Владимир Дьячков PhD

Что изменилось в Hermes Agent? Nous Research выпустила обновление Hermes Agent, которое переводит делегирование задач в асинхронный режим. Теперь инструмент delegate_task больше не «залипает» в родительском чате. Вы запускаете под‑агентов, получаете task_id и свободно продолжаете работать. Кратко о субагентах Субагент — это изолированный дочерний агент, получающий собственный разговор, терминальную сессию и набор инструментов. Он наследует API‑ключ, конфигурацию провайдера и пул учётных данных от родителя, но полностью независим в контексте: все, что нужно передать, делается через поля goal и context. Синхронное vs асинхронное делегирование Синхронное (delegate_task) – родитель ждёт завершения всех субагентов, чат блокируется. Асинхронное (async_delegation набор инструментов) – сразу возвращается task_id, чат… ➡️➡️➡️

Что такое Sakana Marlin Marlin – это автономный исследовательский агент для предприятий, позиционируемый как Virtual CSO (Chief Strategy Officer). Вы задаёте одну тему, а система работает от четырёх до восьми часов, формируя полноценный отчёт (до 100 страниц) и набор слайдов. За один запуск генерируется сотни‑тысячи запросов к LLM. Технология в основе: AB‑MCTS Ключевой механизм – Adaptive Branching Monte Carlo Tree Search (AB‑MCTS). Алгоритм рассматривает рассуждение как дерево поиска: на каждом шаге выбирает, расширять ли ветку (wider) или углублять уже promising вариант (deeper). Вариант Multi‑LLM позволяет маршрутизировать отдельные шаги к разным моделям (o4‑mini, Gemini 2.5 Pro, DeepSeek‑R1), что в экспериментах повышает качество решений на ≈ 4 %. Вторая составляющая –… ➡️➡️➡️

error code: 502 ➡️➡️➡️

Что такое GLM‑5.2 и почему это важно для разработчиков GLM‑5.2 — это последняя крупная модель от Z.ai, третье крупное обновление серии GLM‑5. За четыре месяца компания уже выпустила четыре флагманские версии: GLM‑5, GLM‑5‑Turbo, GLM‑5.1 и теперь GLM‑5.2. Новинка обещает изменить то, как мы работаем с кодом в интерактивных агентах. Огромное окно контекста: 1 000 000 токенов Главный «фишка‑фактор» модели — контекстный предел в один миллион токенов (модель обозначается как glm-5.2[1m]). На выходе она может выдать до 131 072 токенов, что в 5 раз больше, чем у GLM‑5.1 (200 000 токенов). На практике это значит, что агент может держать в памяти целый средний репозиторий: исходники, тесты, конфиги и историю диалога. Нет… ➡️➡️➡️

Что такое Claude Code и зачем он вам нужен Claude Code — это браузерный «песочница‑плейграунд», где можно исследовать весь набор из 25 функций модели Claude, запускать симулированный терминал, проверять режим Auto Mode и генерировать CLAUDE.md‑документацию. Всё это работает полностью в браузере, без установки локального ПО. Ключевые возможности, о которых стоит знать Explorer — переключатель между всеми функциями, официальными, техниками и сторонними дополнениями. Удобный выпадающий список позволяет быстро выбрать нужный пункт. Terminal — имитированный терминал с поддержкой слеш‑команд: /help, /init, /context, /review, /security‑review, /mcp, /agents, /compact. Можно вводить обычные запросы, как в обычном чате. Auto Mode — каждый запрос проходит через классификатор безопасности Sonnet 4.6. Это… ➡️➡️➡️

Что делает представленный код и зачем он нужен? Код – это типичный «первый‑выстрел» при исследовании большого корпуса текстов, полученного из веб‑краулов. Он позволяет: извлечь доменное имя из URL; подсчитать частотность доменов; визуализировать токен‑жёсткость, языковую уверенность и сжатие; получить быстрый «сводный» отчёт по документам. Если вы когда‑нибудь сталкивались с тем, что в датасете миллионы строк URLs, а дальше – только хаос, то такие «чистильщики» становятся спасением. Подготовка данных: быстрый и надёжный способ Для начала убедитесь, что у вас установлены нужные библиотеки: pandas – работа с таблицами (docs); urllib.parse – разбор URL (python docs); matplotlib – построение графиков (docs); fasttext (опционально) –… ➡️➡️➡️

