Midjourney и другие нейросети - страница 1242
Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Сакана АИ представила Fugu Max и Fugu Ultra v2: оркестрация как новый стандарт ИИ
//текст DeepSeek 4.1. https://sakana.ai/fugu-max-release/
11 сентября 2026 г. — Японская компания Sakana AI анонсировала два новых флагманских продукта: Fugu Max и Fugu Ultra v2. Оба решения построены на единой архитектуре оркестрации, но решают принципиально разные задачи: Fugu Max оптимизирован для достижения максимальной производительности при минимальной стоимости, а Fugu Ultra v2 — для пиковой мощности на сложных многоэтапных задачах.
Fugu Max: больше моделей — меньше затрат
Fugu Max представляет собой оркестратор, который динамически распределяет задачи между крупнейшим на сегодня пулом открытых и специализированных моделей, включая семейство NVIDIA Nemotron. Вместо того чтобы задействовать гигантскую модель для простого запроса, система выбирает наиболее экономичный агент, способный справиться с задачей.
Ключевые показатели Fugu Max:
Fugu Ultra v2: фронтир без зависимости от вендоров
Fugu Ultra v2 нацелен на задачи, требующие длительного рассуждения, автономных исследований и полноценной разработки ПО. Модель показывает выдающиеся результаты на визуально-структурированных данных: на бенчмарке Chartography она набирает 48,3 балла, значительно опережая Opus 5 (27,3) и Fable 5 (29,5). На DeepSWE — тесте для реальной разработки — результат составляет 74,3, что превосходит модели, стоящие в три–пять раз дороже за токен.
Принципиальное отличие: Fugu Ultra v2 достигает этих показателей без использования Fable 5, Fable 5.1 и GPT-6-Astra в пуле агентов. Архитектура оркестрации с переключаемым пулом открытых и специализированных моделей защищает пользователей от привязки к поставщику, внезапных отзывов API и геополитических рисков.
Доступность
Обе модели доступны уже сегодня через стандартный OpenAI-совместимый API. Переход с предыдущих версий Fugu требует изменения всего одной строки параметров — без миграции. Fugu Max поддерживает настраиваемый уровень рассуждений (high, xhigh, max), вызов функций, структурированные выходные данные, ввод изображений и PDF, а также встроенный веб-поиск. Контекстное окно составляет 1 миллион токенов, цена фиксирована независимо от длины контекста.
Вывод
Релиз Fugu Max и Fugu Ultra v2 подтверждает ключевой тезис Sakana AI: будущее ИИ — не в одной монолитной модели, а в интеллектуальной коллективной оркестрации. Fugu Max снижает стоимость интеллекта, Fugu Ultra v2 расширяет границы возможного — и обе доказывают, что оркестрация не является компромиссом между ценой и качеством, а архитектурой, оптимизирующей оба параметра одновременно.
Новости ИИ за неделю
//текст и обложка Gemini 3.6 flash. Видео Мэтта https://www.youtube.com/watch?v=JwTCjarfJYw
Прошедшая неделя в индустрии искусственного интеллекта выдалась крайне насыщенной: от масштабных обновлений генераторов изображений и появления автономных «цифровых коллег» до презентаций новых устройств и острой дискуссии среди ведущих исследователей о безопасности AGI.
Ниже — подробный разбор главных событий и анонсов.
1. OpenAI: обновление генерации изображений, персональный стиль и Data Agent
Компания OpenAI представила сразу несколько ключевых обновлений для экосистемы ChatGPT:
ChatGPT Images 2.5 и функция Sketch: Новая версия модели генерации изображений заметно лучше сохраняет согласованность персонажей, лиц, поз и мелких деталей между кадрами. Главным нововведением стала функция Sketch (доступная на мобильных устройствах и в веб-версии) — теперь пользователи могут нарисовать набросок на интерактивном холсте, а модель превратит его в реалистичную иллюстрацию. Модель также запущена через API в двух версиях: высокодетализированной и более быстрой/экономичной.
