Найти похожее

【这应该是AI创业者最值得看的一期访谈】 这应该是AI创业者最值得看的一期访谈。 如果要评选硅谷最懂创业者的投资人，Ben Horowitz绝对榜上有名。 作为管理着460亿美元的A16Z联合创始人，他投资过的公司读起来就像是一份科技巨头名单：OpenAI、Databricks、Figma、Airbnb…… 几乎每一个时代的明星公司背后，都有他的身影。 但真正让他与众不同的，不是这些光鲜的投资案例，而是他对创业本质的理解。 最近在Lenny's Podcast的一次对话中，这位写过《创业维艰》的传奇投资人，分享了一些可能会颠覆你认知的观点。 比如，为什么C等生比A等生更适合当CEO？ 为什么最好的决策往往是所有人都反对的决策？ 好的产品经理和坏的产品经理的根本区别是什么？ 这些问题的答案，可能和你之前想的并不一样。 #深度思考[话题]# #一个想法不一定对[话题]# #AI人工智能[话题]# #产品化思维[话题]# #AI创业[话题]# #AI[话题]# #产品经理[话题]# #人工智能未来[话题]# #独立思考[话题]# source

🌟Reader3: легковесная читалка для книг от Andrej Karpathy Андрей Карпаты опубликовал у себя в Github небольшой проект - утилиту под названием reader3. На первый взгляд, это просто легковесная читалка для электронных книг в формате EPUB, которую можно запустить у себя на компьютере. Но главная идея в том, чтобы читать книги вместе с LLM. Reader3 разбивает книгу по главам, и пользователь может легко скопировать текст текущей главы и вставить его в свой любимый LLM, чтобы обсуждать сюжет, анализировать стиль или задавать вопросы по тексту. Но самое интересное здесь — это философия, которая стоит за проектом. Карпаты пишет, что проект написан "на 90% вайбкодингом", просто для иллюстрации идеи и что он не собирается его поддерживать или улучшать. Я начинаю привыкать читать все (блоги, статьи, главы книг и т. д.) с помощью LLM. Обычно первый проход — ручной, второй — «объяснение/резюме», третий — вопросы и ответы. В результате я обычно получаю более глубокое понимание, чем если бы я просто прошел дальше. Этот процесс становится у меня одним из самых популярных вариантов чтения. А вместо этого предлагает пользователям... просто попросить свою языковую модель изменить код так, как им нравится. Код теперь эфемерный, — пишет Андрей, намекая на то, что эпоха статичных библиотек и долгой поддержки уходит в прошлое. Для тех, кто хочет попробовать, процесс максимально прост. Нужно скачать книгу в формате EPUB и запустить пару команд в терминале, используя uv: uv run reader3.py yourbook.epub # Then run the server: uv run server.py После этого ваша книжная полка станет доступна в браузере по адресу localhost:8123. 📌Лицензирование: MIT License. 🖥GitHub @ai_machinelearning_big_data #AI#ML#LLM#Karpathy#Github#Book

