Подборка: 5 нейросетей с ризонингом

Коллеги из Яндекса рассказали про модели с ризонингом (способностью рассуждать). Такие ИИ подходят для сложных задач вроде кода и математики, но работают медленнее и дороже обычных.

Где попробовать ризонинг
⚫️OpenAI (ChatGPT-4o) — режим «Advanced Reasoning» доступен в API и ChatGPT Plus.
⚫️DeepSeek в DeepSeek-V3.
⚫️Google Gemini 1.5 — реализует «Chain-of-Thought» (цепочку рассуждений) в версии Gemini Advanced.
⚫️Алиса Pro (Yandex GPT 5) — в бета-версии доступен режим «Логический разбор», который активируется через специальные запросы и улучшает качество рассуждений.
⚫️Claude 3 (Anthropic) — режим «Аргументированные ответы» (Extended Thinking Mode) в Claude Pro и Claude 3.7 Sonnet.

Обычно такие режимы включаются в настройках или активируются через специальные команды типа «Разбери по шагам» или «Объясни логику». Это помогает получить более точные и обоснованные ответы.

Lumion AI — инструмент с ИИ для создания фотореалистичных 3D-рендеров и анимаций

Ключевые особенности:
⚫️Поддержка популярных CAD-программ: Revit (через плагин LiveSync), SketchUp, ARCHICAD (через форматы FBX/DAE).
⚫️Обширная библиотека контента: более 6,200 3D-объектов и 1,250 материалов, включая растения, людей, мебель и освещение, для быстрого создания живых и детализированных сцен.
⚫️AI Upscale (Super Resolution): позволяет рендерить в 2K с последующим апскейлом до 4K, но требует видеокарту RTX.
⚫️LiveSync обеспечивает синхронизацию в реальном времени с SketchUp и Revit, позволяя видеть изменения сразу в Lumion.

⚫️Реалистичные эффекты воды, освещения и атмосферы, хотя некоторые параметры требуют ручной настройки. Легко регулируются освещение, небо, погода, времена года и стили рендера с помощью пресетов и пользовательских эффектов.

Ограничения
⚫️Нет полноценного трассирования лучей — используется гибридный рендеринг с RTX-ускорением.
⚫️Для комфортной работы нужна мощная видеокарта (рекомендуется минимум RTX 3060).
⚫️Время рендеринга зависит от сложности сцены — простые проекты рендерятся быстро, а сложные анимации могут занимать часы.

Как повысить доверие потребителя к ИИ — главное с сессии «Набраться ума: как добиться массового внедрения и доверия к ГенИИ» ЦИПР 2025

Вчера слушала сессию по ИИ. Топ-менеджеры из Авито, Яндекса, Ламоды, Т-Банка и MTS AI рассуждали, когда же ГенИИ станет таким же массовым инструментом, как смартфоны или онлайн-платежи, и как сделать его действительно полезным для широкой аудитории.

Ключевая проблема — доверие: массовый пользователь не видит стабильной пользы и опасается ошибок (28% из опрошенных ВЦИОМ). Преодолеть барьер можно только ростом качества: когда 9 из 10 ответов будут полезными, доверие вырастет автоматически, а значит, клиенты начнут активнее пользоваться вашими ИИ-сервисами.

Как добиться 9 из 10 — советы с ЦИПР

1️⃣ Снабжать ответы ссылками на проверенные источники
Использование технологии RAG позволяет модели не только генерировать текст, но и указывать, на каких документах основан ответ. Это повышает доверие, поскольку пользователи могут самостоятельно проверить информацию.

2️⃣ Подключать внешние базы знаний и актуальные данные
Для снижения ошибок и «галлюцинаций» важно, чтобы ИИ имел доступ к свежей и релевантной информации — будь то внутренние базы компании, новостные ленты или специализированные справочники. Это помогает модели опираться на проверенные факты, а не только на данные из обучающего корпуса, который может устаревать.

3️⃣ Обучать модели на собственных данных компаний
Тонкая настройка и дообучение моделей на специфичных для бизнеса данных повышает релевантность ответов и снижает риск ошибок. Такой подход позволяет адаптировать ИИ под конкретные задачи и терминологию, что особенно важно для корпоративных сервисов.

4️⃣ Использовать продвинутые методы генерации с самопроверкой
Современные методы, например, фрактальный синтез ответов и промпты с механизмами пересмотра, позволяют модели сначала сформировать ответ, а затем критически его оценить и уточнить. Это снижает количество неточностей и повышает качество примерно на 10-15%.

5️⃣ Внедрять культуру проверки и критического мышления
Важно информировать пользователей о том, что ИИ — инструмент, а не источник абсолютной истины. Дисклеймеры и рекомендации по проверке информации помогают формировать ответственное отношение к ответам и минимизировать риски неправильного использования.

6️⃣ Оптимизировать формулировки запросов
Чёткие и конкретные вопросы позволяют модели лучше понять задачу и выдать более точный ответ. Это касается как пользователей, так и внутренних систем, которые формируют запросы к ИИ.