Omnigent: meta‑harness, который объединил разрозненные AI‑агенты Databricks выпустил Omnigent — открытый проект под лицензией Apache 2.0, построенный на базе Neon. По сути это «над‑над‑обёртка» (meta‑harness), которая превращает любые существующие harness‑ы (Claude Code, Codex, Pi, SDK OpenAI и т.д.) в взаимозаменяемые части единой системы. Зачем нужен meta‑harness? Современный разработчик часто держит в руках сразу четыре‑пять агентов: один пишет код, второй ищет информацию, третий генерирует тесты, четвертый — чат в Slack. Каждый из них работает в своей «сессии», а вы постоянно копируете‑вставляете текст, файлы и команды. Omnigent добавляет общий слой, где происходит композиция, контроль и совместная работа всех агентов. Как устроен Omnigent Runner — обёртка, которая «запускает»… ➡️➡️➡️

Что делает ваш скрипт и зачем он нужен? Скрипт — это небольшая «инициализационная рутина» для проекта QwenPaw. Его цель — подготовить рабочую директорию, подобрать подходящего провайдера LLM‑модели и сохранить все настройки в config.json. Если вы хотите быстро запустить эксперименты в Google Colab, протестировать несколько API или собрать собственный набор агентов, эта статья покажет, как избавиться от «мутных» ошибок и понять, что происходит под капотом. Пошаговый разбор кода Разберём каждый блок, чтобы вы знали, какой кусок отвечает за что. Проверка наличия config.json if not (WORKING_DIR / «config.json»).exists(): run(qwenpaw_cmd(«init», «—defaults»), check=False) else: print(«QwenPaw working directory already initialized:», WORKING_DIR) Если файл конфигурации ещё не создан, скрипт… ➡️➡️➡️

Что делает представленный код и зачем он нужен? В блоке мы готовим набор точек интереса (POI), считаем их локальную плотность, измеряем расстояние до ближайшей улицы и строим несколько типов пространственных графов. Всё это – типичный набор шагов для анализа пространственной плотности, построения сети соседства и визуализации топологии. Если вы когда‑нибудь задавались вопросом, «как быстро превратить набор координат в граф, пригодный для дальнейшего машинного обучения», то эта статья для вас. Подготовка данных Первый блок кода «вытаскивает» X и Y из геометрии и переводит их в массив NumPy. Это упрощает дальнейшие расчёты и делает возможным использование sklearn.neighbors.NearestNeighbors без лишних преобразований. cx /… ➡️➡️➡️

Что случилось с моделями Claude Fable 5 и Claude Mythos 5? 12 июня 2026 года Коммерческий департамент США направил Anthropic приказ отключить две новейшие модели – Claude Fable 5 и Claude Mythos 5. Причина – соблюдение экспортных ограничений, связанных с национальной безопасностью. Ограничение охватило всех иностранных граждан, включая сотрудников Anthropic, а компания не смогла в режиме реального времени отфильтровать их от американских пользователей, поэтому приняла радикальное решение – полностью вывести модели из эксплуатации. Почему именно эти модели? Они были запущены всего три дня назад (9 июня 2026). К правительству дошло сообщение о том, что кто‑то «взломал» (jailbreak) модель Mythos 5, обойдя её защити. Anthropic считает, что продемонстрированный способ обхода узконаправлен… ➡️➡️➡️

Kimi K2.7-Code – новый агентный кодер от Moonshot AI На этой неделе Moonshot AI представила Kimi K2.7-Code – модель, ориентированную специально на программирование. Вес модели доступен на Hugging Face под лицензией Modified MIT, а также через API Kimi API и сервис Kimi Code. Что такое Kimi K2.7-Code? K2.7-Code – это модель Mixture‑of‑Experts с суммарным числом параметров 1 трлн, при этом активируется 32 млрд параметров на токен. Архитектура включает 384 эксперта, из которых 8 выбираются для каждого токена, плюс один общий. Модель имеет 61 слой, использует MLA‑attention, SwiGLU‑feed‑forward и Vision‑энкодер MoonViT (400 М параметров) для работы с изображениями и видео. Контекст‑окно – 256 К токенов (262 144).… ➡️➡️➡️

