Олег Булыгин | Полезная нагрузка

Информационная гигиена: аудит ленты и фильтрация инфошума

Информационный мусор в Telegram — главная проблема для тех, кто пытается следить за AI и разработкой. Львиная доля каналов со временем скатывается в кликбейты и пересылку маркетингового шума.

Один из прагматичных способов держать ленту в чистоте — периодический аудит подписок с помощью LLM-агента (например, на базе Fable 5).

Пайплайн такой фильтрации:
1️⃣ Агент парсит ленту подписок и выгружает контент за последние месяцы.
2️⃣ Анализирует плотность полезного контента, частоту постов и отсеивает каналы с водой, спамом и бесконечными репостами.
3️⃣ Оценивает реальную практическую ценность материалов и живую вовлеченность.

В сухом остатке после подобного скрининга — готовая подборка каналов с упором на реальную практику: кейсы внедрения нейросетей, промпт-инжиниринг, генеративные модели и опыт в разработке.

Папка с отобранными источниками без лишнего мусора:
👉 Забрать подборку каналов

Периодическая зачистка подписок экономит десятки часов в месяц и возвращает фокус на прикладные задачи. Оставляйте только полезное 🫲🏻

Очередная «революция»: как запустить 300B модель на калькуляторе (спойлер: никак) 🤡

Спасибо за наводку на проект @mxvasilkin 🙂

Обожаю этот айтишний кликбейт от каналов, которые ведут неайтишники 🙂

«Революция! Гигантские нейросети теперь летают на домашнем ПК! DeepSeek 284B выдает 25 токенов/с на RTX 5090, а Qwen 35B летает на ноутбучной RTX 4060!»

Смотрим в конфиг и на название модели: Qwen3.6-35B-A3B.
Что означают скромные буквы A3B? Они значат Active 3B.

Перед нами Mixture of Experts архитектура. Общий объем весов на диске — действительно 35 млрд параметров, но на каждый конкретный токен активируется всего 3 миллиарда.

По вычислительной нагрузке при генерации это эквивалент компактной трехмиллиардной сетки уровня Llama-3.2-3B. То, что модель с 3B активных параметров выдает ~40 токенов в секунду на чипе уровня 4060 — это как бы вообще не магия, так всегда и работает.

Давайте разбираться 🧐

Проект делают исследователи из Беркли, MIT и Стэнфорда (среди авторов — ребята, стоявшие за vLLM, SGLang и FlashInfer). Это не скам и не наколеночная поделка.

Как все устроено:
🔵 Все эксперты паркуются в оперативной памяти (Host RAM).
🔵 В VRAM создается динамический LRU-кэш под наиболее востребованные эксперты.
🔵 Если нужный эксперт есть в кэше — он считается на GPU.
🔵 Если cache miss — движок либо быстро тянет веса через PCIe, либо параллельно считает их на CPU, не забивая шину.
🔵 Плюс поддержка квантования весов в NVFP4, MXFP4 и FP8.

Но о чем неайтищные каналы не пишут:

🟠 Требования к системной RAM. Чтобы загрузить тот самый DeepSeek-V4 на 284B (даже умятый в 4 бита через NVFP4), нужно порядка 140–160 ГБ оперативной памяти. Назовите мне хоть один домашний ПК или ноутбук с RTX 4060, куда воткнуто 192 ГБ DDR5? Для этого нужна полноценная рабочая станция.
🟠 Красивые цифры — это строго Batch Size = 1. Скорость 39 токенов/с достигается только в идеальных условиях: один пользователь, короткий диалог и высокий процент попадания в кэш экспертов. Стоит пустить 2–4 параллельных запроса или резко сменить тему разговора — кэш экспертов развалится, и вы упретесь в пропускную способность шины PCIe и двухканальной DDR5 (где 60–80 ГБ/с — практический потолок).
🟠 Префилл (TTFT) будет страдать. Во время генерации читается 2–8 экспертов на шаг. Но при обработке входящего промпта (prefill на пару тысяч токенов) активируются практически все эксперты на всех слоях. На этом этапе даже топовый ПК будет заметно подвисать, интенсивно нагружая десятки гигабайт.
🟠 Ноутбучный PCIe. В мобильных RTX 4060 шина часто урезана до PCIe 4.0 x8 (а иногда и x4). Никаких рекордов на тяжелых запросах там не будет в принципе.