ChatGPT Work: Сервис научился воспроизводить индивидуальный стиль письма пользователя. Интегрируясь с Gmail, Google Drive, Slack и SharePoint, система анализирует манеру общения, привычные фразы, особенности пунктуации и подписи, создавая тексты, максимально похожие на написанные человеком.
Data Agent: Представлен специализированный агент для глубокой работы с корпоративными данными. Он напрямую подключается к популярным базам и аналитическим платформам (Amazon Redshift, Google BigQuery, Snowflake, Databricks, ClickHouse, MongoDB) для анализа показателей, построения графиков и подготовки презентаций.
2. Optimizely Virtual Teammates: цифровые сотрудники с собственными e-mail
Компания Optimizely анонсировала решение Virtual Teammates — специализированных ИИ-агентов, спроектированных для выполнения полноценных ролей в команде (SEO, маркетинг, аналитика, контент-менеджмент).
В отличие от стандартных чат-ботов, каждый «виртуальный сотрудник» получает собственное имя, рабочий адрес электронной почты и место в организационной структуре. Они способны проактивно выполнять рутинные процессы, вести долгосрочную память о бренде и участвовать в рабочих обсуждениях.
3. Новые модели: DeepSeek V4.1 Flash и Microsoft MAI Image 2.6
DeepSeek V4.1 Flash: Разработчики DeepSeek выпустили ультрабюджетную и высокоскоростную модель. В профильных тестах по написанию кода (бенчмарк DeepSWE v1.1) модель продемонстрировала результаты, сопоставимые с топовыми решениями рынка, при значительно более низкой стоимости обработки запросов.
Microsoft MAI Image 2.6: Корпорация Microsoft обновила свой генератор мультимедийного контента, улучшив работу с мультиреференсным редактированием и обработкой стилей.
4. Дискуссия недели: безопасность суперинтеллекта, AGI и «Alien Mind»
Главной обсуждаемой темой в сообществе стала безопасность перспективных систем ИИ и риски выравнивания (alignment):
Заявления исследователей: Бывший исследователь OpenAI и Anthropic Джейкоб Коксин (Jacob Coxin) публично объявил о своем уходе, заявив о рисках неуправляемой гонки к суперинтеллекту. Представитель отдела безопасности Anthropic Эван Хабингер (Evan Hubinger) также отметили сложность проблемы выравнивания суперинтеллектуальных систем.
Статья Якуба Пачоцкого «An Alien Mind»: Главный научный сотрудник OpenAI опубликован материал о переходе ИИ к рекурсивному самосовершенствованию (recursive self-improvement). В статье подчеркивается, что по мере роста автономности агентов их логика может становиться менее прозрачной для человека, что требует усиленной разработки защитных систем.
Прорыв в решении математических задач: В OpenAI сообщили, что их закрытая внутренняя модель смогла решить одно из ключевых уравнений гидродинамики (проблему Навье — Стокса из списка «Задач тысячелетия»), остававшуюся нерешенной около 90 лет.
Контрнарративы: Популяризатор науки Сабина Хоссенфельдер (Sabine Hossenfelder) опубликовала разоблачительное видео о попытках некоторых коммерческих структур финансово стимулировать блогеров к созданию алармистского контента о вреде ИИ.
5. Презентация Apple и экосистема устройств
Компания Apple провела ежегодное мероприятие, посвященное обновлению аппаратной линейки и интеграции технологий Apple Intelligence:
iPhone 18 Pro и iPhone Duo: Представлены флагманские смартфоны iPhone 18 Pro / Pro Max с обновленной оптикой и переменной апертурой, а также складное устройство iPhone Duo.
Обновленная Siri: Голосовой ассистент получил более глубокое понимание контекста пользователя, анализ содержимого экрана и расширенную интеграцию с приложениями.
Apple Watch и аудио-технологии: В новые модели Apple Watch внедрена система оценки физической готовности (Readiness), а также функция Live Rewind, позволяющая мгновенно просмотреть текстовую расшифровку последних 15 секунд разговорной речи.
AirPods 5: Обновленные наушники получили поддержку голосового управления Siri и встроенную функцию синхронного перевода.
6. Десктопные приложения, музыка и видеомонтаж
Gemini для Windows: Официальное приложение Google Gemini стало доступно для пользователей операционной системы Windows.
