AI Код

без всяких ральф лупов и тд, codex в самом высоком thinking режиме, с припиской «работай автономно»

Взлом SynthID или как не спалить свои генерации Тут хваленый SynthID от Google пал жертвой простого реверс-инжиниринга. Напомню, что это лишь хитрый слой структурированного шума. Глаз его не видит, а сжатие не убивает, но на чисто белом или черном фоне этот…

Взлом SynthID или как не спалить свои генерации Тут хваленый SynthID от Google пал жертвой простого реверс-инжиниринга. Напомню, что это лишь хитрый слой структурированного шума. Глаз его не видит, а сжатие не убивает, но на чисто белом или черном фоне этот фильтр палится мгновенно. Так вот, умелец смог вытащить шаблон шума, прогнав через Nano Banana Pro абсолютно черные и белые фоны, а затем спектральным анализом сняв координаты частот и упаковав их в словарь. Тулза стирает вотермарку с хирургической точностью — ломает 90 процентов защиты и выдает 43 dB PSNR, то есть визуально качество вообще не страдает. Единственный нюанс в том, что несущие частоты меняются вместе с разрешением картинки, поэтому сейчас разработчик призывает комьюнити кидать пулл-реквесты и пополнять базу словаря. Кажется, любые потуги корпораций скрыто пометить свой контент всё ещё сносятся опенсорсным скриптом на питоне в два счета. GitHub @ai_newz

Между тем, я сделал скилы для Publora и выложил их на skills.sh. Publora - это сервис для прямого постинга в социальные сети. Не через интерфейс, а через агента (либо скрипт). Нужно зарегистрироваться, получить API-ключ и скормить его своему агенту. После…

Внимание! В следующие 2 недели все будут шуметь про Mythos. Спасибо за внимание

сейчас я работаю с alignment-системой своего долгосрочного / среднесрочного / краткосрочного фокуса для себя и для своих компаний ключевой вопрос тут не «что делать» а куда направлять внимание прямо сейчас в ai-first мире проблема не в отсутствии возможностей…

Переиспользование chatgpt подписки для всех локальных сервисов Три важных факта: 1. Подписку уже можно официально переиспользовать в Codex 2. Через codex exec можно запускать выполнение без интерактивного режима (даже structured output поддерживается) 3. Но сервисы, куда можно подключить свою модель, обычно требуют OpenAI compatible API Решение само направшивается – сделать враппер вокруг кодекса Сделал, делюсь. Установка в claude code / codex: Проверь на уязвимости, расскажи как работает и если все ок, то установи, чтобы я мог запускать одной командой https://gist.github.com/toolittlecakes/d1ebb189c061ab27e3ec59c1c4937137 Как я использую: 1. Мне часто нужно запускать много параллельных тасок, например сделать экстракш/классификацию по тысячи вакансий. Раньше я под каждый проект создавал API ключ и жег свои api токены 2. У меня есть локальные автоматизации, типа перевода текстов нейронкой. Сейчас я просто переключился на gpt-5.3-codex-spark, которую OpenAI инферит на серверах Cerebras со скоростью мысли, и которая доступна только через codex (но только в pro подписке). Бтв, если у вас есть, попробуйте сделать agentic search на спарке, это секс Короче, по сути, два плюса: - одна подписка, чтобы править всем - spark со скоростью мысли (если есть прошка) Если есть еще идеи, как использовать, подгоняйте в комменты @ai_grably