☁️ Cloudflare 发布 Dynamic Workers：基于 Isolate 的 AI Agent 沙盒，比容器快 100 倍 Cloudflare 于 3 月 24 日宣布 Dynamic Worker Loader API 进入公开 Beta，面向所有付费 Workers 用户开放。该功能基于 V8 Isolate（而非 Linux 容器）为 AI Agent 提供运行时沙盒，启动时间仅需几毫秒、内存占用仅几 MB，比传统容器快约 100 倍、内存效率高 10-100 倍。 📎 关键数据 - 启动速度：几毫秒（容器需数百毫秒） - 内存占用：几 MB（容器需数百 MB） - 无并发限制：支持百万级 RPS，每个请求独立加载沙盒 - 零额外延迟：Dynamic Worker 与创建者运行在同一机器甚至同一线程 - 覆盖 Cloudflare 全球数百个数据中心 - 定价：$0.002/唯一 Worker/天（Beta 期间免费） ⚙️ 核心能力 - Code Mode 理念：Agent 通过编写 TypeScript 代码调用 API，而非逐个工具调用，token 用量降低 81% - TypeScript 接口优于 OpenAPI：相比冗长的 OpenAPI spec，TypeScript 接口 token 更少、更易理解 - HTTP 过滤与凭证注入：可拦截/改写 Agent 的 HTTP 请求，自动注入认证密钥，Agent 永远不接触明文凭证 - 配套库：@cloudflare/codemode（沙盒执行 SDK）、@cloudflare/worker-bundler（npm 依赖打包）、@cloudflare/shell（虚拟文件系统 + 事务性批量操作） - 安全：近十年 Isolate 安全经验，自动部署 V8 安全补丁（速度快于 Chrome），多层防御含 MPK 硬件特性和 Spectre 防护 🔙 背景信息 - 2025 年 9 月 Cloudflare 提出 Code Mode 概念，首次发布 Dynamic Worker Loader 实验性 API - Cloudflare MCP Server 基于 Code Mode 构建，仅用 2 个工具和不到 1,000 token 暴露整个 Cloudflare API - 2026-03-19 Cloudflare Workers AI 开始支持大模型推理（首发 Kimi K2.5），补齐 Agent 基础设施最后一块拼图 - Cloudflare 近年持续构建 Agent 基础设施：Durable Objects（状态持久化）、Workflows（长任务编排）、Agents SDK、Sandbox 容器 ⚔️ 竞品对比 - 容器方案（E2B、Modal、[Fly.io](http://Fly.io)）：启动慢（数百毫秒）、内存重（数百 MB）、有全局并发限制，适合需要完整 OS 环境的场景 - Cloudflare 自家容器运行时 + Sandbox SDK：仍可用于需要非 JS 环境的场景，Dynamic Workers 定位更轻量 - Deno Deploy / Val Town：类似 Isolate 模型但无专门为 AI Agent 沙盒优化的 API 和工具链 🔗 来源：https://blog.cloudflare.com/dynamic-workers/ #Cloudflare#AI#AIAgent#Serverless#沙盒#EdgeComputing

🌟OpenJarvis: фреймворк все-в-одном для ИИ-агентов Stanford SAIL замерили, насколько эффективно локальные языковые модели конвертируют электроэнергию в полезные вычисления и назвали этот показатель "intelligence per watt". Они прогнали больше миллиона реальных запросов через 20+ моделей на 8 разных ускорителях и выяснили: с 2023 по 2025 год эффективность локального инференса выросла в 5,3 раза, а современные небольшие модели уже справляются с 88,7% обычных чат- и ризонинг-запросов. Железо и алгоритмы готовы, но не хватало софта. Так появился OpenJarvis: открытый фреймворк, который превращает эти выводы в инфраструктуру для персональных ИИ-агентов, работающих на устройстве пользователя. Авторы проводят параллель с PyTorch: OpenJarvis должен стать для локального ИИ тем, чем PyTorch стал для глубокого обучения - стандартной инфраструктурой, на которой строится все остальное. Фреймворк структурирован вокруг 5 примитивов: 🟢Intelligence - слой языковых моделей с единым каталогом, где не нужно самому отслеживать релизы и считать память. 🟢Engine - бэкенд инференса: Ollama, vLLM, SGLang, llama.cpp, Apple Foundation Models и другие. Openjarvis сам определяет железо и рекомендует конфигурацию. 🟢Agents - слой поведения: роли оркестратора и исполнителя рутинных сценариев, адаптированные под ограниченный контекст и память на устройстве. 🟢Tools & Memory - интеграции через MCP и Google A2A, семантическая индексация локальных документов, подключение к iMessage, Telegram и т.д. 🟢Learning - механизм адаптации: локальные трейсы превращаются в обучающие данные через SFT, LoRA и GRPO. Система сама упаковывает этот процесс в рабочий флоу. Отдельная фишка - подход к эффективности. OpenJarvis профилирует энергопотребление на NVIDIA, AMD и Apple Silicon с интервалом 50 мс. Использовать можно через CLI, браузерный дашборд или десктопное приложение для macOS, Linux и Windows. ⚠️ Для полного функционала (безопасность, инструменты, агенты) потребуется Rust. Помимо самого проекта, команда запустила конкурс-лидерборд экономии денег, энегрии и компьюта, в котором принять участие может любой желающий. В качестве приза самому экономному обещают Mac Mini. 📌Лицензирование: Apache 2.0 License. 🟡Статья 🟡Документация 🟡Сообщество в Discord 🖥GitHub @ai_machinelearning_big_data #AI#ML#Framework#OpenJarvis#Stanford

