🚀 Андрей Артищев

В «режиме учим вместе» я выступаю не просто информационной справкой, а твоим проводником и напарником в практике: 1. Активное пошаговое обучение • Мы заранее выстраиваем учебный план из «ступеней» (установка, Hello-Agent, инструменты, память, мини-проект). • На каждом шаге ты получаешь не только теорию, но и готовые задания, примеры кода и объяснения, что и зачем происходит. • Я могу предложить “домашку” — то, что ты сразу же запускаешь, проверяешь и мы вместе анализируем результат. В обычном чате ты задаёшь вопросы, а я даю готовый ответ, но без чёткого плана и без привязки к практическим шагам. 2. Живой рефакторинг и отладка • Когда ты повторяешь команды в терминале или запускаешь скрипты, я смотрю на логи ошибок и прямо предлагаю, что поправить в твоём окружении и коде. • Мы исправляем импорты, зависимости, параметры моделей — и сразу проверяем, заработало ли. В обычном чате я могу объяснить, как что-то сделать, но мы не «сидим» в одной сессии терминала и не правим код по ходу. 3. Интерактивность и адаптация • Я подстраиваю сложность примеров под твой уровень, проверяю, всё ли понятно, и корректирую темп. • Ты выбираешь, куда двигаться дальше: добавлять новые инструменты, переходить на YAML-конфиг, работать с memory… В обычном чате обычно нет такого диалога “какой следующий шаг?” — ты задаёшь вопрос, я отвечаю, и чаще всего тема закрыта. 4. Фокус на практике с фреймворками • Мы сразу работаем с реальными файлами — agent.yaml, tools.py, run_agent.py. • Я могу подсказать, как оформить .env, как структура проекта должна выглядеть, — и это именно та последовательность, которую ты будешь повторять у себя на машине. В обычном чате чаще приводятся абстрактные примеры, без привязки к конкретным файлам и окружению. ⸻ В итоге режим «учим вместе» — это про поэтапное «здесь и сейчас» обучение, когда мы вместе устанавливаем, запускаем, правим и тестируем. А обычный чат больше подходит для разовых консультаций и ответов на локальные вопросы. Если хочешь перейти назад в обычный режим — просто скажи. А если остаёмся в «учим вместе» — выбирай следующий шаг!

ChatGPT запустил новый режим и я попросил его рассказать о нём подробнее

Возглавив в 2007 году Михайловский театр, Кехман прослыл успешным театральным менеджером. С его приходом в каждом из трех театров действительно был проведен ремонт: меняли стулья зрительного зала, фойе, туалеты, переоборудовали буфеты. Меняли репертуар: больше балетных спектаклей, меньше оперных. На театральной репутации Владимира Кехмана не отразилось даже то, что его неоднократно признавали банкротом как в России, так и в Англии. Он продолжал распоряжаться бюджетами федеральных театров и в 2019 году даже давал советы губернатору Пермского края, как ему поступить с реконструкцией Оперного театра

https://www.classicalmusicnews.ru/articles/delo-vladimira-kehmana-kak-odin-biznesmen-upravlyaet-tremya-teatrami-strany/

Вот итоговая записка про Владимира Кехмана — сжато, но с яркими и интересными фактами о его пути: ⸻ 📝 Итоговая записка: Владимир Кехман — от бананов к опере 📌 Общая справка Владимир Кехман — российский предприниматель и театральный деятель, родился в 1968 году. Известен как бывший «банановый король» и человек, который кардинально изменил свою жизнь, став руководителем крупнейших театров России. ⸻ 🎭 Театральная карьера • Михайловский театр (СПб) — стал его первой театральной платформой. Возглавил его в 2007 году, вложив собственные средства (около 500 млн рублей на реконструкцию). С этого началась его «новая жизнь» в культуре. • Новосибирский театр оперы и балета — руководил с 2015 по 2021 год. Продвигал международные проекты, делал упор на визуальное обновление и масштаб. • МХАТ им. Горького (Москва) — с октября 2021 года стал его директором. Планировал капитальный ремонт стоимостью до 5 млрд рублей, при этом обещая сохранить историческое наследие театра. ⸻ 🎓 Образование и смена профессии • В 51 год (!) поступил в ГИТИС, чтобы профессионально понять театральную среду и «играть по правилам» искусства. • Подчёркивает: «Жить надо по-настоящему и смело менять траекторию». ⸻ 💰 Бизнес и долги • До театров был владельцем «JFC» — одной из крупнейших в России компаний по импорту фруктов. Из-за масштабных долгов (до 17,8 млрд рублей) обанкротился. • Несмотря на долг Сбербанку и другим структурам, продолжал руководить театрами. Против него открыто 8 исполнительных производств. • Сам Кехман называл своё банкротство «освобождением от прошлого». ⸻ 🔑 Интересные факты • Часто одновременно управлял тремя крупными театрами в разных городах: СПб, Новосибирск, Москва. • Критиковали за жёсткий стиль управления, но признавали эффективность. • Его называют «самым неожиданным директором театра» — со свитой в духе бизнесмена и амбициями режиссёра. ⸻ 📌 Заключение Владимир Кехман — уникальный пример радикальной смены профессии: от торговца бананами до режиссёра и мецената. Его путь иллюстрирует, как деловая хватка, харизма и любовь к искусству могут пересечься в сфере культуры и создать необычный, но яркий результат. ⸻ Если нужно — подготовлю версию для презентации, публикации или статьи.

