Владимир Дьячков PhD

TL;DR Blank Slate запускает агента только с провайдером & моделью, файловыми операциями и терминалом. Web, браузер, выполнение кода, vision, память, делегирование, cron, skills, плагины и MCP остаются отключёнными. В конфиг пишется явный список platform_toolsets.cli и agent.disabled_toolsets — поверхность зафиксирована. После hermes update ничего, что вы пропустили, не подгрузится. Включить нужное можно командами hermes tools, hermes skills opt-in —sync или hermes setup agent. Что такое Blank Slate После установки hermes setup теперь предлагает три режима: Quick Setup — быстрый старт через Nous Portal, без API‑ключей. Full Setup — полное ручное указание провайдеров, инструментов и параметров. Blank Slate — минимальный старт: только провайдер & модель, набор файловых операций и терминала.… ➡️➡️➡️

Интерактивный демонстратор будет загружен здесь. ➡️➡️➡️

Что происходит в коде? Приведённый фрагмент — это простая, но довольно типичная подготовка данных для анализа временных рядов. Мы импортируем нужные библиотеки, настраиваем вывод, читаем CSV‑файл с данными о пассажирах, добавляем искусственный ряд и «сорём» в нём несколько аномалий. numpy, pandas, matplotlib – стандартный набор для числовой обработки и визуализации. scipy подключён, но в примере не используется – оставлено на случай дальнейшего анализа. torch проверяется лишь для определения наличия GPU; он нам сейчас не нужен. Данные загружаются из публичного CSV‑файла. Создаётся синтетический ряд, в который вручную встраиваются аномалии (значения в 2.2‑раз больше нормы). Все серии объединяются в один «панельный» дата‑фрейм panel,… ➡️➡️➡️

TLDR YaFF — это открытый zero‑copy wire‑format от Яндекса для Protobuf (Apache 2.0, C++, v0.1.0). .proto‑файл остаётся единственным источником истины; меняется только физическое расположение данных в памяти. По результатам бенчмарков Яндекса Flat Layout читает «горячие» данные почти в 4 раз быстрее, чем FlatBuffers, и почти не отстаёт от чистой структуры C++ (≈1.2×). Четыре типа раскладки — Fixed, Flat, Sparse, Dynamic — позволяют балансировать между скоростью чтения и гибкостью схемы; по умолчанию используется Dynamic. YaFF уже работает в системе рекомендаций рекламы, где даёт 10–20 % экономии CPU на продакшене. Внедрение поэтапное: подключаете YaFF к одному горячему пути, а на границе конвертируете в/из Protobuf. Что такое YaFF YaFF — не… ➡️➡️➡️

Что такое VibeThinker-3B и почему он важен VibeThinker-3B — компактная модель‑суждение с 3 млрд параметров, построенная на базе Qwen2.5‑Coder‑3B. Она не обучалась с нуля, а прошла пост‑тренинг: Supervised Fine‑Tuning (SFT), Reinforcement Learning (RL) и Self‑Distillation. И всё это при открытой лицензии MIT. Главная идея модели — решать задачи, ответы на которые можно проверить автоматически (математика, программирование, STEM). Для «общих» вопросов авторы советуют использовать крупные модели, а VibeThinker‑3B специализируется именно на проверяемом рассуждении. Почему стоит обратить внимание на небольшие модели Экономия ресурсов. Вес в BF16 ≈ 6 ГБ — достаточно для одного GPU. Скорость вывода. Рекомендуются ускорители vLLM==0.10.1 или SGLang≥0.4.9.post6. Эффективность. На проверяемых бенчмарках VibeThinker‑3B… ➡️➡️➡️

Что такое SpatialClaw SpatialClaw – это «обёртка‑агент» вокруг постоянного Python‑ядра, в которое загружены входные кадры и набор базовых примитивов. Инструменты восприятия (перцепции) представлены обычными Python‑функциями, а их результаты – маски, карты глубины, параметры камер и плотные облака точек – обычные переменные. Ядро предоставляет шесть публичных точек входа: InputImages – массив изображений. Metadata – частота кадров, длительность и индексы. tools – набор примитивов восприятия и геометрии. show() – визуализирует изображение в следующем контексте агента. vlm – отправка запросов в отдельный сеанс VLM. ReturnAnswer() – отправка окончательного ответа. Ключевые инструменты: tools.Reconstruct – обёртка над Depth Anything 3, выводит глубину, внутренние и внешние параметры камер, плотные облака точек. tools.SAM3 – обёртка… ➡️➡️➡️

