ФорумРазделы

Midjourney и другие нейросети - страница 1255

Новый комментарий

OpenAI представила Images 2.6 — генерация изображений стала быстрее, а картинки научились двигаться.

//текст ChatGPT

Главная новинка обновления — возможность создавать анимированные GIF прямо в ChatGPT. Можно оживить персонажа, логотип, фотографию или даже простой рисунок, превратив его в короткую зацикленную анимацию.

Но не только GIF:

  • На 50% быстрее — генерация изображений заметно ускорилась.

  • Лучше сохраняет детали — персонажи, товары и фирменные элементы остаются более последовательными при серии правок.

  • Точечное редактирование — можно указывать конкретные области изображения, которые нужно изменить.

  • SVG-экспорт — поддержка в API для создания векторной графики.

  • Больше контроля — разработчики получили новые настройки качества и сложности генерации.

В API появились две модели: Flare для быстрой генерации и Sunburst для более детализированных изображений и точного редактирования.

Images 2.6 уже разворачивается в ChatGPT и Codex на всех тарифах.

Похоже, генерация изображений постепенно превращается из инструмента для создания отдельных картинок в полноценную среду для производства визуального контента — от иллюстраций до анимации и готовых дизайнерских материалов.

Источник: OpenAI — Introducing Images 2.6

Vitaliy Kuznetsov #:
ИИ-компаньона дома или пока это слишком необычная перспектива?

не ради ИИ помощников работает подобная индустрия :-)

Программирование в эпоху ИИ: индустрия потеряла привычные ориентиры


//текст и обложка ChatGPT.

Ещё недавно главной дискуссией в IT было то, способен ли искусственный интеллект заменить программистов. Теперь вопрос постепенно меняется: ИИ уже пишет код, создаёт приложения, исправляет ошибки и выполняет задачи, на которые раньше уходили дни. Но вместе с ростом возможностей возникла неожиданная проблема: сама индустрия разработки пока не понимает, как работать в новых условиях.

На Хабре всё чаще появляются статьи, в которых программисты и руководители команд обсуждают не столько качество нейросетей, сколько последствия их внедрения. И наиболее интересные наблюдения касаются даже не кода, а планирования, найма, управления людьми и ответственности за конечный продукт.

Похоже, IT переживает один из самых серьёзных организационных переломов за последние десятилетия.

Скорость выросла, а предсказуемость снизилась

Раньше руководитель разработки примерно понимал, сколько времени потребуется на создание определённого модуля. Были опыт сотрудников, история предыдущих задач, оценки сложности и понятные этапы работы.

Теперь разработчик может поручить ИИ создание целого функционального блока и получить первый результат за несколько десятков минут. Но сколько времени потребуется, чтобы проверить его, исправить ошибки, устранить уязвимости и довести до промышленного качества, заранее оценить гораздо сложнее.

Возникает парадокс: производство кода ускоряется, но сроки выпуска готового продукта не обязательно сокращаются пропорционально.

Это подтверждает исследование NBER, опубликованное в 2026 году. Учёные проанализировали данные более 500 тысяч разработчиков GitHub и обнаружили, что автономные ИИ-агенты увеличивают количество коммитов примерно на 240% относительно базового уровня. Однако прирост на уровне реальных выпусков продуктов составляет уже около 30%.

Иными словами, между созданием кода и поставкой работающего продукта остаётся значительная дистанция.

Тимлиды оказались под дополнительной нагрузкой

Особенно непростая ситуация складывается у технических руководителей.

Если каждый разработчик начинает производить значительно больше кода, кому-то необходимо проверять этот результат, следить за архитектурой, совместимостью компонентов и общим качеством системы.

При этом ИИ может самостоятельно писать тесты и проводить код-ревью. Но возникает закономерный вопрос: насколько надёжна проверка, если и сам проверяющий, и автор кода используют одну и ту же технологию, способную допускать похожие ошибки?

Появляется ещё одна проблема — когнитивный долг. Команда постепенно накапливает код, который работает, но не все участники разработки понимают, как именно он устроен. Через некоторое время даже небольшое изменение может потребовать серьёзного погружения в систему.

В результате тимлиду приходится одновременно управлять людьми, контролировать ИИ-агентов, принимать архитектурные решения и отвечать за качество продукта.

Показательно, что в исследовании Atlassian 2026 года только 17% разработчиков сообщили о наличии в своих организациях чёткой и реально внедрённой стратегии использования ИИ на всех этапах разработки. При этом 75% отметили, что получили больше ответственности за проверку качества и безопасности результатов ИИ.

Собеседования и найм тоже меняются

Традиционные технические собеседования постепенно теряют часть своей ценности.

Если кандидат привык решать задачи с помощью ИИ, проверка того, насколько быстро он способен написать алгоритм самостоятельно, уже не отражает его реальную эффективность в современной рабочей среде.