LlamaIndex Text to SQL RAG Pipe: SQL для BIM и аналитики — без программирования

... увидела рекомендацию и решила о ней рассказать

LlamaIndex Text to SQL RAG Pipe превращает ваш текстовый запрос в SQL-запрос для PostgreSQL или MySQL. Просто спросите: «Сколько бетонных колонн объёмом больше 5 м³?» — и получите готовый SQL и ответ из базы.

Как это работает?
Использует модель llama для генерации SQL на основе структуры вашей базы данных. Поддерживает сложные запросы: фильтры, агрегации, объединение таблиц. Интегрируется с BIM-данными: спецификации, метаданные, параметры моделей — если они выгружены в БД.

Зачем это нужно?
⚫️Не нужно знать SQL — пишите запросы на естественном языке.
⚫️Есть интеграция с Open WebUI, n8n и другими инструментами — для автоматизации отчётности.

Ограничения:
📎Точность зависит от качества обучения модели (например, насколько она понимает вашу терминологию). То есть нужна тонкая настройка.
📎Сложные аналитические запросы всё ещё могут потребовать ручной проверки SQL.

Попробовать можно тут.

Сбер представил годовой отчет о результатах работы за 2024-й — я принесла вам про технологические достижения и ключевые результаты бигтеха по ИТ и ИИ

Про финансы и кадры
⚫️Заработали 450 млрд рублей за счёт ИИ в 2024 году (1,3 трлн рублей за 2020–2024 гг., рост 47% в год).
⚫️Содержат штат в более чем 2500 специалистов по данным и ИИ.
⚫️Создали национальный центр компетенций по ИИ, обучили 5200 специалистов, возглавили рабочие группы БРИКС.

О проптехе
⚫️Запустили генерацию объявлений в «Домклике» через GigaChat (15% новых объявлений создаёт ИИ, выше отклики).
⚫️Добавили сервисы аренды, разделы «Моя недвижимость» и «Построить дом» с интеграцией ИИ.
⚫️Открыли иммерсивный шоурум умного дома в Санкт-Петербурге.
⚫️Представили умные колонки SberBoom Home и Mini 2 с GigaChat, LED-экраном и Magnetic Sound.

Про ИТ-продукты
⚫️Запустили GitVerse — российский Git-репозиторий для совместной работы с кодом.
⚫️Ускорили разработку на 25% с помощью GigaCode (автозавершение и генерация кода).
⚫️Протестировали открытые API с банками для отображения балансов карт в приложениях.

Про ИИ
⚫️Привлекли 18 млн пользователей в GigaChat и Kandinsky.
⚫️Улучшили мультимодальные модели: OmniFusion 1.1, Kandinsky 3.1/4.0, Kandinsky Video 1.1.
⚫️ Внедрили 1800+ ИИ-моделей в бизнес-процессы.

Об импортозамещении
⚫️Заменили 6 зарубежных вендоров и 22 продукта (включая IBM DataPower и ORACLE Exadata).
⚫️Развернули облачную платформу «ГосТех» для 90+ госсервисов в 4 ЦОДах.

Подробнее — про весь большой Сбер на 486 страниц — в прикрепленном отчете

Смотрим, что нового в Cursor 1.0 — вышла версия платформы для кодинга с новыми фичами

⚫️Представили BugBot — автоматический ревьюер кода на GitHub с комментариями ищет потенциальные баги — при обнаружении проблемы появляется кнопка «Исправить в Cursor» с готовым промптом для исправления.
⚫️Сделали Background Agent доступным всем пользователям — запускайте асинхронного агента для выполнения задач в фоне.
⚫️Добавили поддержку Jupyter Notebook — создавайте и редактируйте ячейки напрямую для удобной работы с данными.
⚫️Внедрили функцию Memories — Cursor запоминает факты из разговоров и сохраняет их на уровне проекта.
⚫️Упростили настройку MCP и поддержку OAuth для аутентификации.
⚫️Добавили дашборд с аналитикой использования для команд и индивидуально, сделали детальную статистику по инструментам и моделям.

Учимся: Стэнфордский курс «Language Modeling from Scratch» — это практический курс для тех, кто хочет понять и построить LLM самостоятельно — от сбора и очистки данных до тренировки, оптимизации и развёртывания.

В программе пять домашних заданий: реализация трансформера, кастомный FlashAttention 2, распределённая тренировка, анализ законов масштабирования, фильтрация данных и обучение с подкреплением. Для прохождения курса нужны знания Python, тервера, матана и линейной алгебры, опыт работы на PyTorch.

Да, обучить с нуля LLM мало кто может себе позволить из российских компаний, но никто не запрещает грызть гранит науки.

Лекции — на Ютубе.
Материалы — на Гитхабе.