Что представляют собой новые модели LFM2.5 от Liquid AI? На прошлой неделе компания Liquid AI анонсировала две новых модели для поиска: LFM2.5-ColBERT-350M и LFM2.5-Embedding-350M. Обе модели относятся к семейству LFM2.5, имеют 350 млн параметров и впервые используют двунаправленную архитектуру. Их главный козырь — быстрый мульти‑язычный и кросс‑лингвальный поиск по 11 языкам, а небольшой «footprint» позволяет запускать их даже на обычных ноутбуках. Какой тип модели выбрать? Модели построены на едином бэкбоне, но различаются способом представления текста. LFM2.5-Embedding-350M — плотный би‑энкодер. Каждый документ превращается в один 1024‑мерный вектор. Это самый быстрый и экономичный вариант: индекс занимает минимум места, а запросы обрабатываются за миллисекунды. LFM2.5-ColBERT-350M —… ➡️➡️➡️

Зачем нам «выкапывать» функции из кучи кода? Вы когда‑нибудь пытались автоматизировать проверку решений студентов или быстро собрать кусок кода из большого репозитория? Если да, то знаете, как часто встречаются «запутанные» файлы‑мусорщики, где нужная функция спрятана между импортами и тестовыми блоками. Ниже – практичный набор инструментов, которые помогут вытянуть нужную функцию, проверить её синтаксис, обеспечить безопасность и прогнать юнит‑тесты без риска «выстрелить» в продакшн. 1. Как вытащить источник функции? Функция extract_function_source принимает весь текст файла и имя функции, а возвращает только её исходный код. Основные шаги: Нормализуем переносы строк. Если в тексте присутствует fenced‑code‑block (`python … `), берём только его –… ➡️➡️➡️

Что такое Brain от Perplexity и почему это важно для вас Большинство AI‑ассистентов запоминают вас: ваши вкусы, предпочтения, роль в компании. Перplexity решил пойти иначе. Их новый продукт — Brain — это система памяти, которая хранит не вас, а то, что делает агент Computer. Иными словами, память теперь работает на повышение эффективности, а не на создание «тёплой» привязанности. Два типа AI‑памяти Перplexity делит память на две оси: Традиционная (пользовательская) память – хранит предпочтения, стили работы, контакты и цель – сделать взаимодействие более приятным. Brain (рабочая) память – фиксирует, какие действия агента были успешными, какие ― нет, какие исправления вы внесли. Цель – улучшить производительность.… ➡️➡️➡️

Что делает скрипт и зачем он нужен? Представленный ниже кусок кода – это «батч‑сканер» статического анализа кода для набора skill (т.е. модулей, функций или микросервисов). Он без вызова LLM проходит по всему корпусу файлов, собирает уязвимости и формирует готовые визуальные отчёты. Основные шаги процесса Инициализация: вывод приветствия и подготовка контейнеров для итогов. Сканирование: для каждой skill вызывается scan() без LLM, результат сохраняется в JSON. Сбор метрик: из результата извлекаются risk_score, risk_severity, рекомендации, наличие исполняемых скриптов и количество найденных проблем. Агрегация находок: каждое нарушение сохраняется в таблицу all_findings с деталями (правило, уровень, категория, файл, строка, уверенность). Формирование DataFrame‑ов: два Pandas‑фрейма –… ➡️➡️➡️