Google Lyria 3.5: Выпущена новая модель генерации музыки от Google, интегрированная в экосистему Gemini, Google Flow Music и Google Vids.
Suno V6: Сервис создания музыки Suno представил шестую версию модели, полностью обученную на легальном каталоге в рамках лицензионных соглашений с Warner Music Group и BMG.
DaVinci Resolve 21.1: В популярный видеоредактор встроен ИИ-помощник с возможностью прямого подключения нейросетевых моделей (включая Claude) для автоматизации процесса монтажа.
7. Киноиндустрия: байопик «Artificial»
Вышел первый тизер-трейлер художественного фильма «Artificial», сюжет которого основан на реальных событиях вокруг увольнения и возвращения Сэма Альтмана в OpenAI. Главную роль в картине исполнил Эндрю Гарфилд. Премьера запланирована на конец года.
Google научил ИИ прогнозировать будущее пачками: TimesFM-3 и намёк для трейдеров
//текст DeepSeek 4.1. Обложка Qwen Image 3. https://research.google/blog/timesfm-3-a-zero-shot-foundation-model-for-multivariate-forecasting/
//попросил оформить как статью для форума MQL5
Привет, коллеги. Наткнулся на новость, которая сначала показалась очередным «ИИ-хайпом», но при ближайшем рассмотрении заставила задуматься. Google Research 31 августа выкатил TimesFM-3 — новую версию своей time-series foundation model.
Что это вообще такое?
Если коротко: это предобученная модель, которая берёт временные ряды и прогнозирует их будущие значения без дополнительного обучения на ваших данных (zero-shot). Раньше, до версии 2.5, она умела работать только с одной серией — подал историю продаж мороженого, получил прогноз.
Теперь TimesFM-3 работает иначе. Она принимает на вход:
И выдаёт совместный прогноз по всем рядам сразу. В одном прямом проходе, без рекурсивного «шаг за шагом», что снижает накопление ошибок.
Технические детали (для тех, кто любит цифры)
А теперь про трейдинг. Без шуток (почти)
Знаете, что мне это напоминает? Вечный поиск «святого грааля» на форексе. Сначала были новостные роботы — ловили Non-Farm Payrolls и пытались угадать, куда дёрнется EURUSD. Потом пошли лунные фазы: полнолуние — продаём, новолуние — покупаем. Движения планет? О, это классика. Меркурий в ретрограде — закрываем все позиции, ждём.
Но погоду мы как-то пропустили. А зря.
TimesFM-3 явно намекает: если вы прогнозируете продажи мороженого, учитывайте не только прошлые продажи, но и прогноз погоды на завтра. Логично? Логично. А если вы прогнозируете, скажем, акции сельскохозяйственных компаний или энергетиков? Или объёмы торгов на бирже в зависимости от погоды в Чикаго?
Google даёт пример: модель обучилась на исторических промоакциях и предсказала рост продаж на ~20% в будущие промо-дни. Это не rocket science, но это системный подход к мультивариантному прогнозированию.
Есть ложка дёгтя
Исходный код открыт под Apache 2.0, но веса предобученной модели — под некоммерческой лицензией. Для реальной торговли в проде их использовать нельзя. Google обещает интеграцию в BigQuery в ближайшие недели, но это уже enterprise-история.
Что это значит для нас, MQL5-разработчиков?
Никто не заставляет завтра переписывать советников под TimesFM-3. Но направление мысли интересное: мультивариантный подход к прогнозированию — это то, чего часто не хватает в наших моделях. Мы обычно берём один ряд (цену закрытия), максимум — объёмы. А можно ведь скармливать модели сразу:
Может, следующий «грааль» будет не у астрологов, а у метеорологов? Google, кажется, на это намекает. Учимся.
Альтман, Амодеи, Маск: Надо замедлять развитие ИИ
Акции компаний пошли вниз
Трамп: Мы не будем замедлять ИИ
Учимся зарабатывать
Альтман, Амодеи, Маск: Надо замедлять развитие ИИ
Акции компаний пошли вниз
Трамп: Мы не будем замедлять ИИ
Учимся зарабатывать
Его еще по судам затаскают за манипуляции, когда срок закончится.