Tool Calling на максималках для хард инженеров Как на самом деле работает Tool Calling: от HTTP до парсеров Такого контента вы не найдете ни в одном курсе точно Саша @polyakovbest затронул тему неточности на курсах ШАД про tool calling Все правы но каждый в своём слое, я даже ответил достаточно развернуто в комментариях Давайте закрепим как это работает по-настоящему, я залезал в кишки vLLM и переписывал парсер для тулов чтобы проследить весь путь Три слоя одной правды Лектор ШАД говорит: «тулы передаются через системный промпт». Саша поправляет: «тулы объявляются в отдельной секции API-запроса». Оба правы, но на разных уровнях абстракции. Вот что происходит на самом деле (см. диаграмму): Слой 1: HTTP-запрос Ты отправляешь tools: [...] отдельной секцией На уровне API это отдельное поле, не system prompt Саша тут прав на 1000%. Слой 2: Chat Template (Jinja2) Вот тут начинается магия Открываем tokenizer_config.json любой модели (Qwen3, Hermes и т.д.): {%- if tools %} "# Tools\n\nYou may call one or more functions..." <tools>{tool schemas}</tools> Chat template берёт твои tools: [...] и рендерит их ПРЯМО в system prompt. Лектор ШАД на этом уровне не врёт (но вводит в заблуждение если не раскрывает сути дальше) Слой 3: Constrained Decoding (xgrammar) Параллельно JSON-схемы тулов попадают в guided_decoding=GuidedDecodingParams(json={...}) Это xgrammar/outlines — constrained decoding на уровне логитов та магическая штука что заставляет тулы возвращаться не сломанными и со всеми аргументами что вы заложили на старте Модель физически не может сгенерировать невалидный JSON, маска токенов не даст Слой 4: Hermes Parser (post-processing) Модель генерит обычный текст: <tool_call>{"name": "...", "arguments": {...}}</tool_call> Это приходит в поле content Парсер Hermes ловит XML-теги, извлекает JSON и перекладывает в структурированный ответ Важный нюанс: tool_calls: null, finish_reason: "stop" Не tool_use! Парсер делает всю магию post-processing'ом. Инженерия, да и только. Почему важно изучать матчасть всю а не по кусочкам? И Саша поднимает очень крутую тему с тем что стоит смотреть чуть чуть дальше доки) Все банально, залезть в chat template, поднять модельку самому, вывести full логи (это уровень тру llm инженеров) и на этот уровень почти никто не заглядывает, редко вижу где авторы разбирают логиты или темплейты или уж упаси того за ногу запуск чего-то экзотического с разбором инференс движка На сегодня очень небольшой список тех за кем я слежу и читаю, это те кто лезет настолько глубого в инференс и выкладывает что-то на гитхаб что даже я разбираю их посты с гуглом в обнимку! https://t.me/evilfreelancer (Паша очень хардовый инженер по обучение запуску и девопсу) https://t.me/sergeinotevskii (Сергей, лично тоже. наком рулит всей AI платформой в Bitrix) Но вы будете так же правы если на сегодня не сталкиваетесь с проблемами tool call при работе с облачными моделями, оно вам не текущем этапе жизни точно не нужно Проприетарные API (Anthropic, OpenAI) прячут всё это серверно ты не видишь ни chat template, ни constrained decoding, ни парсер Получаешь красивый tool_calls: [{...}] и finish_reason: tool_use Но внутри ровно та же цепочка, это просто стоит понимать Ранее разбирал историю SO + FC + MCP в трёх частях: [часть 1] | [часть 2] | [часть 3] В коментариях прислал пример полного запроса в LLM когда включен максимальный уровень дебага в vLLM Считаю базой то что сюда надо заглянуть любому уважающему себя инженеру Не обязательно переписывать парсер но понимать контракт между API, chat template и constrained decoding нужно Между инференс-фреймворком и провайдером существует контракт что и куда попадает через chat template Старайтесь не нарушать его и изучать как он работает Иначе ты не инженер, а пользователь чужих абстракций

сейчас я работаю с alignment-системой своего долгосрочного / среднесрочного / краткосрочного фокуса для себя и для своих компаний ключевой вопрос тут не «что делать» а куда направлять внимание прямо сейчас в ai-first мире проблема не в отсутствии возможностей а в их избытке контекста слишком много вариантов бесконечно без системы фокуса всё превращается в шум ⸻ на примере openclaw это видно особенно ясно он быстрый шустрый хаслер-решала и при этом - как рыба он быстро думает но быстро теряет понимание, на что в этом контексте вообще смотреть он не тупой у него просто нет устойчивого фокуса память внутри агента временная контекст распадается через несколько шагов он уже не понимает, что здесь важно ⸻ я закрыл базовый уровень проблемы: теперь агент помнит всё каждое сообщение фиксируется в raw память больше не пропадает (патч уже есть, скоро будет в main) но тут стало очевидно следующее: помнить все - недостаточно raw - это реальность но реальность без фокуса = шум ⸻ чтобы из памяти появился смысл, нужна точка восприятия эта точка задается целями ⸻ цели нужны не для мотивации а для фильтрации реальности без целей всё выглядит одинаково важным а значит - ничего не важно alignment - это зафиксированный набор целей разного масштаба - кто я и куда иду - что важно в этом году - что важно в этом месяце - что важно прямо сейчас цели определяют, на что смотреть формула простая: attention = f(goal) ⸻ raw хранит все но читать все невозможно поэтому появляется следующий слой - UFC (Unified Field Context) UFC - это фреймворк сборки рабочего контекста ufc = f(raw, goal) raw -> факты goal -> фильтр ufc -> рабочий контекст под задачу ⸻ важно: ufc - это не память ufc - это внимание это срез реальности, собранный под конкретную цель контекст не вспоминают контекст пересобирают ⸻ агенты никогда не видят raw и это принципиально агенты всегда работают только с ufc — с тем, что уже прошло через фильтр целей если нет alignment нет устойчивого фокуса нет ufc даже самый умный агент работает вслепую ⸻ в этой модели появляется чёткое разделение слоёв: raw - слой реальности alignment — слой целей ufc - слой внимания agent - слой действия second brain = не агент second brain = эта инфраструктура ⸻ здесь хорошо ложится подход майкла леваина память и интеллект - это не локальная функция отдельной клетки это свойство поля, в котором клетки действуют raw - общее поле фактов ufc - локальная перспектива агенты - действия из разных позиций агентов может быть сколько угодно модели могут меняться интерфейсы разные cloud-code cursor openclaw другие системы second brain для меня и моих компаний - один и я хочу им владеть ⸻ в итоге second brain выглядит так: raw (что было) -> goal / alignment (куда смотреть) -> ufc (на что обращать внимание) -> agent (что делать) не надо «помнить больше» для агента - это вредно надо устойчиво смотреть туда, куда действительно важно что чувствуете?

