Хакни Нейросети

Погружаюсь в свежие ИИ-движухи и выдаю вам чистую выжимку без воды.

Сегодня на повестке — как собирать видосы, монтаж и моушн-дизайн исключительно силами ChatGPT или Claudeебучий, не ставьте его себе низа что и не ведитесь на инстаграмных блогеров.

Старт в два клика. Скармливаете своей LLM эту репу: https://github.com/zhuyansen/awesome-claude-video-skills и закидываете

готовый промпт:
"Изучи подборку. Учитывай мой контекст, подбери идеальный стек инструментов (с упором на безопасность) и поясни выбор с учетом платных зависимостей. Собери для меня наглядный tier-лист этих решений".

Дальше - дело практики: калибруете пайплайн под свой визуал, брендбук, шрифты и динамику.
Сам сейчас плотно щупаю связку HyperFrames + API ElevenLabs под свой клон голоса и саунд-дизайн. Потенциал дикий, поле непаханое.

Что уже успели затестить в этом направлении? Накидывайте в комменты свои связки 👇

Как за 40 минут создать собственный сайт и подключить к нему агента, который будет продавать за менеджера?

Буду выступать на данном мероприятии, приглашаю всех причастных к строительству

🏙 Поговорим об этом 5 ноября на форуме, где соберутся собственники, руководители и специалисты строительной отрасли Приморья на деловой встрече о развитии бизнеса, ИИ, цифровизации, масштабировании и системном управлении. Организатор — Клуб Строителей

👉 Больше о мероприятии / регистрация

Оценка ответов ИИ: как проверить судейскую надёжность

При работе с ИИ легко принять высокий процент совпадений за добрую точность. Но один и тот же судья может часто соглашаться сам с собой и всё же ошибаться в ту же сторону. Посему до внедрения оценочной схемы надлежит проверить не только согласие, но и силу суждения.

Суть метода в том, чтобы смотреть не на сырое совпадение ответов, а на согласие с поправкой на случайность. Для этого полезно сравнить raw agreement и kappa: первая цифра показывает, как часто судья совпадает с образцом, а вторая — насколько это согласие действительно лучше случайного. Разница между ними и есть тот изъян, который легко скрывает красивая ведомость.

Такой разбор особенно полезен, коли один ИИ судит тексты, ответы, A/B-варианты или результаты автоматической проверки. Тогда надлежит проверить, не завышает ли метрика качество там, где на деле имеется лишь устойчивый уклон.

Что даёт такой разбор:
✔️ показывает, не обманывает ли высокий процент согласия;
✔️ помогает увидеть слабое место в судейской метрике;
✔️ позволяет сравнивать модели по честной шкале, а не по сырому совпадению;
✔️ выявляет случаи, где судья стабилен, но не точен;
✔️ даёт основу для более надёжной оценки A/B и регрессионных тестов.

Ниже — готовый промпт. Его можно скопировать, вставить в ИИ и подставить описание своего проекта.

Роль: ты специалист по оценке качества ответов ИИ и бизнес-результатов.
Задача: проанализируй схему оценки [описание проекта] и найди, не завышает ли она качество из-за сырого совпадения ответов.
Вводные данные:
1. Что именно оценивается: [тексты, диалоги, ответы, A/B-варианты, классификация, иное].
2. Как устроен процесс оценки: [одиночная проверка, парное сравнение, несколько судей, человеческая разметка].
3. Какие метрики уже используются: [raw agreement, точность, доля совпадений, kappa, иное].
4. Какой набор данных есть: [объём, типы примеров, классы, распределение оценок].
5. Какие известны проблемы: [смещение, различие судей, нестабильность, ошибки, нет данных].
Действия:
1. Кратко объясни, где raw agreement может вводить в заблуждение.
2. Покажи, чем он отличается от chance-corrected agreement / kappa.
3. Укажи, какие признаки говорят о завышении качества.
4. Отметь, где возможен position bias, label bias или перекос распределения.
5. Если данных недостаточно, перечисли, что нужно собрать для честной проверки.
6. Предложи, как улучшить схему оценки: сравнение с человеческой разметкой, перестановка порядка вариантов, повторная проверка, отдельный regression set из production trace.
Формат результата:
- Краткий вывод в 2–3 предложениях.
- Таблица с колонками: Проблема / Почему искажает оценку / Что проверить.
- Список из 3–7 конкретных рекомендаций.
- Отдельный блок: какие метрики стоит использовать вместо одного процента совпадений.
Ограничения:
- Не выдумывай числа и результаты.
- Не используй общие слова без объяснения.
- Не смешивай метрики без различия между сырым согласием и согласия с поправкой на случайность.
- Если данных мало, прямо скажи об ограничениях.
- Пиши кратко, по делу, без рекламного тона.

