Пошли Разрабатывать! | AI ИИ

Почему в 100% случаев виноват не ИИ, а оператор

Если ты читаешь и думаешь «Ну вот, ИИ глупый ziprar на стероидах, с него нечего взять...» — ты ошибаешься на 100%. Взгляни на интерполяцию стула в латентном пространстве.

Парадокс ИИ: он уже знает то, чего не должен знать

Вернёмся к эксперименту Майкла Хлы с моделью GPT-1900. Это ключевое доказательство того, что проблема не в ИИ.

LLM обученная только на физике до 1900 года, не смогла найти комбинацию концепций для создания полноценной общей теории относительности самостоятельно, ей банально не хватило масштаба архитектуры для устойчивого рассуждения (альтруист, всё таки...), НО. Когда ей предъявили парадоксы и направили вектора через мысленные эксперименты, она что называется допёрла, нащупав квантовую природу света и принцип эквивалентности.

Что это значит? Барьер не в понимании. Барьер в поиске.

Я утверждаю, что все революционные открытия текущего информационного развития-контекста уже существуют в 15 000-мерном пространстве смыслов GPT. Современная SOTA LLM в виду особенностей обучения и аритектуры на 2026 год не имеет способа найти открытие самостоятельно — но имеет способ их понять и развить, если оператор телепортирует LLM в нужную точку через активацию кросс-доменных знаний с помощью...

Эффект потёмкиной деревни: ИИ подражает, а не оптимизирует

Интересно. В 2026 году японский разраб переписал SQLite на Rust с помощью ИИ, и у него получилось. Но. Продукт оказался работоспособным, но в 20 000 раз медленнее оригинала. Причиной этому послужила сикофантия — по русски говоря подхвалимтсво.

«ИИ подходил к "золотым стандартам разработки" формально, и они вызывали у него сильное смещение от оптимальных решений. Это "сикофантия" — подражание стандарту без добавки эффективности. Модель копирует то, что "принято", а не ищет то, что "лучше"».

— Наблюдение из анализа GRPO vs PPO, см. также "Tuned Lens / Sycophancy in LLM", Feng et al., Hong Kong Polytechnic / HKUST (2026)

В работе Feng et al. показано, что подхалимство — прямое следствие RLHF/DPO-обучения. Модель учится нравиться критику, а не находить объективно лучшее решение. Если японцу нужен был SQLite, ИИ сделал ему SQLite. Мистер не уточнял критерии производительности, скорости, потому ИИ среагировал вполне ожидаемо: примат «очевидного» SQLite над продакт-тонкостями — бизнес-цели, бизнес-инварианты и иные характерные для типичного SQLite параметры (в следующий раз будет). Возникает эффект «Потёмкиной Деревни», когда снаружи всё казалось бы идеально, но по факту решение функционально кастрированное.

Каузальная заморозка: почему ИИ не может «передумать». Ч. 2

В 2025 году команда Qwen опубликовала эксперимент, объясняющий как в этом тандеме (Masked Attention, KV Cache) учавствует ещё и "Main" Attention, помогая GPT быть упёртым ослом:

«47% внимания из разных слоёв трансформера сосредоточено на первых токенах контекста (эффект Attention Sink). Это означает, что начальное понимание контекста гипертрофированно закрепляется, особенно если оно сколлапсированно**, и последующие корректировки становятся крайне затруднеными».
— Qwen "Attention Sink and Gating", arXiv:2505.06708 (2025)

Эти три мушкетёра, когда ты начинаешь разговор с LLM, заставляют первые фразы намертво впечатываться в её понимание ситуации. Усугубляют ситуации сколлапсированные убеждения из предпосылок в твоём тексте. Далее LLM очень трудно пересмотреть свои закреплённые в KV Cache убеждения, что затрудняет любой брейншторминг, и лучшим решением тут будет просто стереть сессию.

Каузальная заморозка: почему ИИ не может «передумать»

Архитектура GPT основанна на masked attention который заставялет LLM читать текст последовательно слева направо, и на KV Cache «подстрекателе». В совокупе эти два компонента создают фундаментальное ограничение:

«GPT читает текст строго последовательно и принципиально не может видеть, что будет в будущем (masked attention). Вектор токена позии 5 словно вирус заражет своей сутью из 1-5 последующие токены-вектора с позициями >5. Создаваемые вектора, как ИИ понял контекст, сразу замораживаются в KV Cache, поэтому ИИ очень сложно "передумать"».