За последние 4 дня Sama упомянул GPT-5 2 раза. Другие сотрудники OpenAI в твиттере тоже нет-нет да и пишут про неё. Релиз должен быть очень скоро — хотелось бы, конечно, в июле (потому что я так предсказывал 😏), и четвергов тут не так много осталось 😪 Сегодня утром я тестировал нашу новую модель и получил вопрос. Мне прислали по электронной почте вопрос, который я не совсем понял. Я ввёл его в GPT-5, и она ответила идеально. Я откинулся на спинку кресла и подумал: «О боже, вот он, момент...» Я чувствовал себя бесполезным по сравнению с ИИ в этой задаче, которую, как мне казалось, я должен был сделать, но не смог. Это было очень сложно. Но ИИ просто сделал это. Это было странное чувство. По исходному плану (не ясно, будут его придерживаться или переиграют), все пользователи, включая бесплатных, должны будут получить доступ к GPT-5. Самый большой ВАУ-эффект будет, конечно, у тех, кто ничего не платит — они до сих пор сидят на старых-маленьких моделях и ничего не знают про революцию reasoning'а. А тут целая GPT-5, пусть даже если и урезанная. Источник видео

Друзья, помните я рассуждал недели две назад про Американский женьшень? Рассказывал ранее о своём стеке для мозга. Вот купил, начал применять.

Meta* выпустили ИИ-девайс для бесконтактного управления компьютером Выглядит это как браслет, который трекает ваши жесты (свайпы, тапы, письмо в воздухе, движения для управления курсором) и синхронизирует их с ПК. Из железа там, по сути, просто чувствительные сухие электроды, которые ловят MPF-активность руки. А вот с ML частью все гораздо интереснее. Для каждой разновидности жестов работает отдельная модель. – Для контроля запястья (курсор) отрабатывает слой LSTM, который ловит временные зависимости – Для дискретных жестов там сверточный 1D‑слой, затем три рекуррентных слоя LSTM и финальный классификатор – Для воздушного письма все ожидаемо сложнее, тут уже Conformer (конволюционно‑трансформерный блок с механизмом внимания) Накрученно, зато получается хорошая точность (> 90%) и отличная скорость. А если добавить примерно 20 минут собственных данных, то ошибка становится вообще минимальной. Кажется, у Neuralink образовался конкурент?

Все мы хотим, чтобы языковые модели генерировали не только связный текст, но и точные, формализованные ответы — например, в формате JSON, SQL или корректного программного кода. Это особенно важно, если результат генерации используется дальше в системе: вставляется в пайплайн, передаётся другим сервисам или парсится автоматически. Один пропущенный символ — и всё ломается. Избежать таких ошибок помогает структурированная генерация. В карточках — кратко о том, как она работает и какие есть подходы. А по ссылке — полная статья со всеми подробностями.

На T-Pro 2.0 мы потратили всего 120 млн ₽ В эту сумму входит всё: пол-года R&D, удачные и неудачные запуски обучения, стоимость датасетов. Для моделей такого уровня это очень скромно и эффективно. Финальный прогон – 2.6 млн ₽. Большая разница – норма: нужна широкая сетка экспериментов, чтобы подобрать подход, датамикс и параметры. Для сравнения: стоимость финального прогона для GPT-4 оценивается примерно в $40 млн (~3 млрд ₽). Да, в 1000 раз больше 😳 Яндекс ещё в 2023 тратил на генеративки больше 10 млрд/год; у Сбера масштабы ещё больше. Конечно, мы не обучаем модели с нуля. Чтобы мы уложились в 120 млн, Alibaba сожгла миллиарды. Но какой смысл обучать с нуля? Теперь вы можете взять наши запакованные в T-Pro 120 млн и строить своё – ещё дешевле 🌟

Мы уже протестировали извлечение фактов на пользователях, что проходили тестирование и получили ряд интересных наблюдений. Работа в команде с Петром. Я отвечал за продуктовую часть и ресёрч, а Пётр (МФТИ) реализовал мемори-менеджмент, генерацию синтетических датасетов для tool-call, дообучение модели на кастомных reward-функциях (GRPO, Qwen3 4B) и тестирование. Мы также сделали телеграмм-бота, который был запущен на машине в cloud.ru и показывал участникам конференции, как разные модели (с/без memory as a tool взаимодействуют). По итогам проект показал результаты выше бенчмарков. Прилагаю в отдельном сообщении презентацию и научную статью. Мастер-классы и воркшопы по LLM-агентам. Особо ценными стали 6 лекций и воркшоп по агентам на базе LLM, где моя команда единственная реализовала рабочий прототип, к моему великому удивлению стал значимым мой вклад, так как ранее весной я учил курс по llm-агентам на hugginface и делал ряд прототипов в рамках этого курса: 1. Агент собирал от пользователя точки маршрута. 2. Второй агент через DuckDuckGo web-search находил POI вдоль пути. 3. Третий агент осуществлял рефлексию 4. Четвёртый агент формировал итоговый результат.