🔤🔤

Хочешь такое фото?

Всё очень просто! 👇
1️⃣ Заходи в бот: СЮДА
2️⃣ Жми «📸 Создать фото»
3️⃣ Выбирай «Nano Banana PRO» или ЖПТ, что больше любишь
4️⃣ Укажи формат и режим → жми «Загрузить фото»
5️⃣ Загрузите референсы фотографий
6️⃣ Вставь промт, отправь в генерацию 💬

⚠️ Фото должно быть: хорошего качества, лицо крупным планом (примерно по плечи), без фильтров, с хорошим светом.

В комментариях — готовый промпт. Редактируйте под себя 🫰

Утро доброе, коллеги.

OpenAI представила GPT-6.1 Terra: турбо-модель для программирования и управления компьютером 😮

Новинка самостоятельно работает с десктопными приложениями, создаёт 3D-модели по чертежам и пишет код на уровне флагманской GPT-6 Astra. При этом она соображает втрое быстрее, а стоит в десять раз меньше.

Эпоха дорогих ИИ-агентов заканчивается 🔫

Пока одни в панике кричат, что нейросети убьют все профессии, а мир уже никогда не будет прежним...

Я просто сижу, пью холодный напиток и внедряю ИИ в бизнес.

Рынок действительно взрывается. То, что раньше делал отдел из пяти человек за месяц, сейчас один настроенный ИИ-ассистент делает за пару минут.

Сайты собираются через диалог с нейросетью, контент генерируется пачками, а продажи автоматизируются в несколько кликов.

Конец привычного мира? Да.

Трагедия? Только для тех, кто продолжает делать вид, что ничего не происходит.

Для остальных — это самая большая возможность за последние 10 лет.

В школе «Хакни Нейросети» мы не разводим панику и не читаем лекции по теории. Мы берем инструменты, садимся за ноуты и внедряем их в твое дело: от промптов и визуала до ИИ-ассистентов и автоворонок.

Не жди, пока твоя ниша схлопнется. Начни управлять этим взрывом.

👉 Пиши в коммент слово «ВЗРЫВ» — пришлю программу ближайшего потока.

Каждый брошенный камень пошел в фундамент.

Когда ты начинаешь делать что-то масштабное, первое, с чем сталкиваешься — не трудности реализации, а реакция людей.

Крутили пальцем у виска. Советовали «не страдать ерундой», «найти нормальную стабильную работу» и «спуститься на землю».

Кто-то открыто вставлял палки в колеса, кто-то язвил за спиной, а кто-то просто тихо отошел в сторону, ожидая, когда я споткнусь и разобьюсь.

Было больно? Да. Были моменты, когда хотелось все бросить? Конечно.

Но со временем я понял одну простую истину: чужой скепсис и хейт — это бесплатный строительный материал.

Ты можешь обижаться на тех, кто кидает в тебя камни, а можешь молча собирать их и строить из них свою крепость. Стена за стеной. Уровень за уровнем.

Сегодня я смотрю назад и хочу сказать спасибо каждому:
Тем, кто верил и был рядом: ваша поддержка держала меня на плаву в самые темные дни. Это бесценно.

Тем, кто просто отошел в сторону: спасибо, что хотя бы не мешали идти вперед.

И главное — тем, кто не верил и пытался топить: без вашего сопротивления у меня бы никогда не появилось столько спортивной злости, дисциплины и энергии доказать, что невозможное — возможно.

Я построил то, что хотел. И это только начало.

Решил провести урок в школе, по созданию вот таких видео.

Это называется Reference-driven Generation / Reference-to-Video (R2V) — генерация динамики с опорой на референс-карты (Character Sheet, Model Sheet или Style Board) для фиксации внешности героя, окружения и стилистики.

Как думаете, актуальная тема?