Владимир Дьячков PhD

Что такое OpenScience и зачем он нужен? OpenScience — это браузерный рабочий стол для научных исследований, собранный в виде открытого проекта с лицензией Apache 2.0. Он умеет пройти весь «исследовательский цикл»: от чтения литературы и формулирования гипотезы до написания кода, проведения экспериментов, анализа результатов и подготовки отчёта. Главное отличие от коммерческих аналогов — полная открытость и возможность использовать любую модель ИИ (Claude, GPT, Gemini, локальные fine‑tune и т.д.) без привязки к одному вендору. Как быстро запустить OpenScience Установите глобально через npm:npm install -g @synsci/openscience Запустите команду openscience — откроется окно в браузере. При первом запуске выберите один из вариантов: «Atlas managed models» (если хотите… ➡️➡️➡️

Что такое Sakana Translate и зачем он нужен? Sakana Translate — это веб‑приложение для двунаправленного перевода между японским, английским и китайским языками. Оно построено на модели Namazu, адаптированной под японский контекст, и позиционирует себя как «глубокий перевод для Японии». Иными словами, сервис пытается передать не только смысл, но и тон, уровень вежливости и культурные нюансы. Три режима в одном окне Все функции доступны на одной странице, без необходимости переключать инструменты: Translate — перевод текста (до ≈ 5 000 японских символов). Вывод происходит потоково, как в чат‑ботах, поэтому не нужно ждать готового результата. Proofread — улучшение черновика. Система показывает diff, отмечая, какие фразы изменились, и может корректировать… ➡️➡️➡️

Что такое legal‑kb? legal‑kb – готовое веб‑приложение, построенное на базе TanStack Start. Пользователь регистрируется, создаёт проект, загружает файлы и взаимодействует с чат‑агентом. Каждый проект автоматически получает управляемый LlamaCloud Index v2, в который файлы парсятся и индексируются в фоне. При каждом запросе агент обращается к живому индексу и формирует ответ на основе актуальных данных. Retrieval Harness простыми словами Harness – это постоянный конвейер данных: он подключается к источнику файлов, индексирует их и поддерживает актуальность. На верх этого конвейера накладывается набор «инструментов», к которым имеет доступ агент. Инструменты имитируют привычные операции файловой системы: список файлов, чтение, поиск по ключевым словам, регэксп‑grep и гибридный… ➡️➡️➡️

Claude Science — AI‑рабочая станция для учёных Anthropic в этом выпуске представил Claude Science — приложение‑помощник для исследователей, доступное в бета‑версии. Оно работает на тех же моделях Claude, что и обычный чат‑бот, но снабжено более чем 60 готовыми навыками и коннекторами, ориентированными на биомедицинские задачи. Что умеет Claude Science? Анализировать научную литературу и извлекать ключевые данные. Выполнять многошаговые анализы (RNA‑seq, CRISPR‑скрининг, предсказание структуры белков и т.д.) и сохранять полную историю их выполнения. Автоматически генерировать и редактировать фигуры, трёхмерные модели, треки геномных браузеров и химические структуры. Предоставлять готовый к публикации рукопись, проверяя ссылки, числа и соответствие фигур коду. Как работает многокомпонентная архитектура Вы… ➡️➡️➡️

Почему традиционное программирование роботов не масштабируется Кодировать роботов – всё равно что собирать мебель без инструкций: приходится вручную подгонять восприятие, динамику контактов, конфигурацию и отлавливать ошибки выполнения. Системы типа code-as-policy позволяют написать программу на естественном языке, но они работают в «грубой» среде: получают только общий фидбэк «задача выполнена/не выполнена». При сбое неясно, виновата ли камера, планировщик, захват или сам контроллер. И после завершения задачи всё исправление забывается – очередной робот‑агент не опытнее предыдущего. ASPIRE: агентическое программирование через итеративное исследование Группа исследователей из NVIDIA, Университета Мичигана, UIUC, UC Berkeley и CMU представила ASPIRE – систему непрерывного обучения, которая пишет, отлаживает и сохраняет… ➡️➡️➡️