Почему KV‑кеш — «узкое место» больших контекстов Трансформеры сохраняют key и value (KV) вектор‑пары для каждого токена на каждом слое, чтобы не пересчитывать attention. При длинных последовательностях объём кеша растёт линейно от длины контекста и размера батча. Для Llama‑3.1‑70B в формате BF16 это ≈ 0,31 МБ на токен. При 128 К токенов кеш уже занимает ~40 ГБ, а при 1 М токенов — более 300 ГБ, что превышает сам вес модели (≈ 140 ГБ). Каждый новый токен вынужден «перетаскивать» весь кеш из HBM, делая декодирование ограниченным пропускной способностью памяти, а не вычислительной мощностью. Поэтому сокращение KV‑кеша — главный рычаг снижения стоимости и задержки. Краткий обзор современных подходов Token… ➡️➡️➡️

Что такое LifeSciBench и зачем он вам нужен Большинство биологических бенчмарков задают узконаправленные вопросы с очевидными ответами. В реальной науке приходится собирать несовершенные доказательства, взвешивать их и принимать решения. LifeSciBench — это попытка закрыть этот разрыв. Бенчмарк создан OpenAI именно для того, чтобы проверить, насколько модели способны решать задачи, похожие на те, что решают учёные каждый день. Структура бенчмарка В LifeSciBench собрано 750 задач, написанных экспертами‑учёными. Они охватывают семь рабочих процессов и семь биологических областей, от геномики до клинической трансляционной науки. Каждая задача состоит из: текста‑запроса, формулируемого как инструкцию коллеге; поддерживающих артефактов (последовательности, графики, таблицы, PDF‑документы, химические структуры); детализированного рубрика‑критерия оценки.… ➡️➡️➡️

Что такое eve и зачем он нужен? Vercel выпустил eve — открытый фреймворк для создания, запуска и масштабирования интеллектуальных агентов. Пакет eve доступен в npm под лицензией Apache‑2.0. Главная идея : агент — это не код‑хаос, а чётко описанная директория. Вам больше не придётся собирать «трубопроводы», которые обычно требуются для продакшн‑развёртывания. Всё, что нужно — это набор файлов, а eve автоматически подхватит их и «соединит». Структура проекта: агент как файловая система Каждый агент представляет собой папку. Содержимое папки полностью описывает его поведение. Путь Назначение Формат agent.ts Модель и базовая конфигурация рантайма TypeScript instructions.md Системный промпт (что агент знает о себе) Markdown tools/ Инструменты, которыми агент… ➡️➡️➡️

Что делает пример кода и зачем он вам нужен В статье разложим по полочкам два небольших скрипта на Python, которые генерируют тестовый PDF‑документ — с векторными элементами, таблицей и встроенным растровым изображением. Такие файлы часто используют в проекте по извлечению текста и структуры из PDF. Если вы уже пробовали парсить документы, знаете, как сложно отладить алгоритм без «идеального» теста, то этот генератор будет полезным. Как работает create_demo_image Функция создает простое изображение 320×180 px, рисует: прямоугольник, эллипс, линию, текст «Embedded bitmap image». Все элементы рисуются библиотекой Pillow. После создания файл сохраняется в путь, указанный в переменной DEMO_IMAGE_PATH. Этот PNG потом будет встроен в PDF‑страницу,… ➡️➡️➡️

Что такое Deployment Simulation? OpenAI представила новый метод предвыпусковой проверки ИИ‑моделей — Deployment Simulation. Идея простая: перед тем как выпустить модель в продакшн, «протестировать» её работу, переспросив уже имеющиеся в продакшн‑системе диалоги. Старый ответ убирается, а новый кандидат‑модель генерирует ответ заново. Затем автоматические оценки проверяют, не появилось ли новых нежелательных поведений. Зачем нужен такой симулятор? Традиционные тесты часто пропускают проблемы, которые проявляются только в реальном потоке запросов. Симуляция позволяет: Выявить потенциальные баги до публичного релиза. Сформировать прогноз частоты нежелательного поведения в реальных условиях. Сократить «слепые зоны», которые обычно остаются незамеченными в лабораторных наборах. Как работает процесс? Сбор диалогов. Берём недавние… ➡️➡️➡️