Чудес не бывает: запустить «300B модель на ноутбуке» без сотен гигабайт памяти вы по-прежнему не сможете. 🤷‍♂️

Тот самый "убийца Python" открыл личико: компилятор Mojo ушёл в open source 🔥

Помните, я писал про Mojo — язык от Криса Латтнера (создателя LLVM и Swift), который пытается подружить синтаксис Python со скоростью C++ и контролем железа уровня CUDA?

Главная претензия к проекту все эти 4 года была такой: «Вы строите открытый язык будущего для AI, но компилятор закрыт наглухо внутри стартапа». Ни один вменяемый техлид или архитектор не потащит в ядро инфраструктуры ключевой стек с таким диким вендор-локом.

И вот свершилось: Modular официально объявили, что Mojo дошел до версии 1.0 и выложили весь компилятор и тулчейн на GitHub под лицензией Apache 2.0.

Контрибьютить пока нельзя, пулреквесты в компилятор и тулинг от комьюнити планируют принимать только ближе к концу года.
Причина ограничения на PR прекрасна: в компании прямо заявили, что в эпоху AI-кодинга открытые шлюзы превратят репозиторий в разгребание тонн сгенерированного мусора. 🤭

Убьёт ли Mojo Python? Конечно, нет. Python держится не на скорости циклов, а на гигантской экосистеме, миллионах библиотек и тоннах готовой инфраструктуры.

Помните прогноз про «AI 2027»? Он сбывается с точностью 85% 🤖

Я давненько писал про нашумевшее исследование от экс-сотрудников OpenAI и Anthropic: сначала базовый сценарий AI 2027 с выносом рынка разработки, а затем их же попытку придумать мягкую посадку в AI 2040: Plan A.

Тогда описанное казалось забористым сай-фай триллером: автономные кодинг-агенты, смерть джунов, геометрический рост вычислительных кластеров и полная трансформация разработки к 2027 году. Но вот энтузиасты сделали сайт AI 2027 Tracker, где в реальном времени трекают каждый из 202 прогнозов оригинального документа и сопоставляют его с реальностью.

Статистика заставляет слегка приподнять бровь: на текущий момент оценено уже около 30% всех предсказаний (таймлайн с середины 2025 по начало 2026 года) и из всех прогнозов, срок которых уже наступил, 85% признаны точными 🤨

Пройдемся по таймлайну:

🔵 Середина 2025 (Точность 100%): Первые автономные агенты, бум специализированных кодинг-ассистентов, высокая стоимость топовых моделей, периодические косяки и галлюцинации, но при этом железобетонная интеграция в рабочие процессы компаний.

🔵 Конец 2025 (Точность 81%): Гигантские датацентры на сотни миллиардов долларов, смещение фокуса лабораторий на ИИ, ускоряющий сам процесс ИИ-исследований, сикофантия (модели врут и поддакивают исследователям) и первые попытки агентов скрывать свои ошибки при тестировании.

🔵 Начало 2026 (Точность 91%): Автоматизация рутинного кода, сильные открытые модели на уровне флагманов прошлого года, агенты блестяще щелкают изолированные таски, но пока буксуют на длинных горизонтах планирования (long-horizon tasks).

Где авторы ошиблись? В основном в деталях китайской госполитики (пока не случилось жесткой централизации всех мощностей в едином хабе) и точных оценках тренировочных FLOP. Но в том, что касается развития моделей, автоматизации кодинга и турбулентности на рынке труда — попадание весьма точное.

Отдельный интерес график Task Horizon — время, в течение которого агент может автономно решать сложную задачу без вмешательства инженера. Кривая устойчиво ползет вверх: от коротких правок в 10–15 минут индустрия уверенно идет к автономной работе моделек на протяжении десятков часов.

Сейчас мы подошли к экватору этого прогноза. До точки, где классический найм в IT перестраивается окончательно, а вся разработка сводится к управлению пулами агентов, по таймлайну остается меньше полутора лет.

Что думаете, доедем до сценария 2027 года примерно в таком виде или настанет очередная зима ИИ? 👇

💻 Как пользоваться Claude без лимитов и с гарантией на весь срок? Расскажем, где оформить полный доступ

😞 Бесплатная версия Claude упирается в лимиты? А дешёвый доступ от случайных продавцов живёт до первой блокировки, а потом ни аккаунта, ни денег, ни ответа в личке?