Что такое Leanstral 1.5 Leanstral 1.5 — это код‑агент модель для Lean 4, системы доказательства теорем. Она умеет проверять каждый логический шаг механически, писать и дополнять доказательства, а также взаимодействовать с файловой системой и сервером языка Lean. Архитектура основана на Mixture‑of‑Experts (MoE): 128 экспертов, 4 активных на токен. Это позволяет держать вычислительные затраты низкими, сохраняя большую общую ёмкость модели. Объём модели — 119 млрд параметров, при этом активируется лишь 6,5 млрд на токен. Длина контекста достигает 256 k токенов, вход поддерживает текст и изображения, а вывод — только текст. Как Mistral обучала Leanstral 1.5 Обучение проходило в три этапа: предобучение, supervised fine‑tuning и reinforcement learning с использованием CISPO. Многотуровое окружение.… ➡️➡️➡️

Что такое мульти‑модальный RAG и зачем он нужен? Retrieval‑Augmented Generation (RAG) — это подход, когда генеративный язык‑модельный движок получает ответы на основе внешних данных, а не полагается только на внутреннюю «память». Когда документы бывают не только текстовыми, но и таблицами, формулами, графиками или изображениями, обычный текстовый поиск уже не справится. В этом случае в игру вступает мульти‑модальный RAG: система умеет извлекать сведения из разных типов контента, комбинировать их и подавать в удобном виде. Ключевые боли, которые решает гибридный поиск Низкая точность при запросах, где ответ требует совмещения нескольких модальностей (например, «покажи формулу, используемую в таблице 2 и объясни, как её применяют»). Слишком длинные… ➡️➡️➡️

Что такое diffusion-gemma-asr-small? diffusion-gemma-asr-small – это открытая модель распознавания речи, разработанная стартапом Interfaze (YC). Она переводит аудио в текст не автодегрессивным способом, а с помощью диффузионного декодера, прорабатывая все токены одновременно. Это первый в мире мультилингвальный диффузионный ASR‑модель, работающая с шести языками через один адаптер из ~42 млн параметров, подключённый к замороженному 26‑миллиардному бэкбону DiffusionGemma. Ключевые отличия от автодегрессивных моделей Автодегрессивные модели генерируют текст один токен за раз, диффузионные – сразу всё. Стоимость транскрипции зависит от количества денойзинг‑шагов, а не от длины аудио. Модель демонстрирует лучшие результаты среди диффузионных ASR (WER 6.6 % на LibriSpeech), хотя пока отстаёт от Whisper. Как это работает… ➡️➡️➡️

Что такое WebBrain и зачем он нужен? WebBrain — это бесплатное расширение‑агент для Chrome и Firefox, которое живёт в боковой панели браузера. Оно умеет читать содержимое страниц, извлекать из них данные и выполнять многошаговые действия: кликать, вводить текст, прокручивать, переходить по ссылкам. Главное отличие от большинства AI‑плагинов — возможность работать полностью на локальной модели, так что ваши данные никогда не покидают ваш компьютер. Два режима работы: Ask и Act WebBrain переключается между двумя режимами: Ask — только чтение. Расширение собирает текст и структуру страницы, но не вносит никаких изменений. Act — активный. Через Chrome DevTools Protocol (API chrome.debugger) агент генерирует “доверенные” события ввода, которые… ➡️➡️➡️

Почему ваш код генерирует PDF‑отчеты, а не просто текстовый файл? Если вы хоть раз пытались собрать экспериментальные результаты в красивый документ, то знаете, что простое print() уже не спасёт. На помощь приходит ReportLab – мощный, но при этом довольно лаконичный инструмент для создания PDF‑файлов из Python. В этом руководстве мы разберёмся, как из словаря d получить готовый трёхстраничный отчёт, и почему так устроено каждое поле. Что делает функция render_pdf? Функция render_pdf(d, path) берёт словарь d с метаданными эксперимента и формирует PDF‑файл в три страницы. При этом: Титульная страница содержит заголовок, авторов и abstract. Вторая страница – детали методики и таблица… ➡️➡️➡️