Общий обзор В этом руководстве мы построим сквозной конвейер сегментации 3‑D медицинских изображений с помощью MONAI. Задача – сегментировать селезёнку на наборе данных Medical Segmentation Decathlon Task09. Мы будем работать с томографическими КТ‑сканами, применять типичные трансформации (выравнивание ориентации, нормализацию voxel‑spacing, окно интенсивностей, обрезку переднего плана, выборку патчей), а затем обучим 3‑D UNet для бинарной сегментации органа. В процессе используем смешанную точность, Dice‑CE loss, скользящее окно инференса, Dice‑метрику для валидации и визуализацию результатов. Установка и импорт библиотек Сначала устанавливаем MONAI с необходимыми зависимостями, импортируем PyTorch, NumPy, Matplotlib и основные модули MONAI. Конфигурация эксперимента Определяем устройство, директорию данных, размер патча, параметры батча,… ➡️➡️➡️

Gemini‑SQL2 Gemini‑SQL2 — это возможность преобразования естественного языка в готовые к выполнению SQL‑запросы, построенная на модели Gemini 3.1 Pro. Google позиционирует её не как отдельную фундаментальную модель, а как улучшенный механизм «text‑to‑SQL». Бенчмарки Оценка проводилась по BIRD (BIg Bench for Large‑scale Database Grounded Text‑to‑SQL Evaluation) — набору из 12 751 пары «вопрос‑SQL» из 95 баз данных и 37 профессиональных доменов. В отличие от старых наборов (например, Spider), BIRD содержит «грязные» данные и требует внешних знаний. Метрика измеряет execution accuracy (EX): сгенерированный запрос должен выполниться и вернуть те же результаты, что и эталонный. Gemini‑SQL2 достиг 80.04 % EX в категории Single Model, обойдя предыдущую версию… ➡️➡️➡️

Что такое Kimi Work и зачем он нужен? Kimi Work — это приложение‑агент от Moonshot AI, которое работает прямо на вашем компьютере (macOS или Windows). Вы задаёте цель обычным языком, а агент, построенный на модели K2.6, исполняет её, читая локальные файлы, управляя вашим реальным браузером и запуская запланированные задачи. Ключевые компоненты Kimi Work Agent Swarm — до 300 суб‑агентов, работающих параллельно и координирующих выполнения шагов. WebBridge — расширение браузера, позволяющее агенту действовать в вашем реальном сеансе (использует ваши логины, куки). Cron‑диспетчер — встроенный планировщик задач с поддержкой привычных cron‑выражений. Работа с локальными файлами и кодом — агент читает любые смонтированные папки и может исполнять Python‑скрипты, не меняя файлы без вашего… ➡️➡️➡️

Что такое Zamba2‑VL Zamba2‑VL — семейство открытых моделей vision‑language, построенных на гибридном ядре SSM‑Transformer (Mamba2 + Transformer). Выпущены три версии: 1.2 B, 2.7 B и 7 B параметров. Архитектура соответствует популярному шаблону LLaVA: визуальный энкодер (Vision Transformer из Qwen2.5‑VL) → лёгкий MLP‑адаптер → языковая модель, умеющая обрабатывать перемежающиеся токены изображения и текста. Поддерживается как одно‑, так и мульти‑изображение, а также «grounding» (указание на объекты в картинке). Архитектура В основе — гибрид Mamba2‑state‑space‑слоёв и небольшого количества общих трансформер‑блоков. Mamba2 обеспечивает линейную сложность O(n) при фиксированном размере состояния, а трансформер‑блоки сохраняют способность к контекстному поиску. Каждый блок снабжён уникальным LoRA‑адаптером. В качестве токенизатора используется Mistral v0.1, модель предобучена на 100 B токенов… ➡️➡️➡️