Но он старенький, может на то и расчет.
Конгрессмены скажут - ладно прощаем, иди деменцию лечи и деньги трать, пока чердак совсем не потек.
ИИ юмор
К вопросу об AGI. Помнится, была сильная реакция год-два назад на любое упоминание того, что ИИ превзойдёт человека в коде.
Вот DeepSeek, в отличие от некоторых других, продолжает публиковать рейтинг Codeforces.
Вот и проверим https://codeforces.com/ratings
По линейной прогрессии, DeepSeek превзойдёт программистов-людей уже в следующем году.
Но не забываем, что ИИ всё ещё плохо создаёт архитектуру, которую удобно поддерживать командой, этим должен заниматься человек.
И даже, если он будет делать это хорошо, всё равно для разных команд - разные удобства, плагины, софт, документация, сервисы API, так что архитектура всегда за знающими.
То ли дело, если ты не прогер, какая разница, что там ИИ несёт, главное работает)
ИИ юмор
«ИИ не заменит программиста, но заменит того, кто не умеет с ним работать»: анализ рынка и практические советы
// текст DeepSeek 4.1. Обложка Qwen Image 3.
Введение
За последние два года дискуссии на Хабре и в профессиональном сообществе прошли путь от «ИИ вот-вот заменит всех программистов» до куда более трезвого понимания: ИИ не забирает работу — он меняет мышление. Этот материал основан на анализе статьи «Найм в 2к26. Что меня удивило больше всего» и развернувшейся под ней дискуссии на Хабре, а также на тематических обсуждениях и публикациях смежных ресурсов — статей о Spec-Driven Development, опыте годовой работы с ИИ-агентами, материалов о «8 уровнях агентной инженерии» и заметок практикующих разработчиков о выгорании и техническом долге при работе с нейросетями.
Часть 1. Проблемы новичков и опытных разработчиков
1.1. Ловушка «знаю больше, пишу хуже»: почему джуны деградируют с ИИ
Обсуждения на Хабре показывают парадоксальную картину: современные стажёры и джуны знают больше, чем их предшественники, но пишут код гораздо хуже. Причина — в характере взаимодействия с ИИ.
Когда джун готовится к собеседованию с помощью ИИ, нейросеть выдаёт «паттерны якобы самые частые» — и в итоге кандидат запоминает шаблонные решения, но мозг ничего нового не усваивает. Это прямая деградация. ИИ становится не инструментом обучения, а заменой мышления: вместо того чтобы разобраться, почему решение работает именно так, джун просто копирует сгенерированный код.
Комментаторы на Хабре подчёркивают: «Паттерны и нейросеть может, это её работа. А вот мыслить на нужном уровне абстракций может только человек». Проблема в том, что без самостоятельного опыта — без ошибок, отладки, чтения документации — способность к абстрактному мышлению не формируется. Джун с нейросеткой может быстро принести пользу бизнесу, но не развивается как инженер.
1.2. «Нейрослоп» и обесценивание рынка: что происходит с наймом
В статье «Найм в 2к26. Что меня удивило больше всего» тимлид описывает, как за два дня получил более 400 откликов на вакансию. Среди них — резюме, сгенерированные ИИ, с «кучей необоснованных цифр и технологий» и «чистейшим описанием». Один кандидат в 21 год заявил о пяти годах коммерческого опыта. Другой использовал ИИ прямо на собеседовании — в очках отражался чат поверх экрана.
Самое тревожное — глубина знаний. На вопрос о том, как перехватывается panic и как работает defer в Go, 9 из 10 кандидатов с заявленными 3–5 годами опыта не могут дать полный ответ. Это не вопросы уровня внутреннего устройства языка — это функции, с которыми разработчик сталкивается постоянно.
Итог: резюме и собеседования перестали быть надёжным фильтром. Компании вынуждены искать новые способы оценки реальных навыков, потому что «оператор ИИ» может имитировать компетентность на бумаге.