Quick facts Model: Claude Fable 5 (Mythos‑class model made safe for general use) Event: Redeployed 1 July 2026 after export controls were lifted Reason for pause: Amazon report on a safeguard bypass Fix: New safety classifier that blocks the reported technique Pricing: $10 / M input tokens, $50 / M output tokens Where: Claude Platform, Claude.ai, Claude Code, Claude Cowork What happened: the timeline Anthropic launched Fable 5 and Mythos 5 on 9 June 2026. Both share the same underlying model; Fable 5 ships with strong safeguards for general use, Mythos 5 with some safeguards lifted for trusted cybersecurity partners. On 12 June 2026 the US government applied export controls, forcing Anthropic to suspend access worldwide. The trigger… ➡️➡️➡️

TL;DR TwoTower разделяет диффузию на замороженную AR‑башню контекста и обучаемую башню денойзера. Сохраняет 98,7 % качества автокодировочного базиса при 2,42 × ускорении генерации (γ=0.8, S=16, 2×H100). Денойзер обучён на ≈2,1 трлн токенов; основной бэкбо́н предварительно обучен на 25 трлн токенов. Один чекпоинт поддерживает режимы диффузии, «mock‑AR» и классического AR. Nemotron‑Labs‑TwoTower TwoTower — блочно‑авторегрессивная диффузионная модель, построенная на Nemotron‑3‑Nano‑30B‑A3B (открытый гибридный бэкбо́н). В каждый из двух «башен» входит 52 слоя: 23 Mamba‑2, 6 self‑attention и 23 Mixture‑of‑Experts. Общее количество параметров ≈ 60 млрд, активных ≈ 3 млрд на токен в каждой башне. MoE использует 128 экспертов, из них активируются 6 + 2 общих. Обучена только денойзер‑башня; контекст‑башня остаётся замороженной и сохраняет способности автокодировочного предобучения. Как работает TwoTower Контекст‑башня обрабатывает подсказку… ➡️➡️➡️

TL;DR Brain2Qwerty v2 дешифрует наборные предложения из неинвазивных MEG‑сигналов в режиме реального времени. Средняя точность слов достигает 61 % (WER ≈ 39 %). Лучший испытуемый – 78 % точности, более половины предложений с одной ошибкой или менее. Пайплайн: сверточный энкодер → трансформер → символьная языковая модель + дообученные LLM. Точность растёт лог‑линейно с объёмом данных; код обеих версий открыт под CC BY‑NC 4.0. Что такое Brain2Qwerty v2? Это система «мозг‑текст», переводящая сырые нейронные сигналы в символы, а затем в слова и предложения. Обучение проходило на ≈22 000 предложений, записанных у 9 добровольцев (примерно 10 ч в расчёте на участника) с помощью магнитно‑энцефалографии (MEG). MEG фиксирует магнитные поля, возникающие от электрической активности нейронов, с высокой временной… ➡️➡️➡️

Почему ваш скрипт с OCRmyPDF падает уже на старте? Вы, конечно, не первый, кто попытался «переименовать» сканированную кучу PDF в удобные для поиска документы. Но почему же каждый раз возникает «ImportError: Pillow is incompatible» или «MissingDependencyError»? Давайте разберёмся, какие подводные камни таятся в вашем коде и как их победить без бесконечных переустановок. Краткий разбор проблемного участка В начале скрипта происходит «чистка» импортов: _purge() удаляет модули PIL и ocrmypdf из sys.modules. Это выглядит как попытка «обновить» их «на лету», но в реальности только ломает кеш и приводит к повторным импортам с несовместимыми версиями. Дальше _load_ocrmypdf() сразу после _purge() пытается импортировать ocrmypdf.… ➡️➡️➡️

Что делает представленный скрипт? Скрипт — это набор шагов, которые позволяют быстро оценить и подготовить датасет “Fable 5” для последующего машинного обучения. Основные задачи: Обучить два простейших классификатора Naive Bayes на чистом Python без сторонних библиотек; Сгенерировать отчёты: метрики, матрицы ошибок, топ‑токены для каждого класса; Сохранить артефакты (CSV, JSON, PNG) в удобную структуру; Создать вспомогательный поиск по ключевым словам в таблице — полезно при быстрой проверке строк. Кому будет полезен такой подход? Если вы работаете с «теле‑метрикой» моделей, собираете данные из интерактивных сессий и планируете построить простую baseline‑модель, данный шаблон экономит часы ручной работы. Он покрывает всё: от предобработки до готовых файлов экспорта. Пошаговый разбор… ➡️➡️➡️