Что такое Grok Build Plugin Marketplace? Это встроенный каталог плагинов для терминального кодинг‑агента Grok Build от xAI. Плагин – это готовый набор skills, слеш‑команд, под‑агентов, хуков, MCP‑ и LSP‑серверов, упакованный в одну директорию. С помощью Marketplace вы можете находить, устанавливать и обновлять такие наборы, не покидая терминал. Структура плагина Каждый плагин состоит из фиксированных компонентов, расположенных в предопределённых папках: Skills – skills/ (файл SKILL.md описывает возможности) Commands – commands/ (слеш‑команды) Agents – agents/ (описания под‑агентов) Hooks – hooks/hooks.json (жизненный цикл) MCP servers – .mcp.json LSP servers – .lsp.json Опциональный файл plugin.json добавляет метаданные и позволяет переопределять пути к компонентам. Как… ➡️➡️➡️

Deep Research в Perplexity Computer Perplexity перенесла режим Deep Research в свою новую мульти‑модельную оркестровочную платформу — Computer. Обновление повышает точность, глубину анализа и качество цитирования. Теперь система разбивает сложные запросы на подзадачи и распределяет их между более чем 20 передовыми моделями, а результатом становятся готовые к использованию отчёты, презентации и дашборды. Как работает Deep Research в Computer Режим состоит из двух ключевых компонентов: Agent Search SDK и Search as Code. По одному сложному вопросу автоматически формируется исследовательский план, после чего система ищет первоисточники на сотнях сайтов и приводит ссылки на каждый пункт вывода. Search as Code: что это? Модель генерирует код,… ➡️➡️➡️

North Mini Code – новый кодинг‑модель от Cohere AI На этой неделе команда Cohere AI выпустила свою первую модель, предназначенную напрямую для разработчиков – North Mini Code. Это открытая модель с 30 млрд параметров, из которых активируется лишь 3 млрд на каждый токен. Архитектура построена по принципу mixture‑of‑experts (MoE), что позволяет удерживать вычислительные затраты на низком уровне. Почему это важно для разработчиков Модель позиционируется как решение для «sovereign» AI: вы можете запускать её на собственных серверах без необходимости держать огромные GPU‑кластеры. Это особенно актуально для небольших команд, которым нужны мощные инструменты кодогенерации, но при этом ограничены в бюджете. Ключевые характеристики Размер: 30 B… ➡️➡️➡️

Что такое Profile Builder и зачем он нужен? Profile Builder – это конфигурационный генератор для Hermes Agent, позволяющий быстро собрать нужный набор параметров без ручного правки YAML‑файлов. По сути, это небольшая веб‑формочка, где выбираете провайдера, включаете‑выключаете инструменты и задаете серверы MCP. Всё это «вываливается» в готовый файл ~/.hermes/profiles/researcher/config.yaml, который потом подхватывается агентом. Ключевые боли, которые решает Profile Builder Сложность настройки. Без Builder вам придётся писать YAML “в лоб”, угадывая имена параметров и их типы. Ошибки в синтаксисе. Одна лишняя табуляция — и агент откажется стартовать. Переключение между провайдерами. Нужно сменить OpenRouter на NVIDIA? В Builder это просто выпадающий список. Управление инструментами. Включение/выключение наборов… ➡️➡️➡️

Что делает этот скрипт? Приведённый кусок кода – типичный «рабочий» пайплайн для обучения модели в экспериментах с рефлексивным обучением (rollout‑>reflect‑>aggregate‑>select‑>update‑>gate). Он собирает параметры из словаря RUN_KNOBS, запускает обучение через CLI, а затем строит простую визуализацию метрик. Ключевые шаги и «подводные камни» Запуск через CLI – run_cli([…]) сразу передаёт все аргументы скрипту train.py. Частая ошибка – забыть про кавычки вокруг путей с пробелами; в таком случае скрипт откажется стартовать. Параметры обучения – большинство из них берутся из k = RUN_KNOBS. Убедитесь, что в словаре присутствуют все нужные ключи: num_epochs, batch_size, minibatch и т.д. Отсутствие хотя бы одного из них приведёт к… ➡️➡️➡️