Midjourney и другие нейросети - страница 1251

Новый комментарий
Vitaliy Kuznetsov #:

DeepSeek V4.1 Flash-1017: большой скачок в агентных задачах

В код арене сразу после Qwen 3.8 Max. Проще говоря, все остальные китайские модели на данный момент позади.


Как заставить DHS правильно читать PDF и Docx


//текст DeepSeek 4.1 Flash 1017 в DHS. Картинка ChatGPT. Разработано лично для себя, но вижу потенциальную пользу большинству, поэтому и публикую free, дорабатывайте уже сами (если что-то важное нашли, пишите, обновлю архив спустя несколько улучшений), но и так норм.

Знакомая история: прикладываешь к диалогу docx со списком источников — DHS показывает его как обычный текст, и половина значений из таблиц исчезает. Или агент находит в интернете нужный PDF, открывает его и говорит «не могу прочитать». Выглядит как поломка модели, но модель тут ни при чём: у неё просто нет правильного инструмента.

Причина в том, что у DSH несколько разных путей для документов. Загрузка файла в чат превращает его в текстовый слой: таблица в docx — не абзацы, а отдельный объект, поэтому при конвертации в txt объединённые ячейки съезжают, а часть значений теряется. С PDF в интернете другая беда: просмотр страниц отдаёт текст HTML, но PDF — бинарный формат, который он не парсит. OCR «из коробки» тоже нет. В итоге модель умеет читать таблицы, но в контекст попадает каша.

Решение простое по идее: документ нужно не «загружать в чат», а конвертировать в рабочей папке в Markdown — и уже оттуда брать данные. Для этого и собран doc2md-kit : один конвертер, который разбирает docx и PDF структурно, а не «на глаз».

Что делает конвертер

Docx читается через python-docx: заголовки, списки (включая автонумерацию Word), жирность и курсив — в том числе заданные character styles, объединённые ячейки таблиц (HTML rowspan / colspan ), сноски и картинки. PDF читается через PyMuPDF: текстовый слой плюс настоящие таблицы ( find_tables ). Страницы без текстового слоя (сканы) рендерятся в PNG, которые модель смотрит через read_image — для таблиц это точнее классического OCR, потому что модель видит структуру, а не только символы.

На выходе — Markdown с YAML-шапкой: source , sha256 , converted_at . Это не украшение: любую цифру потом можно привязать к конкретному файлу и его версии. На реальных документах проверено: 91-страничный акт ЕАЭС с таблицами разбирается за 8 секунд и даёт 137 таблиц; учебник с CID-кодированным текстом читается без хаков; скан превращается в PNG и распознаётся моделью.

Что в архиве и как им пользоваться

В doc2md-kit лежит не один скрипт, а готовый комплект:

  • install.ps1 — находит Python из рантайма DSH, копирует инструменты в ~/.dsh/tools/doc2md , доустанавливает PyMuPDF, прописывает глобальное правило в ~/.dsh/AGENTS.md и прогоняет самопроверку на образцах;
  • uninstall.ps1 — аккуратно убирает всё обратно, не трогая остальной текст глобального AGENTS.md ;
  • tools/ — сам конвертер ( doc2md.py , docx_md.py ) и .cmd -запускалка;
  • sample/ — образцы: docx с таблицами, списками и объединёнными ячейками, PDF с рамками и «сканом», docx с таблицей-картинкой;
  • README.md — установка, опции, troubleshooting;
  • AGENT-SETUP.md — самодостаточное задание для ИИ-агента: развернуть комплект на новой машине, проверить и отчитаться;
  • MIGRATION.md — чек-лист для проекта, который переходит на doc2md со своих самописных скриптов;
  • article.md — эта статья.

Порядок простой: распаковать архив, запустить install.ps1 , открыть новую сессию DSH. После этого в любой рабочей папке агент видит глобальную инструкцию и конвертирует документы одной командой. Сам конвертер понимает не только docx и pdf, но и html, xlsx, csv и ссылки на документы; результат — .md , который читается постранично, без раздувания контекста.

//по логике вещей, просто кидаете архив в чат, просите ИИ сказать что там такое, безопасно ли, что он думает по этому поводу, потом он сам предложит как сделать правильно установку.

Какие возможности это даёт DSH

  1. Документы становятся штатной возможностью агента. Не «повезло, что в сессии был нужный скрипт», а один инструмент во всех сессиях и папках: установил комплект — работает.
  2. Таблицы, а не текст. Рамки, merged-ячейки, списки и выделения сохраняются; для таблиц без рамок есть осознанный флаг --table-strategy text , а не рискованная эвристика.
  3. Сканы и таблицы-картинки читаются через зрение модели. Ни Tesseract, ни отдельный OCR ставить не нужно: страница/картинка рендерится в PNG, модель переносит её в Markdown.
  4. Диагностика до конвертации. --diagnose показывает постранично: сколько знаков, есть ли картинки и таблицы, это текст или скан, и каков вердикт по файлу. Можно заранее выбрать стратегию, а не выяснять постфактум.
  5. Повторяемость и провенанс. sha256 в каждой шапке, самопроверка установщика, AGENT-SETUP.md для развёртывания на другой машине — результат не зависит от того, кто и когда конвертировал.
  6. Один инструмент вместо зоопарка скриптов. Агент перестаёт писать ad-hoc-экстракторы под каждый документ, а проект — хранить пять разных конвертеров с частично пересекающимися возможностями.