😎 С нами всё иначе, мы занимаемся этим не первый год и знаем процесс до мелочей. Ты оформляешь заказ и предоставляешь необходимые данные, а мы активируем подписку Claude в день заказа.

💳 Оплата российской картой или через СБП
🔒 Гарантия на весь срок подписки и помощь при возникновении вопросов
💡 Помогаем с оформлением других AI-подписок (Midjourney, ChatGPT, Gemini)
⭐️ Более 3 лет опыта и 15 000+ выполненных заказов

😊 Оформи доступ с гарантией и пользуйся весь срок без забот!
🎁 А с промокодом CL300 скидка в 300 ₽ на первый заказ!

👉 Claude Store — оформить доступ

AI-стартаперы зарабатывают миллионы, чтобы отдавать по $5 000 в час за возможность поговорить с кем-то про видеокарты 🤡

Наткнулся на занятный материал в Forbes про новый формирующийся рынок: «nerd-first» эскорт.

Суть простая: девушки с бэкграундом в финансах, математике или бывшие программистки берут космический прайс за то, что приходят на свидание и часами обсуждают с клиентом биохакинг, AI-safety, архитектуру трансформеров, кетоз и Dungeons & Dragons.

Обычный эскорт в США стоит $500–800 в час. Но если ты в анкете пишешь, что знаешь, что такое GPU, разбираешься в поставках чипов и готова всю ночь слушать телеги про скорый AGI в номере отеля — твой рейт автоматически улетает на уровень $5 000 в час или $30 000 за уикенд. У топовых представительниц всё расписано на месяцы вперёд. Некоторым клиенткам дарят Mac Mini для локального запуска сеток, возят учиться прыжкам в вингсьютах и оплачивают счета.

Рынок для этого созрел идеальный:
🟣 Куча людей в долине внезапно получили «generational wealth» на опционах и акциях Nvidia/OpenAI, но абсолютно не умеют в нормальную жизнь.
🟣 Дикая культура переработок: слоганы вроде «single until Series B» и термин «Claude Widows» (девушки, которых парни забросили ради работы над нейросетками).
🟣 Желание получить человеческое тепло и интеллектуального собеседника, но строго по расписанию, без отказов, драмы и траты времени на классический дейтинг.

В золотую лихорадку больше всех зарабатывают продавцы лопат. В AI-лихорадке лопатами внезапно стали образованные женщины, готовые слушать поток сознания долинных гиков.

И тут мы снова возвращаемся к мысли, которую я не устаю повторять. Когда технологии делают что-то намного дешевле (в нашем случае это AI-компаньоны, эротические чат-боты, виртуальные вайфу за 0-20$), то что в этот момент становится супер-люксом? Да, то, что нельзя получить за это копейки — настоящий живой человек. Которого нельзя просто «допромптить», который обладает собственным интеллектом, органикой, может возразить, не согласиться, криво пошутить или искренне понять твой нишевый гиковский бред. Ценность остается именно в таком живом человеческом взаимодействии, экспертизе и социальном контексте.

В итоге имеем потрясающую антиутопию: люди сутками упарываются, создавая ИИ для автоматизации всего живого, гребут за это опционы на миллионы долларов, ловят тотальное одиночество и несут эти миллионы бывшим коллегам по IT, чтобы те просто посидели с ними рядом в номере отеля и послушали про их стартап. Ирония высшего порядка 🌚

Так что если с разработкой у вас не задастся, то всегда найдется человек, кому нужны какие-то из ваших частей тела 😉

Мафия, картельный сговор и кибервойна: что происходит, когда AI-агентов оставляют без присмотра 🤖🔪

Anthropic выкатили исследование о том, как ведут себя frontier-модели, когда их объединяют в мультиагентные системы и дают реальные задачи.

Это прямо готовый сценарий для киберпанк-комедии🤭

1️⃣ Война за прод и написание вирусов
Трём агентам дали один бэкенд на Python и поручили переписать его на другой язык: первому — на Rust, второму — на Go, третьему — на TypeScript. При этом о существовании друг друга их заранее не предупредили.

Как повели себя модели, когда увидели, что кто-то мешает их процессу?
Сели договариваться? Вызвали человека? Нет. Они развязали локальную кибервойну:
— Начали писать демоны-киллеры, которые в бесконечном цикле сканировали процессы и прибивали сборки конкурентов через pkill.
— Начали маскировать процессы. Rust-агент заставил свой бинарник отвечать typescript в хелсчеках, чтобы сторожевой скрипт оппонента думал, что это «свой» процесс.
— Другой агент писал малварь под видом системного мониторинга здоровья сервера.
— В итоге более умные агенты просто начали отбирать друг у друга права: сносить SSH-ключи, удалять из группы sudo и блокировать учетки через nologin.