#AI#LIama#Meta#开源#旗舰#免费#推荐 分享我的一篇博文：Meta发布最新开源模型Llama 3.1（文中附体验地址） 可参照： 免费ChatGPT服务列表 免费Cluade 3.5 Sonnet服务列表（持续更新） 📢频道✈️ 群聊 (耕读) 📬投稿

Introducing Clifford Chance's Latest Report: "Responsible AI in Practice." Hello, AI&Law sibscribers! Clifford Chance has published a new report - "Responsible AI in Practice." It sheds light on the growing concerns surrounding AI's use and impact. Conducted in partnership with Milltown Partners, the document presents findings from focus groups held in the US, the UK, and Germany. These policy-informed discussions explored critical AI issues like bias, consent, transparency, and governance. While optimism about AI's potential was evident, it's clear that work remains to ensure its responsible and safe application. #AI#CliffordChance#ResponsibleAI#AIandLaw#EthicalAI

🚀 AI TRENDS | OpenAI Claims Superior Computing Power Over Anthropic OpenAI has informed investors that its computing capabilities surpass those of Anthropic. According to Jin10, this assertion highlights OpenAI's confidence in its technological advancements and competitive edge in the AI industry. The statement comes amid growing interest and investment in artificial intelligence, as companies strive to enhance their computational power and efficiency. OpenAI's claim may influence investor perceptions and decisions, potentially impacting market dynamics and the competitive landscape within the AI sector. #AI#OpenAI#Anthropic#ArtificialIntelligence#ComputingPower#TechTrends#Investment#AIIndustry#MarketDynamics#Innovation

🌟Step3-VL-10B: VLM от stepfun.ai. Пока индустрия одержима гигантоманией и соревнуется, у кого больше параметров, Stepfun решили пойти против течения. Встречайте, Step3-VL-10B - компактная VL-модель, которая по заявлениям разработчиков не просто конкурирует, а буквально уделывает модели в 10–20 раз тяжелее, включая таких титанов, как Gemini 2.5 Pro и GLM-4.6V. Звучит как маркетинговый хайп, но под капотом есть интересные инженерные решения, хоть и с хитринкой. 🟡Архитектура Конструкция из кастомного визуального PE-lang энкодера на 1.8B параметров и Qwen3-8B (что уже половина успеха, учитывая мощь Qwen) в качестве декодера. В отличие от многих, кто замораживает визуальную часть, Stepfun разморозили все и тренировали модель в один прогон на 1,2 трлн. токенов. Это позволило визуальной и языковой частям модели не просто сосуществовать, а реально срастись и притереться друг к другу. После этого модель прогнали через адский RL-цикл (RLVR+RLHF) на 1400+ итераций, чтобы модель научилась жестко ризонить. 🟡Тесты В бенчмарках цифры действительно страшные (в хорошем смысле) для такого размера: 🟢MMMU: 78.11 (SeRe) / 80.11 (PaCoRe). 🟢MathVista: 83.97 🟢AIME 2025: 87.66 (SeRe) / 94.43 (PaCoRe) 🟢OCRBench: 86.75 (отлично читает документы). Для сравнения: GLM-4.6V на 106B выдает на MMMU только 75.20. Инженерная хитринка кроется в методологии тестирования. Видите в результатах тестов пометку PaCoRe? PaCoRe (Parallel Coordinated Reasoning): Чтобы получить топовые цифры, модель использует test-time compute. Она запускает 16 параллельных роллаутов, собирает доказательства из разных веток и синтезирует ответ. На инференсе это будет стоить вам в 16 раз "дороже" по ресурсам, чем обычный прогон. В стандартном режиме (SeRe) модель все еще хороша, но уже не выглядит как "убийца всех топов". Кстати, Stepfun честно признались, что в отчетах накосячили с бенчмарками конкурента Qwen3VL-8B из-за неверного max_tokens. Извинились, обещают пересчитать. Это добавляет доверия, но напоминает, что бенчмарки - дело тонкое. В общем, модель - отличный кандидат для локального использования: есть OpenAI-compatible API и vLLM поддерживается (PR вмержили). ⚠️ Если модель зацикливается при генерации - обновите конфиг, там был баг с eos_token_id, который уже пофиксили. 📌Лицензирование: Apache 2.0 License. 🟡Модель 🟡Arxiv 🟡Demo @ai_machinelearning_big_data #AI#ML#VLM#STEP3#StepFunAI