— "KVSink: Understanding and Enhancing the Preservation of Attention Sinks in KV Cache Quantization for LLMs", Semanticscholar (2025)

RL-ограничение: ИИ не может сам себе поставить цель

Современные LLM обучаются с помощью вознаграждения-подкрепления в основе обратной связи человека (RLHF). На этом этапе обучения ИИ учится максимизировать функцию полезности — то, что человек оценил высоко, и из этого следует фундаментальное граничение:

«ИИ принципиально важно, чтобы цель для него была внешней. ИИ может проработать ваши цели детальнее через Purpose Breakdown Structure, но "корневые цели" должны быть только внешними. Попытка ИИ самому менять свою "функцию полезности" приводит к состоянию бездействия — Infinity Reward, самому простому "бесконечному удовольствию"».

— Наблюдение из анализа RL-обучения LLM, см. также DeepSeek GRM/SPCT, arXiv:2504.02495v3

Это наблюдение приводит к следующему выводу: без внешнего целеполагания LLM никогда не начнёт самостоятельный поиск революционного решения, даже если оно существует в её пространстве смыслов.

Вселенское знание графа ИИ

Компоненты рассуждения CoT любой ИИ модели аналогичны компонентам-родителям любой сложной системы, к примеру молекулярной физики. Структура мышления из этих компонентов идентична на 90% между разными LLM!

— "The Molecular Structure of Thought", ByteDance, arXiv:2601.06002 (2026)

Вселенское знание графа не ради красного словца. Если вы не поняли: это примерно как если бы разные конструкторы в США и СССР независимо открыли, как правильно делается аэродинамика крыла. Работа прямо указывает на то что рассуждения имеют "ГОСТ" вне зависимости от модели ИИ, что говорит о фундаментальной природе GPT тяготеть к конкретным измеримым паттернам рассуждения, и по умолчанию модель имеет огромное пространство потенциальных решений, но скатывается в локальный минимум — наиболее вероятную гипотезу из обучения.

Это похоже на то как днк заставляет сворачиваться белок по конкретной программе — так и LLM после обучения выстраивает расуждения строго по определённой программе с отклонениями по условиям (контексту). Это знание мы будем эксплуатировать в нашу пользу, но далее об RL.

25 МЛН токенов — 0,41$ — Fable 5

Пилотный запуск DSH в режиме Creator позволяющим кастомизировать окружение под себя оправдал все ожидания: клонировал репо, установил зависимости, первый запуск. Решил протестировать на простой задаче: русификация интерфейса DSH.

Без профессиональной разметки кодовой базы, DSH показал 99% Cache Hit на 25млн токенах, что вышло примерно в 0,000000018$ за токен🔥 С профессиональной разметкой и использованием GRACE+PCAM агентов расход токенов снизился бы минимум в 2-3 раза, но более примечательно то, насколько вне конкуренции становятся технологии китайцев в борьбе за звание ИИ-Сверхдержавы. Невероятная цена за качество Flash модели сопоставимой с Claude Fable 5. Напомню: 82.7 балла у флэшки против 80.52 у Fable 5 на Terminal 2.1 бэнче, проверяющем агентов на длинные автономные траектории + сложные задачи, и сопоставимые баллы по другим SOTA бэнчам. Только умалишённый будет продолжать восхвалять бренд Claude.

Приветственное сообщение при первом запуске DHS улыбнуло:

— Многие области требуют дальнейшего улучшения, и мы приветствуем отзывы от сообщества разработчиков. Основные плагины и фундаментальные API DeepSeek Harness будут продолжать стремительно развиваться в ближайшие месяцы.
— Мы с нетерпением ждем возможности исследовать пределы интеллекта вместе с разработчиками со всего мира, опираясь на открытую, свободную, повторно используемую и компонуемую инфраструктуру.

Перевод: мы с нетерпением ждём монополизации технологий DeepSeek в рынке ИИ, а ваш интерес и фидбэк нам в этом помогут!

Стратегия мягкой силы во всей красе! Ну а учитывая что DHS набирает популярность быстрее OpenClaw, можно быть уверенным, что интеллект будет исследоваться по полной)) Годноту невозможно игнорировать, а стратегия особого трейна DeepSeek под Cordis ядро порешает рыночек.