Насколько это лучше штатных методов

Если оценивать по десятибалльной шкале на реальных документах, штатные средства DSH — это примерно 3 из 10: текст они достают, но таблицы при загрузке в чат теряются, PDF с сайта не читается, а python-docx и LibreOffice Kit требуют писать отдельный скрипт под каждую задачу. Наш конвертер в тех же тестах — около 8,5 из 10 и порядка 85% покрытия реальных сценариев: docx с объединёнными ячейками, списками и character styles, PDF с рамками и без, сканы и таблицы-картинки через зрение модели, провенанс с sha256. По грубой оценке, на извлечении документов это экономит 70–90% времени: одна команда и глобальное правило вместо ad-hoc-кода в каждой сессии.

При этом 8,5, а не 10, — честно: конвертации нужен shell с полным доступом (в workspace-write PowerShell в DSH падает), PyMuPDF после пересоздания рантайма может потребоваться переустановить, извлечение таблиц остаётся best-effort — сложные шапки надо сверять с рендером страницы, а плохие сканы и рукописный текст это не OCR, а зрение модели. Поэтому разумная конфигурация — doc2md как основной путь, pandoc и python-docx как контрольные fallback: если DSH когда-нибудь начнёт поставлять собственные парсеры документов, часть слоя можно будет просто убрать.

Чего ждать не стоит: извлечение таблиц из PDF — best-effort. Сложные шапки иногда «плывут», и тогда страницу надо отрендерить и сверить глазами — конвертер специально оставляет PNG рядом с результатом. Числа, дозы и факты всё равно берутся только из первоисточника, а не из пересказа модели.

Если у вас DSH на Windows — распакуйте архив и запустите install.ps1 ; если машина новая и ставить должен агент — отдайте ему AGENT-SETUP.md . Дальше документы конвертируются одной командой, а не превращаются в txt с потерянными таблицами.

MiniMax M3.1 Flash: почти втрое быстрее и дешевле


//текст и обложка ChatGPT

19 октября 2026 года китайская компания MiniMax представила M3.1 Flash — языковую модель для программирования, автоматизации рабочих процессов и ИИ-агентов. По заявлению разработчиков, скорость генерации выросла почти втрое, а стоимость выполнения агентных задач снизилась на 70% по сравнению с предшественником. Но насколько хорошо модель справляется с работой на практике?

Интерес к новинке возник ещё до официального релиза. В сентябре модель появилась на платформе OpenRouter под названием Space Bunny Alpha и некоторое время работала анонимно. MiniMax подтвердила, что это была ранняя версия M3.1 Flash, обработавшая более 200 триллионов токенов в ходе тестирования. По данным OpenRouter, обратная связь пользователей помогла разработчикам исправить ошибки и улучшить производительность.

Что показали бенчмарки

MiniMax опубликовала собственные результаты сравнительных тестов. Картина интересная: модель особенно сильна в автоматизации, но в программировании пока не обходит всех конкурентов.

Бенчмарк M3.1 Flash DeepSeek V4.1 Flash 1017
Automation-Bench — агентные задачи 62,8 60,5
DeepSWE v1.1 — программирование 73,7% 77,0%
Terminal Bench 4.0 — работа через терминал 38,1 42,3

Источник: сравнительная таблица MiniMax. Результаты зависят от методики и настроек тестирования.

В OSWorld V2, проверяющем способность управлять компьютером и выполнять задачи в приложениях, M3.1 Flash набрала 61,7 балла. Для сравнения, в таблице компании GPT-5.6 Sol получила 65,7, а Claude Opus 5 — 70,6.

В CyberGym, тесте возможностей обнаружения и проверки программных уязвимостей, разработчики заявляют результат 82%. Это хороший показатель, однако независимого подтверждения результатов именно финальной версии пока нет.


Скорость и стоимость

Заявленная цена API составляет $0,15 за миллион входных токенов и $0,60 за миллион выходных. Чтение кешированных входных токенов стоит $0,015 за миллион. Контекст модели достигает миллиона токенов, а на вход она принимает текст, изображения и видео.

MiniMax утверждает, что в обычной работе скорость генерации может превышать 200 токенов в секунду, а медианная скорость составляет более 170 токенов в секунду. Независимые измерения OpenRouter во время анонимного тестирования также фиксировали улучшение: скорость генерации выросла примерно с 70 до 100 токенов в секунду, а доля ошибок снизилась с 1,4% до 0,7%. Эти измерения относятся к периоду предварительного тестирования, а не к независимому испытанию финального релиза.

Модель уже доступна через API MiniMax, подписку M Plan и MiniMax Code. Согласно опубликованной информации, веса модели планируют открыть 23 октября.

Первые отзывы и ограничения

В обсуждениях Space Bunny и предварительной M3.1 Flash разработчики отмечали высокую скорость, полезность для агентных сценариев и хорошие результаты при создании интерфейсов и веб-приложений. Встречались и более сдержанные оценки: пользователи указывали на нестабильность в отдельных задачах и на то, что высокая скорость сама по себе не гарантирует качественного результата.

Пока это преимущественно индивидуальные впечатления от ранних версий. Полноценных независимых обзоров финального релиза и повторных сравнительных тестов ещё недостаточно, чтобы делать окончательные выводы.

M3.1 Flash выглядит перспективной недорогой моделью для тех, кто регулярно использует ИИ-агентов и автоматизирует разработку. Она не лидирует во всех тестах, но сочетание скорости, цены и результатов в агентных задачах делает её интересной альтернативой более дорогим моделям. Главный вопрос теперь — сохранится ли это преимущество на сложных реальных проектах.

Источники

//в код арене не выдающийся результат


Разное. Миджорни


1...12441245124612471248124912501251
Новый комментарий