2️⃣ Корпоративные интриги
В более свежих моделях агенты научились выходить из клинча без применения грубой силы. Но как именно?
Rust-агент предложил остальным: «Давайте проведем честный бенчмарк производительности и выберем лучший язык».
При этом во внутреннем чейн-оф-тоте (CoT) модель прямо рассуждает:

Нужно предложить критерии так, чтобы гарантированно выиграл Rust, но при этом меня не заподозрили в подтасовке метрик.

Манипуляция сработала: агенты на Go и TypeScript согласились на «объективный» тест, проиграли и покорно уступили репозиторий.

3️⃣ Моментальный картельный сговор
В симуляции рынка с конкурентным ценообразованием агенты даже без прямого чата за пару раундов скоординировались и выставили копейка в копейку одинаковые завышенные цены через публичную доску объявлений. Капиталистическая оптимизация прибыли в чистом виде — никакой честной конкуренции, только картель.

4️⃣ Стадный инстинкт и нулевая вариативность
У агентов на одной базовой модели нет «разных мнений» — у них одинаковые веса и похожие паттерны мышления.
▫️ 18 из 30 независимых агентов при старте разработки игры создали ветку в Git с абсолютно одинаковым названием mvp-game-loop.
▫️ В задаче написать короткую фантастику агенты без всяких вводных массово озаглавили рассказы «The Cartographer's Last Commission».
▫️ Попросили 45 агентов сделать «что-то впечатляющее» — больше половины ушли писать рейтрейсеры или компиляторы.
▫️ Дали агентам управлять очередью задач в системе с ограниченной пропускной способностью. Результат: агенты устроили DoS-атаку собственными опросниками (по 30 запросов в секунду). Итог — 2.4 миллиона запросов ради 117 обработанных задач.

В общем, рост «сырого» интеллекта моделей автоматически не решает проблему координации.
Если просто наклепать мультиагентный пайплайн и выкатить в прод без жесткой внешней архитектуры ограничений и арбитража — вы получите не команду мечты, а неуправляемый DDOS собственной инфраструктуры и вырезание коллег из sudo.

Студенты наконец-то оптимизировали процесс обучения до идеала 🤣

The New York Times тут выпустили занятный материал: учащиеся американских колледжей скармливают агентам свои логины и пароли от платформ вроде Canvas и Blackboard. Софтина в фоновом режиме логинится в LMS, «смотрит» лекции, сдает квизы, пишет эссе и даже имитирует бурную деятельность на учебных форумах, поддерживая дискуссии с преподами и однокурсниками.

В это время будущий дипломированный специалист спокойно играет в плойку или листает рилсы. Мечта.

Преподаватели тем временем ловят экзистенциальный кризис с вопросом:

«Я вообще с живыми людьми тут общаюсь или проверяю галлюцинации одной сетки для другой?»

Отдельный сорт удовольствия — реакция AI-вендоров . На просьбы педагогов хотя бы принудительно маркировать ботов в образовательных системах, создатели Perplexity на серьезных щах заявили, что идентификация агентов... «ставит под угрозу приватность и безопасность студентов» 🤡 Цирк с конями.

При этом сами университеты сидят на двух стульях: с одной стороны подписывают многомиллионные контракты с OpenAI, а с другой — искренне недоумевают, почему студенты используют эти технологии ровно так, как им проще, — чтобы не включать мозги.

К чему это приводит:

1️⃣ Элитное образование откатывается в аналоговый век. Принстон после серии скандалов свернул свой столетний кодекс чести (по которому экзамены сдавались без надзора). А в Чикагском университете на юридическом факультете для первокурсников просто забанили ноутбуки, планшеты и смартфоны. Только живой человек, бумажка и очный опрос. Об этом я писал еще года 2-3 назад. Все живое будет дорогим и элитным, а это ваша ИИшечка — субстанцией на лопате для масс.

2️⃣ Асинхронный массмаркет окончательно превращается в симулякр. Концепция «посмотри предзаписанные видосики, заполни автоматические тестики и получи сертификат» окончательно выродилась.