Согласен на 💯 Лучше сделать что-то минималистичное чисто под свои привычки, чем тащить этот комбайн 2026 год - будет годом персональных ai ассистентов

https://t.me/agipdoom/1863

https://x.com/pipelineabuser/status/2006786675741962478?s=46&t=njTQTxdaH7InGdtglLwsiA я собираюсь СКЛОНИРОВАТЬ ваш дерьмовый enterprise-бэкенд за ОДИН ДЕНЬ. потом я собираюсь СПАРСИТЬ весь ваш список клиентов. потом я собираюсь СДЕЛАТЬ ХОЛОДНУЮ РАССЫЛКУ каждому из них, предлагая тот же продукт, но ЛУЧШЕ и где-то на 80% ДЕШЕВЛЕ, потому что я собрал его за ДЕНЬ с CLAUDE и MODAFINIL и с НУЛЕВЫМИ НАКЛАДНЫМИ РАСХОДАМИ ВЕНЧУРНОГО КАПИТАЛА.

Я провел обширные раскопки темы научных работ по долгосрочному планированию работы ИИ агентов, т.к. статьи Google по теме дали хорошие стартовые зацепки. Исследования сейчас ведутся как в попытке создать "трансформеры планирования" на низком уровне, так и в рамках текущих технологий изобрести какие-то методы планирования. Один из таких трендов "Code-as-Plan". Это очень важный подход и всем специалистам в ИИ агентах надо в нем разбираться, т.к. им можно пользоваться уже сейчас. Поскольку GPT очень хорошо программируют, то идея метода заключается в том, чтобы свой план ИИ агент создал либо на псевдокоде или даже вообще на работающем коде на Питоне. В план в виде кода включаются через if обработки рисков, while/for позволяют корректно обрабатывать агенту повторения действий без собственного зацикливания. Я уже ранее писал, что огромные вложения в том, чтобы научить SLM как Qwen 4-12B писать код на Питоне НЕ связаны с традиционным программированием, а как раз Qwen как сумасшедший стремится довести до ума Code-as-Plan через Питон. Сейчас что-то похожее делают через JSON планы вызовов инструментов SLM агента. Qwen по факту хочет выкинуть все это на помойку и вместо этого научить агентов создавать планы своей работы сразу же в 100-200 строк на Питоне. Вариантов Code-as-Plan довольно много, но сам концепт очень сильный и он уже в стратегиях вендоров как Qwen. Ниже пара научных работ по теме, на скрине отображение планирования агента через код по решению проблемы. https://arxiv.org/html/2505.10749v1 https://arxiv.org/html/2409.12452v1

Специально для всех тех, кому интересно узнать как работает сознание ИИ и где у LLM находится душа и совесть — красивая интерактивная трехмераная визуализация как конкретно работает LLM модель (в данном случае Llama, но общий принцип у всех одинаковый). Приятное место позалипать и очень точная визуализация для тех, кто хочет разобраться в принципе работы. https://www.alphaxiv.org/labs/fly-through-llama Каждая плоскость — это тензор (матрица), а при нажатии справа есть небольшое объяснение какой именно математической операцией достигается результат, и почему.