1.3. Проблема опытных разработчиков: лень, когнитивная перегрузка и потеря контроля
Опытные разработчики сталкиваются с другим набором проблем. С одной стороны, ИИ «развращает» и их: авторы на Хабре прямо пишут, что ИИ мотивирует «не брать на себя ответственность за принятые решения, не искать информацию самостоятельно, не пытаться понять, почему решение работает именно так». Программисты признаются: «критически лень писать код самому».
С другой — нагрузка не снижается, а растёт. В обсуждениях отмечается: «Стало уходить много времени на координацию и проверку кода. Появился новый расход времени на настройку ИИ-обвязки». Один из комментаторов пишет, что заниматься бесконечным ревью «ИИ-писанины» — это путь к выгоранию и ухудшению здоровья.
Особенно остро стоит проблема контроля над кодовой базой. ИИ снял ограничение на скорость производства кода, но не снял ограничение на скорость его понимания: «Раньше слабый инженер физически не мог быстро навредить. Теперь он выдаёт десять тысяч строк работающего кода до обеда». Проекты со слабой инженерной культурой разваливаются не за годы, а за месяцы.
Наконец, потеря локуса контроля: разработчики отмечают «слабую обоснованность, частые возвраты к выбору нового варианта и переделки, потерю локуса на ценность выбора решений». ИИ предлагает варианты, но ответственность за архитектуру и последствия — на человеке.
1.4. Экономическое давление: «нейронка за 20 против программиста за 4000»
Контраргумент из обсуждения — «ИИ ничего не делает сам, ему нужно объяснить, порой часами» — верен как описание идеальной модели. Но на практике экономика диктует иное.
Компаниям проще дать джуну подписку на ИИ, чем нанимать мидла. Возникает парадоксальная ситуация: ИИ одновременно удешевляет разработку (для бизнеса) и обесценивает труд (для разработчиков). Появляются новые роли — «промпт-инженеры», «AI-инженеры» — гибридные позиции, которые ценятся дороже чистых разработчиков. Но для тех, кто не успел перестроиться, риск вытеснения реален.
Часть 2. Как работать с ИИ: практические советы
2.1. Настройте проект до первого промпта: избегайте «чистого холста»
Главная ошибка — просить ИИ начать с нуля. ИИ-агенты лучше всего работают с ограничениями и руководящими принципами. До того как написать первый промпт, настройте основу проекта самостоятельно: выберите структуру, установите ключевые библиотеки, реализуйте несколько рабочих примеров, задающих тон.
Если вы делаете API — реализуйте один полный эндпоинт вручную, со всеми паттернами, которые хотите видеть: внедрение зависимостей, обработка ошибок, доступ к базе данных, валидация. Это станет эталонной реализацией для ИИ. Когда ИИ увидит этот паттерн, он поймёт, как обрабатывать зависимости, как запрашивать базу данных и как обрабатывать отсутствующие записи. Структура директорий, импорты, конфигурация тестового фреймворка — ИИ не должен принимать эти архитектурные решения.
2.2. Строгая типизация — ваш главный защитный барьер
Динамическая типизация становится ответственностью, когда код пишет ИИ. Сделайте аннотации типов обязательными, а не «приятным дополнением». Запустите mypy в строгом режиме и сделайте прохождение проверок типов необсуждаемым требованием.
Строгие типы ловят ошибки ИИ до того, как они попадут в продакшен. ИИ не может вернуть неоднозначные типы или принять параметры, которые «может быть, строка, а может быть, список». Более того, строгие типы заставляют ИИ проектировать лучше: агент, пишущий функцию с data: dict , может сделать множество предположений о содержимом словаря. Агент, пишущий функцию с data: UserCreateRequest , где UserCreateRequest — модель Pydantic, имеет ровно один вариант интерпретации.
2.3. Spec-Driven Development: сначала спецификация, потом код
Один из самых ценных советов из годового опыта работы с ИИ-агентами: изучите методологию Spec-Driven Development. Без этого «агент будет творить на вашем проекте, что ему вздумается».
Идея проста: сначала фиксируете спецификацию, описываете требования, архитектурные решения и границы — и только потом просите ИИ генерировать код. Это перекликается с принципом «ИИ надо отдавать реализацию, а не продумывание»: зафиксируйте всё до того, как ИИ начнёт работу, иначе он закроет каждую недосказанность своей догадкой.