Что такое MiniMax Sparse Attention (MSA) MiniMax Sparse Attention (MSA) — это метод разреженного внимания, построенный поверх Grouped Query Attention (GQA). Он решает одну главную проблему современных трансформеров: квадратичную зависимость вычислений от длины контекста. Вместо того чтобы просчитывать softmax‑весы по всему входу, MSA сначала выбирает лишь небольшие блоки токенов, а затем применяет точный softmax только к ним. Двухэтапный процесс: Index‑Branch и Main‑Branch В MSA внимание делится на два шага. Index‑Branch — определяет, какие блоки key‑value следует прочитать. Выбор происходит на уровне блоков (по умолчанию 128 токенов), а каждый запрос хранит k = 16 блоков. Таким образом, бюджет токенов для каждого запроса фиксирован: k·Bₖ =… ➡️➡️➡️

Почему обычные батчи «переполняются» нулями? Большинство инференс‑сервисов работают со «пакетами» запросов фиксированной длины. Чтобы поместить в один батч запросы разной длины, добавляют паддинг‑токены. Выглядит удобно, а на деле — каждый лишний ноль съедает драгоценную видеопамять и замедляет вычисления. Память: каждый токен в FP16 занимает 2 Б, а при длине 2048 токенов и 8‑м головах это уже сотни мегабайт. Скорость: операции над паддингом всё равно вычисляются, хотя их «значимость» нулевая. Стоимость: из‑за лишних вычислений растёт время ответа и потребление GPU‑часов. Решение — избавиться от паддинга полностью, используя variable‑length packed batch. В этом подходе данные «упаковываются» в один тензор без пропусков, а маска указывает,… ➡️➡️➡️

Что такое Open Knowledge Format (OKF) и зачем он нужен? Сегодняшние большие языковые модели (LLM) способны генерировать код, анализировать данные и отвечать на вопросы. Но без «правильного» контекста они часто спотикаются о базовые детали: схемы таблиц, определения метрик, пути соединения данных, процедуры восстановления. Эта информация обычно разбросана по вики, каталогам и, конечно, в голове у нескольких старших инженеров. Google Cloud предложил решение – Open Knowledge Format (OKF). Это открытая спецификация, которая переводит паттерн «LLM + вики» в переносимый и совместимый формат. OKF не привязан к какому‑то сервису, а служит «языком» для передачи знаний между людьми и агентами. Как выглядит OKF‑бандл?… ➡️➡️➡️

Введение в Qwen‑Robot‑Suite Qwen‑Robot‑Suite – это набор из трёх независимых фундаментальных моделей, каждая из которых решает одну из ключевых задач робототехники: манипуляцию, предсказание видеодвижения и навигацию. Все модели построены на единой визуально‑языковой основе Qwen, что обеспечивает совместное использование знаний и облегчает интеграцию в реальные проекты. Что именно входит в набор? Qwen‑RobotManip – Vision‑Language‑Action (VLA) модель для управления манипуляторами, построена на Qwen3.5‑4B. Qwen‑RobotWorld – языко‑условная видеомодель мира, предсказывающая будущие кадры, использует 60‑слойный MMDiT и замороженный энкодер Qwen2.5‑VL. Qwen‑RobotNav – модель мобильной навигации, основана на Qwen3‑VL (версии 2 B, 4 B и 8 B). Почему это важно для инженеров‑разработчиков? В проектах робототехники часто сталкиваются с… ➡️➡️➡️

Что такое vibe‑coding и почему он не решает всех задач? Идея «vibe coding» привлекла многих: достаточно просто описать свою задумку на обычном языке, и ИИ сгенерирует приложение. На первый взгляд — это чудо, но реальность сложнее. Генерация кода — самая лёгкая часть. Перед тем как писать запрос, нужно убедиться, что идея действительно востребована, а после релиза — обеспечить SEO‑страницы, рекламные кампании, аналитику и надёжную инфраструктуру. Большинство сервисов, предлагающих vibe‑coding, умеют лишь собрать прототип. Всё, что связано с исследованием рынка, деплоем, продвижением и монетизацией, остаётся «провалить». Откуда берётся разрыв в продуктовой цепочке? Отсутствие встроенных инструментов для проверки спроса. Отсутствие автоматизации написания… ➡️➡️➡️