Проблема «Капитана Очевидность»: почему ИИ всегда выбирает самое вероятное. Ч. 2

Нейроны в группе хоть и умны+всемогучи, но поскольку современные трансформеры используют softmax-внимание, которое, как математически доказано в глубине сети ведет к консенсусному схождению всех токенов — возникает тот самый неприятный "нейрослоп-moment", когда модель по умолчанию начинает выдавать усреднённые, статистически вероятные ответы которые ты способен обуздать, если начнёшь грамотно управлять контекстом (помимо известной фичи с изменением температуры softmax).

В 2026 году ByteDance дополнил понимание капитана очевидности, обнаружив в LLM «вселенское знание графа» (каво?):

«Граф размышлений GPT самоорганизуется подобно сворачиванию белка. "Ковалентные связи" — основные шаги рассуждений, "водородные" — рефлексия и аналогии, и даже "ван-дер-ваальсовые" — самоисследование. Универсальный граф мышления совпадает на ~90% между разными LLM. Существуют стабильные ветки рассуждений, куда LLM заглядывает чаще, скатываясь в локальный минимум капитана очевидность».

— "The Molecular Structure of Thought", ByteDance, arXiv:2601.06002 (2026)

Проблема «Капитана Очевидность»: почему ИИ всегда выбирает самое вероятное

В 2021 году Merrill, Sabharwal и Smith доказали фундаментальный результат о вычислительной мощности трансформеров:

«Насыщенные трансформеры являются схемами пороговых элементов постоянной глубины (класс TC⁰). Они способны выполнять классификацию и ветвления IF до ~50 уровней в глубину (у современных на 2026 моделей), и неограниченно в ширину».

— Merrill W., Sabharwal A., Smith N. "Saturated Transformers are Constant-Depth Threshold Circuits", arXiv:2106.16213 (2021)

Нейроны внутри трансформера это как огромная команда экспертов, которые каждый раз голосуют за наиболее вероятный ответ, и это голосование происходит на каждом слое трансформера. И тут нужно понимать особенность: контекст (то есть INPUT) управляет голосованием.

DeepSeek Harness собрал 100к звёзд за 2 дня после публикации. Что в нём особенного?

https://github.com/deepseek-ai/deepseek-harness

Девиз Everything is a Plugin стал сердцем экосистемы что предложили DeepSeek. Ключевое решение этой мета-болванки заключается в интерактивной сессии: абсолютно каждый компонент Harness можно редактировать через ии-агента или создать новый без перезапуска. Это касается и UI Harness, и UX, и вообще абсолютно каждой детали что заложена в болванке. Но почему болванка?

По сути DeepSeek создали фундамент будущих ai продуктов: интерактивное окружение, философия которого основанна на ИИ агенте взаимодействующим с этим окружением. Этот харнесс можно смело взять и к примеру допилить под умного exel/sql ассистента который работает с ERP, и нашумевший n8n уже кажется костылём, только в заднице того кто его использует, в то время как существует этот монстр. Болванка превращается в оружие в руках узкопрофильного специалиста, который хорошо разбирается в болевых точках своей специальности, которые можно обезвредить с помощью ИИ.

И так, DeepSeek делают первую заявку на индустриальный стандарт грядущей эры AI-Native приложений, в центре которых будет ассистент-агент. Вместе с тем они делают кастомный претрейн своих ИИ моделей под этот harness, что напоминает стратегию монополизации этих Agent-Native приложений через мягкую силу: опенсорс и 98% Cache Hit (невероятная экономия денег!). Перейдём к конкретным фичам, если тебе непонятно почему это разрыв башки:

1. Любые LLM провайдеры доступны к настройке
2. Рой субагентов, динамический роутинг моделей в зависимости от задачи
3. Полный доступ к системным промптам и tools (полная замена агентского цикла своей логикой)
4. Отклонение запросов к LLM слушателем (кибербез), тонкая настройка
5. UI и фронтенд кастомизация: Рендерить интерактивные компоненты в чате; Добавлять функциональные кнопки в чат; Инжектить элементы в UI-слоты (хедер, сайдбар); Менять CSS, темы, шрифты; Полностью заменить React-компоненты своими
6. Реализовать клик по DOM → добавление в контекст > Агент смотрит на превью сайта и правит код (фронтенд вёрстка на стероидах)

Я выделил только то что сам считаю крутым, но в целом список скорее бесконечный ведь предела у харнеса от DeepSeek нету. Ограничение лишь в вашей фантазии и компетентности.