@ai_code_blog

Друзья, срочная новость: сегодня стало известно, что обновленная нейросеть номер 3 обогнала по бенчмаркам нейросеть номер 2. И ведь еще вчера нейросеть номер 2 была лидером рынка и обгоняла нейросеть номер 1 по всем параметрам. Впрочем, инсайдеры утверждают, что, возможно, новая версия нейросети номер 1 уже ЗАВТРА обойдет нейросеть номер 3. Мы будем следить и далее за полной накала технологической гонкой

https://youtu.be/XFCkrYHHfpQ?si=3EmQ1J9B0w5pRhFA

Как избавиться от дефолтного ИИ-дизайна Многие уже отличают {AI slop} с первого взгляда. Anthropic написали об этом короткий пост и показали как избавиться от этого с помощью Skills и готового промпта. Если коротко: модели LLMs обучены на тысячи сайтов со стандартными шрифтами, одинаковыми цветами и минимумом анимаций. Вот и генерят это по умолчанию. Anthropic предложили готовый промпт и инструкцию в Skills — это контекст по требованию, который загружается только когда нужно. Не раздувает системный промпт на задачах где фронтенд не нужен. Промпт: <frontend_aesthetics> You tend to converge toward generic, "on distribution" outputs. In frontend design, this creates what users call the "AI slop" aesthetic. Avoid this: make creative, distinctive frontends that surprise and delight. Focus on: - Typography: Choose fonts that are beautiful, unique, and interesting. Avoid generic fonts like Arial and Inter; opt instead for distinctive choices that elevate the frontend's aesthetics. - Color & Theme: Commit to a cohesive aesthetic. Use CSS variables for consistency. Dominant colors with sharp accents outperform timid, evenly-distributed palettes. Draw from IDE themes and cultural aesthetics for inspiration. - Motion: Use animations for effects and micro-interactions. Prioritize CSS-only solutions for HTML. Use Motion library for React when available. Focus on high-impact moments: one well-orchestrated page load with staggered reveals (animation-delay) creates more delight than scattered micro-interactions. - Backgrounds: Create atmosphere and depth rather than defaulting to solid colors. Layer CSS gradients, use geometric patterns, or add contextual effects that match the overall aesthetic. Avoid generic AI-generated aesthetics: - Overused font families (Inter, Roboto, Arial, system fonts) - Clichéd color schemes (particularly purple gradients on white backgrounds) - Predictable layouts and component patterns - Cookie-cutter design that lacks context-specific character Interpret creatively and make unexpected choices that feel genuinely designed for the context. Vary between light and dark themes, different fonts, different aesthetics. You still tend to converge on common choices (Space Grotesk, for example) across generations. Avoid this: it is critical that you think outside the box! </frontend_aesthetics> Можно использовать не только в Claude, но и в Cursor, Windsurf, Codex, Lovable и других AI-редакторах как кастомную инструкцию. Полный гайд [тут], для Claude используйте [Skills]. P.S. Телеграм решил пошалить и отключил обсуждения под старыми постами. Так что, если есть что сказать — [вот чат] 😞 @tips_ai #news

В Apps SDK есть инструкция с рекомендациями как улучшить метадату приложения чтобы chatgpt лучше / чаще / качественне вызывал вашу аппку https://developers.openai.com/apps-sdk/guides/optimize-metadata Казалось бы не супер полезная инструкция (супер узкий круг заинтересованных), но это легко переносится на более широкую проблему того что ваши агенты не вызвыают нужные вам mcp/тулы (если mcp это просто remote tools) по сути это система вида: агент+ куча mcp tools. проблема - тулы есть, но агент их не вызывает, или вызывает не те тулы. сами рекомендации: Draft metadata that guides the model For each tool: * Name – pair the domain with the action (calendar.create_event). * Description – start with “Use this when…” and call out disallowed cases (“Do not use for reminders”). * Parameter docs – describe each argument, include examples, and use enums for constrained values. И самый сок тут в Description. Тут они только дают подсказку писать описания с позиции: “Use this when…” И это на самом деле самое важное. Мы то привыкли писать описания функция для разработчиков: это функция такая то, делает то-то А тут надо для агентов: вызывай эту функцию тогда-то, при таких условиях. А при таких не вызывай. Смена парадигмы. Your API is not MCP уже скидывал этот видос тут.