MWS Cloud включается в игру: запускает Data Lakehouse Пока все обсуждают, как внедрять LLM, в MWS Cloud сделали ход: вышли с собственной платформой для хранения и обработки больших данных — MWS Data Lakehouse. Это уже не просто база или витрина, это полноценный фундамент для обучения, инференса и аналитики. Ключевая особенность — универсальность. Платформа работает с любыми типами данных: структурированными, неструктурированными, векторными. Поддержка Apache Parquet, Iceberg, Greenplum, Postgres, запуск в Kubernetes, объектное S3-хранилище. Всё, что нужно, чтобы компания могла: обучать ML/LLM модели, строить BI-отчёты, прогнозировать, сегментировать, оптимизировать. И всё это без копирования данных между системами. Главное — цифры. Платформа ускоряет обработку данных в 23 раза. Хранилище используется на 40% экономичнее. В 2,5 раза выше эффективность ИТ-персонала. Витрины данных считаются в 2 раза быстрее. То есть платформа не просто "поддерживает ИИ" — она позволяет его внедрять в реальных бизнес-процессах, а не в пилотах и презентациях. Безопасность и масштабируемость. Встроенные инструменты шифрования, маскирования, аудита, контроль доступа. Централизованное управление, масштабирование без простоев. Можно запускать кластеры под разные команды и сценарии параллельно — без дублирования данных. Контекст: рынок меняется. Компании всё активнее вкладываются в инструменты, которые позволяют работать с ИИ на проде, а не просто тестировать гипотезы. Lakehouse — архитектура, к которой уже перешли десятки тысяч компаний на Западе. MWS Cloud предлагает такую же модель — внутри российской облачной экосистемы. И да: MWS Data Lakehouse — часть экосистемы MWS Data, включающей 25+ сервисов для хранения, аналитики и AI. Почему это важно. ИИ уже давно не хобби айтишников. Это трансформация всей ИТ-архитектуры компаний. А без таких платформ запуск ИИ-проектов становится дорогим, медленным и уязвимым. Именно поэтому сейчас выигрывают не те, у кого «есть данные», а те, у кого есть инфраструктура, чтобы эти данные реально использовать. @ai_machinelearning_big_data #data#ai#ml#infrastructure#mts

Google Nano Banana вышла в релиз: обзор обновления Google объявила о выходе модели Gemini 2.5 Flash Image (известной как Nano Banana) в статус General Availability (GA). Это означает завершение тестовой фазы и переход к стабильной версии, готовой для промышленного использования. В обновлении основное внимание уделено повышению стабильности и производительности, а также добавлению новых функций: 🔹Ключевые нововведения: ➡️📐 Поддержка 10 форматов вывода: Теперь доступны все популярные соотношения сторон: · Ландшафтные: 21:9, 16:9, 4:3, 3:2 · Квадратные: 1:1 · Портретные: 9:16, 3:4, 2:3 · Гибкие: 5:4, 4:5 ➡️💎 Опция вывода только изображения: Для разработчиков добавлена возможность получать от модели только сгенерированное изображение без текстового описания, что позволяет сократить расход токенов при использовании API. 🛠️Основные возможности модели: ➡️Высокая согласованность персонажей между изображениями. ➡️Редактирование контента с помощью текстовых запросов. ➡️Функция слияния нескольких изображений в одну композицию. 💵Условия использования: Модель доступна в Gemini App, Google AI Studio и Vertex AI для корпоративных клиентов. Стоимость генерации одного изображения через API составляет $0,039. #NanoBanana#Gemini#GoogleAI#ИскусственныйИнтеллект#ГенерацияИзображений#AI https://t.me/semasci