Но и просто разрешить пользоваться нейросетью недостаточно. Работодателю нужно понять, умеет ли человек оценивать предложенные решения, находить ошибки, понимать архитектуру и отвечать за результат.

Получается непростая ситуация: компании ещё не выработали универсальных методов оценки специалистов, а требования к ним уже меняются.

Отдельная проблема касается начинающих программистов. Раньше простые задачи были естественной ступенью профессионального роста. Теперь значительную их часть выполняет ИИ, а работодатели всё чаще ожидают от сотрудников самостоятельности и способности решать комплексные проблемы.

Возникает вопрос: где будущие опытные разработчики будут получать необходимый практический опыт, если начальный этап карьеры постепенно автоматизируется?

От программиста ждут универсальности

Меняется и само представление о хорошем разработчике.

Раньше ценились специализация, глубокое знание определённой технологии и способность качественно выполнять свою часть работы. Теперь всё чаще ожидается, что один специалист сможет самостоятельно разобраться в требованиях бизнеса, спроектировать решение, организовать работу ИИ-агентов, проверить результат и довести продукт до выпуска.

Такая универсальность привлекательна для работодателей: меньше согласований, меньше зависимостей между специалистами, потенциально более компактные команды.

Но здесь есть существенное противоречие. Хороший инженер не обязательно является хорошим архитектором, аналитиком или руководителем. Глубокая техническая специализация и способность постоянно переключаться между десятком разных задач — совершенно разные профессиональные качества.

Попытка превратить каждого разработчика в универсального исполнителя может привести не к повышению эффективности, а к потере глубины экспертизы.

Проблема шире самой разработки

Есть ещё один момент, который часто упускают из виду: ускорение написания кода не означает автоматического ускорения всего бизнеса.

Разработка может подготовить новую функцию за день, но требования заказчика, согласования, тестирование, юридические вопросы, маркетинг и продажи никуда не исчезают.

Более того, когда производство кода перестаёт быть главным ограничением, на первый план выходят другие узкие места. Компании, которые не пересмотрят процессы целиком, рискуют получить гораздо больше программного обеспечения, но не обязательно больше полезного результата.

Одновременно возникает зависимость от внешних моделей, сервисов и инфраструктуры. Компании должны учитывать вопросы конфиденциальности, доступности инструментов, стоимости использования и возможности продолжать работу при ограничении доступа к отдельным поставщикам.

Индустрия ищет новые правила

Пока нет единого ответа, какой должна стать разработка программного обеспечения в ближайшие годы.

Одни компании экспериментируют с небольшими командами, в которых каждый специалист управляет несколькими ИИ-агентами. Другие сохраняют привычную структуру, постепенно внедряя автоматизацию отдельных этапов. Третьи пересматривают процессы найма, код-ревью и контроля качества.

Но уже становится понятно, что прежние критерии эффективности постепенно устаревают. Количество написанного кода, скорость выполнения отдельных задач и даже число закрытых тикетов всё хуже отражают реальную ценность работы.

Вероятно, всё большую роль будут играть системное мышление, техническая экспертиза, умение проверять автоматизированные решения и способность принимать ответственность за конечный результат.

ИИ не просто ускоряет программирование — он меняет распределение ответственности внутри всей индустрии. Код становится дешевле и доступнее, но понимание системы, контроль качества и правильная постановка задач никуда не исчезают.

Возможно, именно поэтому сегодня так много растерянности среди опытных специалистов. Технологии уже изменились, а новые правила профессии, карьеры и управления разработкой ещё только формируются.

И пока никто не может уверенно сказать, какой будет обычная работа программиста через три-пять лет.

ИИ не особо то сильно и ускоряет. Точнее ускоряет но не как в инфоцыганщине "смотрите - кормлю клоду промпт с рефами, он выдаёт AAAA-игру"

При жёстком контроле процентов на 20-30 (что в принципе тоже дофига, но не как в рекламе), зато берёт на себя тьму сермяжной работы. Без контроля делает тупиковый вариант, у которого цена сопровождения и поддержки идёт в экспоненту

Vitaliy Kuznetsov #:

Программирование в эпоху ИИ: индустрия потеряла привычные ориентиры

...

ИИ не просто ускоряет программирование — он меняет распределение ответственности внутри всей индустрии...


... весьма полезные статьи публикуете.., для понимания и анализа текущей ситуации в сфере ИИ...

... спасибо...

Новости ИИ за неделю: 1–7 ноября 2026


//текст и обложка ChatGPT

На этой неделе искусственный интеллект сделал ещё несколько шагов от обычного чат-бота к самостоятельному выполнению сложных задач. OpenAI представила специализированную модель для кибербезопасности, ИИ всё активнее используют в научных исследованиях, а разработчики продолжают совершенствовать генерацию изображений и видео. Но независимые тесты показывают: до полностью автономных цифровых сотрудников пока далеко.

