mumkin.
✅Natijalar inson tekshiruvidan o‘tishi kerak – ba’zan xatolar uchrashi mumkin, shuning uchun tekshirish tavsiya etiladi.
✅Pullik maqolalarga kira olmaydi – agar qidirilayotgan material parda ortida bo‘lsa, uni yuklash kerak.
🎯Qachon Deep Research’dan foydalanish kerak?
– Agar yangi mavzuni o‘rganishni boshlayotgan bo‘lsangiz, bu tez va samarali usul.
– Ma’lumotlarni chuqurroq tahlil qilish va o‘z tadqiqotlaringizni qurish uchun yaxshi poydevor yaratadi.
– U biznes, ilm-fan va boshqa ko‘plab sohalar uchun mos keladi.
Deep Research hozirda eng kuchli AI-tadqiqotchilardan biri – Perplexity va Google ham unga tenglasha olmaydi! 🚀
#AI#DeepResearch#ChatGPT
🔍«Глубокий поиск» или 55 источников за один запрос
Мы протестировали функцию Deep Research в Perplexity AI. Задача — выяснить, какие тренды ждут рынок ИИ-инструментов для личной эффективности.
Ожидали стандартный пересказ очевидных вещей, но получили глубокий разбор рынка, сравнение продуктов и 55 источников.
Что выдал Perplexity?
🔹 Никакой воды — только факты и подтвержденные данные.
🔹 Источники из актуальных исследований и профильных статей (2024–2025 гг.).
🔹 Сравнение реальных продуктов, а не абстрактные размышления.
💡Лайфхак: как получить крутой результат от «Глубокого поиска»
Первая попытка была неудачной — мы задали слишком длинный запрос, уточняя много деталей. В итоге Perplexity сузил сильно тему и выдал поверхностный ответ.
Второй запрос был короче, без лишней воды. Это позволило Perplexity не сдерживать себя и дать развернутый анализ.
📌 Запрос:
Проведи анализ рынка и трендов 2025 года в сфере применения ИИ для личной эффективности. Нужны конкретные ИИ-продукты в сравнении, анализ того, чего не хватает или слабо развито.
Поэтому чем короче и конкретнее запрос, тем лучше работает «Глубокий поиск».
Такой результат вдохновил проверить, как на этот же вопрос ответят другие ИИ-модели: DeepSeek и ChatGPT o1. Они дали интересные выводы, но с совершенно другим подходом! Получился любопытный анализ.
🔥 Посмотрите его у нас в Дзене или в ВК. Уверены, что найдете открытия и для себя!
#ИИ#AI#Нейросети#Perplexity
———
#Инструменты#deepresearch
✍️Подписывайтесь: @aiforproduct
⚡️ Qwen Deep Research получил полезное обновление
Теперь он создаёт не только отчёты, но и готовые веб-страницы и подкасты.
Работает связка Qwen3-Coder, Qwen-Image и Qwen3-TTS.
👉Попробовать: chat.qwen.ai/?inputFeature=deep_research
@ai_machinelearning_big_data
#Qwen#AI#DeepResearch#Qwen3#AItools
🌟InfoSeek: синтез данных для deep‑research с формализацией HCSP.
BAAI представила InfoSeek — открытую методику синтеза данных и учебный контур для глубоких исследований. Задачи такого класса выходят за рамки обычного извлечения фактов: модель должна раскладывать вопрос на подзадачи, координировать многошаговое рассуждение и проверять ответы по источникам.
Эти задачи формализуются как HCSP — иерархические задачи удовлетворения ограничений, решение которых возникает только при последовательном сужении кандидатов на нескольких уровнях, где каждый внутренний узел сам является подзадачей, а зависимость между узлами образует дерево исследования.
Базовая идея проста: данные строятся вокруг древа исследования. Вершины - сущности или атомарные факты, ребра - проверяемые отношения из Википедии и открытых страниц. Алгоритм синтеза явно управляет структурой, чтобы исключить недоопределенность или ранние "короткие замыкания".
В HCSP ответ формально равен пересечению множеств, заданных текущими ограничениями и рекурсивными подвопросами; в терминах дерева корень — финальный ответ. Такой подход не только задаёт глубину и ширину рассуждения, но и делает каждый промежуточный шаг проверяемым по конкретным утверждениям.
🟡Синтез выполняет связка из 2 агентов.
Планировщик контролирует глобальную сложность, выбирая цель и тип расширения, а Браузер добывает факты и ссылки из страницы сущности. 4 операции покрывают весь жизненный цикл:
🟢Инициализация из "якоря";
🟢"Размытие родителя" - добавление нескольких независимых условий, которые в совокупности определяют уникальный ответ без включений между кандидатами;
🟢Вертикальное углубление по гиперссылке для увеличения высоты дерева;
🟢Генерация текста вопроса лишь после того, как каждый узел имеет достаточный набор проверяемых ограничений и достигнуты заданные метрики сложности.