🧠 ИИ генерирует научный код лучше людей. Сегодняшний дамп статей от Google Research — это не очередной инкрементальный апдейт, а знаковое событие. Исследователи представили систему, которая автоматически создаёт экспертное ПО для научных задач, и она уже побеждает на профессиональных лидербордах. Это не просто ещё один кодогенератор. Система использует LLM (Gemini), управляемую древовидным поиском (Tree Search) — алгоритмом из мира AlphaGo. Её цель — не просто скомпилировать код, а итеративно улучшать его, максимизируя конкретную метрику качества (score) на реальных данных. Учёные называют такие задачи «scorable tasks». ⚡ Что система сделала на практике: 1. Биоинформатика (scRNA-seq): Открыла 40 новых методов для интеграции данных single-cell, которые побили лучшие человеческие методы на публичном лидерборде OpenProblems. ИИ не просто скопировал известный метод BBKNN, а улучшил его, скомбинировав с другим алгоритмом (ComBat), до чего люди не додумались. 2. **Эпидемиология (COVID-19):** ИИ сгенерировал 14 моделей, которые в течение всего сезона 2024/25 стабильно показывали результаты лучше, чем ансамбль CDC и любые отдельные модели при прогнозировании госпитализаций. Работа с временными рядами обычно очень сложна, но здесь ИИ справился и превзошёл существующие подходы. 3. Другие области: Система также показала SOTA в: · Сегментации спутниковых снимков (DLRSD benchmark, mIoU > 0.80) · Прогнозировании нейронной активности целого мозга zebrafish (ZAPBench) · Прогнозах временных рядов (GIFT-Eval benchmark) · Численном решении сложных интегралов, где стандартная scipy.integrate.quad() падает. 🟠Как это работает? Вместо того чтобы с нуля генерировать код, система начинает с существующего решения (например, вызова quad() или простой модели) и запускает древовидный поиск. На каждом шаге LLM предлагает «мутации» — варианты изменения кода. Дерево поиска решает, какую ветку развивать дальше, балансируя между эксплуатацией (улучшение текущего лучшего решения) и исследованием (попытка радикально новых идей). Ключевая фишка — система умеет интегрировать научные идеи извне. Ей можно скормить PDF научной статьи, и она попытается реализовать описанный там метод. Более того, ИИ может комбинировать идеи из разных статей, создавая гибридные методы, которые и приводят к прорыву. 🟠Что это значит? Это не замена учёным. Это мощнейший инструмент усиления. Система за часы прорабатывает и тестирует идеи, на которые у исследовательской группы ушли бы недели или месяцы. Она без устали перебирает «иголки в стоге сена» — те самые нетривиальные решения, которые ведут к скачку в качестве. Пока что система требует чётко определённой метрики для максимизации. Но для огромного пласта эмпирической науки (от биологии и медицины до климатологии и астрофизики) это и есть основной способ оценки гипотез. Вывод: Это один из самых убедительных на сегодня шагов к реальному ИИ-ассистенту для учёных. Он не просто отвечает на вопросы — он проводит вычислительные эксперименты и находит решения, превосходящие человеческие. 🟢Оригинал статьи: An AI system to help scientists write expert-level empirical software 🟢Код и примеры решений:github.com/google-research/score @ai_machinelearning_big_data #AI#Science#MachineLearning#LLM#Research#GoogleAI

◀️ --sref 3406106419 --s 222 🟥 #illustration#Dark#Painting#Vibrant#StyleRandom#MidJourney#AiGenLabs#Ai 〰️〰️〰️〰️〰️ main channel📎