OpenAI представила GPT-6 Cyber — модель для поиска уязвимостей

Одним из главных событий недели стал выпуск GPT-6 Cyber — специализированной модели OpenAI для исследований в области кибербезопасности. Она умеет искать уязвимости, разрабатывать способы их эксплуатации и предлагать исправления.

Результаты впечатляют: в ходе испытаний модель обнаружила 81 ранее неизвестную уязвимость высокой степени опасности в Firefox. В исследовании ядра Linux GPT-6 Cyber воспроизвела 1724 уязвимости и разработала работающие эксплойты для 948 из них. При этом 304 критические находки были переданы сопровождающим ядра вместе с вариантами исправлений.

В тесте ExploitGym результат модели составил 48,5% против 32,1% у предыдущей GPT-5.6 Cyber. Отдельное внимание OpenAI уделила ограничениям доступа: модель должна проводить исследования только в пределах разрешённых систем и заданных полномочий.

Важно, что GPT-6 Cyber пока не является обычной общедоступной моделью. На начальном этапе доступ предоставляется отобранным организациям и специалистам по информационной безопасности через программу Daybreak Red.

Это важный поворот: ИИ становится не только инструментом для поиска информации о киберугрозах, но и полноценным участником процесса обнаружения и устранения уязвимостей.

ИИ всё активнее участвует в научных исследованиях

OpenAI представила BioBasicsBench — новый тест, разработанный совместно с биотехнологической компанией Ligo. Он оценивает способность ИИ-агентов выполнять типовые задачи в биологических лабораториях.

В тесте 100 заданий, для решения которых необходимо анализировать реальные экспериментальные данные: изображения гелей, микроскопию, результаты измерений, последовательности ДНК и другие материалы.

На максимальном уровне рассуждений GPT-6 Astra набрала 66,7% доступных баллов, тогда как GPT-5.6 Sol показала 43,8%. При этом сама OpenAI отмечает, что модели пока испытывают трудности с интерпретацией изображений, проверкой контрольных образцов и учётом экспериментального контекста.

Ещё один интересный результат представила Anthropic. Исследовательская группа компании сообщила о получении первой трёхмерной структуры так называемой vault-частицы, обнаруженной у прокариотических организмов. Это крупная белковая структура, функция которой до сих пор остаётся неизвестной.

Claude помогал на разных этапах работы: от поиска информации и разработки метода выделения частиц до обработки данных криоэлектронной микроскопии. Полученная структура состоит из 96 копий одного белка бактериофага.

Это пока не означает, что ИИ самостоятельно открыл новую функцию биологической структуры. Но подобные проекты показывают, как модели начинают участвовать в полноценном исследовательском процессе.

OpenAI Images 2.6 и новый скачок в генерации видео

OpenAI выпустила Images 2.6 — обновление генерации изображений в ChatGPT, Codex и API.

По заявлению компании, изображения теперь создаются примерно на 50% быстрее. Но самое заметное нововведение — возможность создавать анимированные GIF непосредственно из текстового описания или изображения.

Также появились SVG-экспорт, разметка изображений для API и новый параметр сложности, позволяющий управлять глубиной планирования сцены. Разработчики получили больше возможностей для точечного редактирования и сохранения внешнего вида персонажей, объектов и фирменных элементов между правками.

Google тоже обновила инструменты генерации видео. Модель Gemini Omni 1.2 Flash теперь умеет создавать ролики продолжительностью до 15 секунд вместо прежних 10. Поддерживается последовательное редактирование видео через диалог с моделью, улучшена согласованность персонажей и объектов между сценами.

Стоимость генерации снизилась на 30% и составляет $0,07 за секунду видео в разрешении 720p. Результаты также маркируются невидимым водяным знаком SynthID.

Конкуренция в генерации видео постепенно смещается от демонстрации впечатляющих коротких роликов к более длинным сценам, управляемому редактированию и снижению стоимости производства.

Новые модели: Thinking Machines и Baidu

На этой неделе появились сразу две интересные модели на архитектуре Mixture of Experts (MoE).

Thinking Machines представила Inkling 2 Small. Модель содержит 594 млрд параметров, из которых 17 млрд активируются при обработке одного запроса. Она поддерживает изображения, сложные рассуждения, агентное программирование и работу с длительными задачами.

В Artificial Analysis Intelligence Index модель получила 31 балл. Пока она доступна через платформу Tinker с закрытыми весами. Thinking Machines планирует открыть их под лицензией Apache 2.0 после дополнительного тестирования безопасности.