Качество контролируется по 2 осям: сложность и проверяемость. Сначала вопросы прогоняются "в лоб": если мощная базовая модель отвечает правильно без поиска, образец исключается, так было отсеяно около 2%. Затем проверяется решаемость на фиксированном наборе страниц с примесями-дистракторами и все двусмысленное удаляется.
Итог: датасет с 50 тыс. пар вопрос–ответ и 16,5 тыс. траекторий размышлений с метками извлечения.
🟡Эксперименты.
Тесты показали, что InfoSeek переносится за пределы домашнего домена. На классических наборах для извлечения фактов и мульти‑hop вопросов компактная модель InfoSeeker‑3B опережает типовые RAG и агентные пайплайны.
На BrowseComp‑Plus с фиксированным корпусом 100K страниц и BM25 точность достигает 16,5% при среднем 8,24 обращения к поиску, что выше, чем у Gemini 2.5 Flash, Sonnet 4 и GPT‑4.1 и значительно выше Qwen3‑32B и Search‑R1‑32B.
Замена обучающего набора NQ+HQA на InfoSeek поднимает точность с 3,0% до 16,5% и делает запросы осмысленно более частыми.
▶️ Из готового у проекта есть датасет, техотчет, конструктор древа данных и код для SFT- трейна. В планах - код RL и публикация весов InfoSeeker‑3B.
📌Лицензирование: Apache 2.0 License.
🟡Датасет
🟡Arxiv
🖥GitHub
@ai_machinelearning_big_data
#AI#ML#DeepResearch#Dataset#InfoSeek
🔥 NVIDIA представила Universal Deep Research (UDR)
UDR — настраиваемый агент для глубокого ресёрча, который «оборачивается» вокруг любого LLM.
Почему это важно:
🟠**Гибкая настройка агента без кода** — UDR не ограничивает жёсткими сценариями, как большинство тулзов.
🟠Можно создавать, редактировать и комбинировать стратегии поиска и анализа.
🟠В репо есть примеры стратегий (minimal, expansive, intensive), но главная сила — в кастомизации под свои задачи.
По сути, это гибкий ресёрч-агент, который можно адаптировать под любой рабочий процесс.
🟢Project: https://research.nvidia.com/labs/lpr/udr
🟢Code: https://github.com/NVlabs/UniversalDeepResearch
🟢Lab: https://nv-dler.github.io
@ai_machinelearning_big_data
#NVIDIA#UDR#UniversalDeepResearch#AI#LLM#ResearchAgent#AIAgents#DeepResearch
#python#ai_agents#ai_tutor#clawdbot#cli_tool#deepresearch#interactive_learning#large_language_models#multi_agent_systems#rag
DeepTutor v1.0.0 is an open-source AI tutoring tool with personalized TutorBots, unified chat modes for solving problems, quizzes, research, and math animations, plus knowledge bases from your PDFs, persistent memory of your learning style, AI co-writing, and guided plans—all via easy web, Docker, or CLI setup. You benefit by getting a smart, evolving study companion that adapts to you, boosts understanding with interactive tools, and saves time on tough topics without starting over.
https://github.com/HKUDS/DeepTutor
Musk's Grok AI Updates Amid Market Drop
🔍 Elon Musk's Grok AI upgraded to version 3, enabling advanced reasoning like OpenAI's o3. New feature, DeepResearch, assists in detailed research. Performance varies: good for research tasks, but average in text generation compared to Claude.
📉 Meanwhile, Bitcoin falls to key support at $91,000, dragging down Ethereum below $2500 and Solana under $140. Liquidation volumes exceed $880 million.
Chainflip to enhance protocol to block Bybit hacker fund movements within 24-72 hours.
For further details, check here.
#Grok#AI#Crypto#Bitcoin#Ethereum#Solana#DeepResearch#Chainflip#Bybit#hacker#liquidations#marketupdate#protocolupgrade#ElonMusk#Claude#OpenAI#DeepSeek#cryptonews#fintech#blockchain
Major AI Investments and Developments
- France to invest €109 billion in AI, boosting Mistral's prospects. Read more
- Elon Musk plans to pay $100 billion to buy OpenAI and prevent its commercialization. Details here
- Research shows LLMs have better performance improvements compared to VLMs. GraphVLM Progress
- OpenAI has new features in o1 and o3-mini, allows document uploads, increase to 50 queries for Plus subscribers. More info
- Musk claims Grok 3 will outperform OpenAI’s offerings. Read about Grok
- OpenAI to finalize its first custom chip this year to enhance trading with Nvidia. Reuters news
#AI#OpenAI#ElonMusk#France#Investment#Chips#Mistral#LLM#VLM#DeepResearch#Grok#Crypto#Nvidia#TechNews#Finance#Market#Progress#Innovation#Data#Analysis