Что такое GPT‑5.6 и зачем это вам? OpenAI запустила ограниченный превью‑доступ к GPT‑5.6. Это уже не один «модельный монстр», а целая семейка, разделённая на три уровня: Sol — флагман, умеющий решать самые сложные задачи в коде, биологии и кибербезопасности. Terra — «золотая середина»: производительность почти как у GPT‑5.5, но примерно вдвое дешевле. Luna — быстрый и дешёвый вариант для огромных объёмов однотипных запросов. Каждый уровень развивается независимо, что позволяет выбирать оптимальный баланс «мозговой мощности – стоимость – задержка» без необходимости ждать глобального апдейта. Новые режимы рассуждения: max и ultra В GPT‑5.6 появилось два переключателя, меняющих способ «мышления» модели. max — удлинённый цепочкой размышлений. Модель получает больше времени на… ➡️➡️➡️

Что такое DSpark? DSpark – это framework для спекулятивного декодирования, который ускоряет вывод больших языковых моделей без изменения самой модели. Он добавляет к уже существующим весам V4 небольшую “draft‑модель”, которая генерирует блок токенов, после чего основной (целевой) модель проверяет этот блок за один проход. Кратко о главных плюсах Параллельный «draft‑бэкбоун» + лёгкий последовательный «head» уменьшают падение качества к концу блока. Head уверенности и планировщик, учитывающий загрузку GPU, проверяют больше токенов, когда есть свободные ресурсы, и меньше – при пиковой нагрузке. В офлайн‑тестах принятый длина блока выросла на 26–31 % по сравнению с Eagle3 и на 16–18 % по сравнению с DFlash. В… ➡️➡️➡️

Что такое Astryx и зачем он нужен? Astryx – это открытая дизайн‑система от Meta, построенная на React и собственном CSS‑движке StyleX. Проект созревал внутри монорепозитория Meta целых восемь лет, а сейчас находится в открытом бета‑режиме. По сути, Astryx представляет собой набор фундаментальных стилей, готовых React‑компонентов, шаблонов страниц и десяти предустановленных тем, всё под лицензией MIT. Ключевые элементы Astryx Foundations – типография, цветовая палитра, сетка, доступность. Components – более 90 компонентов в репозитории (на сайте документации их уже 150+), каждый из которых поддерживает автоматический отступ, тёмный режим и кастомные стили. Templates – готовые макеты для дашбордов, форм, страниц настроек. Themes –… ➡️➡️➡️

Зачем нужен DataFrame и как его собрать правильно Вы уже пробежали первые два шага: собрали сырые данные и привели их к удобному виду. Теперь настало время собрать анализирующий DataFrame, который будет служить основой для всех дальнейших метрик и визуализаций. Если вы когда‑нибудь пытались «построить таблицу из кода», то знаете, насколько легко запутаться в именах колонок и типах данных. Давайте разберём все подводные камни и выстроим процесс так, чтобы потом не пришлось гадать, где же исчезли нужные строки. Шаг 1 — Подготовка функций‑помощников Прежде чем бросаться в цикл, убедитесь, что у вас есть небольшие, тестируемые функции. Ниже перечислены основные: normalize_trajectory – чистит и… ➡️➡️➡️

Перспектива: Computer for Counsel – что это и зачем нужен ваш отдел Computer for Counsel – это агентная AI‑платформа от Perplexity, построенная специально для юридических команд. Она не претендует на замену Westlaw, LexisNexis или Bloomberg Law, а выступает как «рабочий слой», который соединяет уже знакомые вам инструменты с более чем 20 современными моделями ИИ. Почему это важно именно сейчас Согласно опросу Thomson Reuters, 75 % юристов жалуются, что административные задачи «поедают» большую часть рабочего дня. Поиск прецедентов, проверка цитат, подготовка шаблонных договоров – всё это можно автоматизировать без потери контроля. Как работает система Декомпозиция задачи. AI разбивает ваш запрос (например, “подготовить… ➡️➡️➡️