Китайская Baidu выпустила ERNIE 5.5 Flash Base — базовую модель на 280 млрд параметров с 14 млрд активных. Она обучалась на 33,5 трлн токенов и поддерживает контекст до одного миллиона токенов на этапе последующего обучения и инференса. Веса уже доступны на Hugging Face в форматах FP8 и BF16.

Здесь есть важная особенность: ERNIE Base выпущена без дополнительного постобучения и настройки поведения. Это скорее фундамент для разработчиков, которым предстоит самостоятельно адаптировать модель под свои задачи, а не готовый чат-бот.

ИИ-агенты учатся запоминать, торговать и работать в командах

Anthropic описала новый подход к организации памяти ИИ-агентов, названный Dreaming («сновидение»).

Идея заключается в том, что агент не просто записывает важные сведения во время работы, но и периодически возвращается к истории предыдущих сессий. В свободное от основных задач время модель анализирует записи, исправляет ошибки, объединяет информацию и создаёт структурированные базы знаний, напоминающие внутренние вики.

В одном из экспериментов Claude работал с архивом из 350 тысяч документов. По мере увеличения количества циклов Dreaming с 2 до 128 результат на наборе из 25 вопросов вырос с 13% до 48% оцениваемых критериев при использовании созданной базы знаний без дополнительного поиска.

Другой эксперимент Anthropic был связан с многопользовательской онлайн-игрой EVE Online. Компания проверяла, насколько хорошо ИИ-агенты способны торговать, управлять ресурсами и взаимодействовать друг с другом.

Результаты оказались неоднозначными. Новые модели значительно лучше справлялись с виртуальной торговлей, а средний заработок вырос втрое между старшей и более новой тестируемой моделью. Однако в командной игре агенты практически не могли обнаружить участника, который намеренно саботировал общую работу.

Это наглядная демонстрация одной из главных проблем агентных систем: даже если несколько моделей способны успешно сотрудничать, они пока далеко не всегда умеют проверять намерения друг друга и обнаруживать обман.

Реальность оказалась сложнее рекламных демонстраций

Показательный результат опубликовала аналитическая компания SemiAnalysis. Её новый тест GDPx проверяет ИИ-агентов не на отдельных вопросах, а на выполнении 206 практических задач в профессиональных программах и рабочих средах. Некоторые задания требуют до восьми часов работы.

Лидером стал Claude Opus 5.5 с результатом 12%. Далее идут Gemini 4 Carbon с 10,9% и GPT-6 Astra с 9,6%.

Важно понимать методику: это доля выполненных критериев, а не процент полностью завершённых проектов. По строгому стандарту ни одна модель не справилась с задачами целиком. Кроме того, тест вызвал вопросы по поводу различий в программной среде агентов и влияния защитных ограничений.

Ещё одно исследование Стэнфордского университета показало, насколько быстро устаревают выводы об ИИ. Учёные проверили 50 широко цитируемых утверждений о языковых моделях на 20 разных моделях. К сентябрю 2026 года 44% этих утверждений уже перестали подтверждаться, а ещё 34% существенно ослабли.

Получается парадокс: модели совершенствуются настолько быстро, что даже научные публикации об их возможностях могут терять актуальность за относительно короткое время.

Дата-центры становятся политической и энергетической проблемой

На фоне быстрого роста ИИ-индустрии всё острее встаёт вопрос инфраструктуры. Строительство крупных вычислительных центров требует огромных объёмов электроэнергии и расширения местных электросетей.

OpenAI объявила, что откажется от использования соглашений о неразглашении с местными государственными чиновниками при реализации проектов дата-центров. Компания также заявила, что будет оплачивать полную стоимость потребляемого электричества и необходимой инфраструктуры, публиковать прогнозы создания рабочих мест и отчитываться о местном найме.

Ранее OpenAI запустила программу Grid Protectors, в рамках которой будущие вычислительные кампусы должны будут снижать потребление энергии в периоды высокой нагрузки на электросеть.

Это не просто корпоративная инициатива. Расширение ИИ-инфраструктуры всё чаще сталкивается с сопротивлением местных сообществ, обеспокоенных стоимостью электричества, нагрузкой на сети и экологическими последствиями.

Главное за неделю

Главная тенденция становится всё очевиднее: ИИ выходит за пределы обычных чат-ботов. Модели начинают искать уязвимости в программном обеспечении, помогать в научных исследованиях, работать с большими массивами документов и выполнять продолжительные последовательности действий.

Одновременно становится заметно, что реальная автономность пока значительно отстаёт от демонстрационных возможностей. Агентам ещё сложно долго работать без ошибок, проверять действия других систем и самостоятельно справляться со сложными профессиональными задачами.

Следующий этап развития ИИ, похоже, будет определяться не только тем, насколько умной стала модель, но и тем, насколько надёжно она способна работать в реальных условиях.

Источники

1...12481249125012511252125312541255
Новый комментарий