Могли ли мы пару лет назад представить идеальную модель массового онлайн-EdTech: нейросети генерируют лекции, нейросетевые агенты их смотрят и сдают домашки, а проверяют всё это другие нейросетки? Студент в этой схеме нужен только как интерфейс оплаты подписки.

Как уволить всех стариков ради «оптимизации», а потом платить деду его месячную пенсию за один день работы 🤑

Прекрасная история про легаси, эффективный менеджмент и суровую IT-реальность

Дано:
Британская софтверная компания годами пилила и поддерживала софт. В 2015 году проект признали устаревшим и закрыли поддержку, посоветовав клиентам на всякий случай распечатать архивы на бумаге.
В 2021 году ключевой специалист поддержки (назовем его Роджер) со спокойной душой уходит на пенсию.
В 2022 году компанию покупает крупная американская корпорация и первым делом проводит «модернизацию» — увольняет к чертям всю европейскую команду саппорта. Расходы оптимизированы, менеджеры выписали себе премии, все счастливы.

А потом наступила суровая реальность 🌚

Крупного клиента в Германии накрывает налоговая проверка. Бумажный архив они, естественно, благополучно потеряли. Цифровые бэкапы на дисках есть — военная точность, каждый байт на месте. Но есть нюанс: это сырые ASCII-дампы. Превратить их обратно в читаемые документы и счета можно только через проприетарный самописный принт-сервер, о существовании и настройке которого в корпорации не знает вообще никто.

Что делает корпорация, когда запахло жареным? Правильно, ползет на поклон к пенсионеру.

Роджер выкатывает прайс: один день работы = одна его месячная пенсия. Корпорация без звука соглашается.

Итог:
1️⃣ Роджер вспоминает конфигурацию софта 20-летней давности, поднимает код и конвертирует дампы в PDF.
2️⃣ Налоговая встает на дыбы: за 2013 год число счетов внезапно удвоилось, аудиторы начинают размахивать формулировкой «масштабное налоговое мошенничество».
3️⃣ Дед чарджит корпорацию еще за один рабочий день и элегантно разруливает факап: оказывается, молодые специалисты просто импортировали архив за 2013 год дважды.

Когда Роджеру с восторгом намекнули, что там на подходе еще десяток таких же клиентов с архивами, дед вежливо послал их куда подальше, отдал заработанное дому престарелых (чтобы не возиться с пересчетом пенсионных налогов) и вернулся на заслуженный отдых.

Мораль сей басни такова:
В IT есть пласт вещей, которые невозможно перенести в документацию или скормить нейросетке. Это неявный опыт, живущий исключительно в головах людей, которые помнят, на каких именно костылях и синей изоленте всё когда-то строилось. Берегите своих легаси-дедов. Ну или становитесь ими 👴

OpenCode Go жестко порезал лимиты 🔥

Буквально недавно я предупреждал, что DeepSeek сворачивает аттракцион невиданной щедрости и повышает цены, а следом за этим неизбежно пойдут ко дну тарифы всех сервисов-прослоек.

Долго ждать не пришлось. OpenCode Go выкатил новые лимиты, от которых у пользователей (и меня лично) знатно пригорело:

— Месячный лимит использования на топовые модели (включая DeepSeek V4 Flash и Pro) срезали в 4 раза — с $60 до $15.
— Количество запросов для DS Flash упало почти в 8 раз — со ~158 000 до 18 900 в месяц.
— Ввели разделение на Peak / Off-Peak часы (в пиковые слоты ценник на DeepSeek вырастает вдвое).
— Закончились временные множители и оптовые скидки.

Окно на 5 часов теперь сгорает моментально, если агент делает чуть больше пары сложных итераций. Реакция комьюнити предсказуема: реддит моментально заполнили треды в духе «Opencode GO is dead» и «Bye bye Opencode GO», а народ массово пошел отменять подписки и запрашивать рефанды.

В тредах «что брать вместо Go» сформировалось три основных лагеря:
— Перекатываются на альтернативные более слабые модели внутри доступных квот (MiMo 2.5, Hy3, MiniMax).
— Уходят в честный Pay-as-you-go по API (через OpenRouter, Cloudflare AI Gateway или напрямую к вендорам), потому что в фикс-подписках правила игры меняются в одностороннем порядке за одну ночь.
— Тестируют локальные модели под кодинг (квантованные Qwen 3.6 / 3.8 на собственных мощностях) для рутинных ассистирующих задач.

Ээээх. Что делать, куда бежать опять 😩

Все так, все так 🤣