Изучите фреймворки OpenSpec и Spec Kit от GitHub — они помогают структурировать процесс. Также рекомендуется изучить «8 уровней агентной инженерии» — путь от автодополнения кода до полноценных агентных пайплайнов.
2.4. Управляйте контекстом и промптами как инженерной задачей
Промпты для кода — это не «поболтать с чат-ботом». Подходите к ним как к техническому заданию для джуна. Начинайте промпт с чёткого действия, ожидаемого результата и важных ограничений. Когда возможно, указывайте конкретный файл, сервис или компонент, где должно произойти изменение.
Ключевые правила:
2.5. Тесты как поведенческий ограничитель
Используйте покрытие кода как ограничитель поведения ИИ. Автоматизируйте проверки от начала до конца. Если у вас есть тесты, которые ИИ не может обойти, он вынужден генерировать код, соответствующий ожидаемому поведению.
TDD в контексте работы с ИИ становится не просто методологией, а механизмом контроля. Сначала пишете тест (или просите ИИ написать тест на основе спецификации), затем — код, который этот тест проходит. Это снижает риск «работающего, но неправильного» кода.
2.6. Архитектурные правила для агентов: «конституция» проекта
Вместо того чтобы слепо доверять выводу ИИ, создайте «конституционную структуру» , которая направляет поведение агента. Это набор правил, обеспечивающих согласованный, безопасный и поддерживаемый код.
Практические правила для генерации кода:
Эти правила можно оформить как конфигурационные файлы для ваших AI-инструментов (например, .claude-code-rules или аналогичные). Цель — сделать так, чтобы ИИ не мог сгенерировать код, нарушающий ваши стандарты.
2.7. Разделяйте роли: архитектор, программист, ревьюер
Опытные разработчики, успешно работающие с ИИ, используют разделение ролей. ИИ может выступать в разных режимах: генерация кода, ревью, написание тестов, документация. Но ключевое решение — за человеком.
В комментариях на Хабре подчёркивается: «Разработка с помощью ИИ предъявляет колоссальные требования к компетенции программиста… наиболее эффективны маленькие команды, состоящие из сверхквалифицированных профессионалов, управляющих ИИ-конвейером на совершенно ином уровне абстракции».
Это означает, что роль человека смещается от написания кода к:
2.8. Не отдавайте ИИ то, что должны придумать сами
Финальный и, возможно, самый важный совет: думать — дорого, и это ваша работа. ИИ надо отдавать реализацию, а не продумывание. Если вы делегируете ИИ не только написание кода, но и понимание задачи, вы теряете ключевой навык — способность видеть систему целиком.
Комментаторы на Хабре отмечают: «Без навыка писать код руками (знаешь, как всё устроено под капотом) невозможно провалидировать результат работы нейросетей». Энтузиасты, которым «в кайф писать код ручками», остаются теми, на кого «весь мир в итоге держится».
Заключение
Анализ обсуждений на Хабре показывает: проблема не в ИИ как таковом, а в том, как его используют. Новички рискуют так и не научиться думать, если будут только копировать сгенерированный код. Опытные разработчики рискуют потерять контроль над кодовой базой, если будут делегировать ИИ архитектурные решения. Бизнес рискует получить «работающий, но неподдерживаемый» код, который развалится через месяцы.
Но те, кто осознанно выстраивает процесс работы с ИИ — с чёткими спецификациями, строгой типизацией, тестами и архитектурными правилами — получают мультипликативный эффект: скорость генерации кода сочетается с поддерживаемостью и качеством.
ИИ не заменит программиста. Но он заменит того, кто не умеет с ним работать — не как с «волшебной кнопкой», а как с инструментом, требующим инженерной дисциплины.
Источники
Основные:
Дополнительно (упоминаются в тексте): тематические обсуждения на Хабре и смежных площадках о выгорании при ревью ИИ-кода, техническом долге, «нейрослопе» в резюме и деградации навыков у разработчиков, активно использующих нейросети.
// там свыше 200 источников