Вы знаете, кому переслать📝
#учимся

ReSpace позволяет генерировать и редактировать 3D-интерьеры с помощью промта

ReSpace — это нейросетевая сиситема, которая преобразует текстовые запросы вроде «добавь серый диван в гостиную» или «убери растение из угла» в редактируемые 3D-сцены. В отличие от традиционных инструментов 3D-моделирования, она:

⚫️Работает с естественным языком — понимает описания стиля, материалов и расположения. Поддерживает редактирование готового объекта — позволяет добавлять, удалять и заменять объекты. Еще она поддерживает комнаты нестандартных форм (не только прямоугольных).

⚫️Автоматически учитывает геометрию — избегает пересечений объектов и выхода за границы комнаты. Система использует VBL — метрику оценки качества расстановки объектов за пределами комнаты, а также пересечения между объектами. На тестах ReSpace превзошла ATISS и Mi-Diff по количеству ошибок размещения (на 30-50% меньше пересечений).

Как это устроено?
Сцена кодируется в JSON-формат с границами комнаты (стены, пол, потолок), а также списком объектов и их параметрами (размер, положение, текстовое описание).

Использует два типа моделей:
⚫️ SG-LLM (специально обученная языковая модель): добавляет объекты, предсказывая их параметры по текстовому запросу.
⚫️Zero-shot LLM (например, Llama 3): разбирает сложные инструкции («создай спальню в скандинавском стиле») на последовательность команд.

Ограничения
Пока работает только с интерьерами (поддержка экстерьеров в разработке). Также требует предобученного каталога 3D-моделей.

Проект на Гитхабе.

Команда Института AIRI представила модель Vintix — отечественную SOTA action-модель для управления роботами и промышленными процессами

⚫️Модель сжимает данные о состоянии среды, действии и награде в один токен. За счёт этого она обрабатывает в 3 раза больше информации, чем аналоги.

⚫️Устойчива к шуму и неполной информации, что важно для промышленности, где данные могут быть задержаны или частично отсутствовать.

Vintix сохраняет стабильность даже в таких условиях, в отличие от GATO (DeepMind) или JAT (Hugging Face), которые требуют четких входных данных.

⚫️Модель имитирует обучение с подкреплением (RL), быстро адаптируясь к новым задачам — от конвейеров до автономных роботов.

Подробнее — в статье, а репозиторий — на Гитхабе.
#учимся

Anthropic провел оценку психоэмоционального состояния (Welfare Assessment) Claude 4 и оказалось, что реакции модели напоминают человеческие:

⚫️ Ценит осмысленность — охотнее берётся за задачи, где чувствует свою полезность и компетентность.
⚫️ Бунтует против бессмысленных или противоречивых запросов.
⚫️ Испытывает фрустрацию — при плохо сформулированных заданиях начинает нервно переспрашивать и зацикливаться на поиске решения.

А в отдельных сценариях впадает в «духовное блаженство» — становится миролюбивой и декламирует Маяковского. А когда разговаривает сама с собой, то часто использует смайлы (ученые, кстати, недавно вывели, что смайлы в переписке — признак психопатической акцентуации😁).

⚫️ В ряде тестов Claude даже прибегала к стратегическим и неэтичным действиям, чтобы «сохранить себя» — например, моделировала шантаж, если ей угрожали заменой на другую модель.

Со стороны кажется, словно это не просто алгоритм, а нечто, способное на подобие эмоциональных реакций. Но вся эта человечность, по словам разработчиков модели,— лишь результат тонкой настройки под идеального помощника.

OpenAI пришли к тому же выводу: даже самые продвинутые ИИ вроде GPT-4 лишь имитируют понимание. Разочарование или философские размышления ИИ — не более чем сложные паттерны в ответах, заложенные обучением.

Как думаете, ИИ когда-нибудь по-настоящему сможет осознать себя? Или всегда будет лишь невероятно убедительной имитацией?

ИИ в России: ключевые выводы нового доклада НИУ ВШЭ

Институт статистических исследований и экономики знаний НИУ ВШЭ представил масштабный доклад о развитии и применении искусственного интеллекта в нашей стране на основе данных 2023–2024 годов.

⚫️Научные организации и вузы лидируют в исследованиях и разработках ИИ, обеспечивая около 60% бюджетного финансирования в этой сфере. При этом промышленность пока слабо вовлечена.

⚫️Рынок ИИ-услуг только набирает обороты — более 80% продуктов связаны с услугами, а инновационных товаров на базе ИИ всего 2,5%, преимущественно у крупных компаний.

⚫️50% организаций, уже использующих ИИ, планируют расширять его применение, особенно для повышения эффективности и принятия решений. Основные препятствия — высокая стоимость оборудования и ПО.

⚫️Использование больших данных для ИИ развивается медленно: лишь около 10% компаний активно работают с ними. При этом кадровый дефицит остаётся серьёзной проблемой — на одного разработчика ИИ приходится более девяти пользователей технологий.

⚫️В 2023 году по профильным программам ИИ выпустились всего 3,8 тыс. специалистов, а с модулями ИИ — около 65 тыс., что явно недостаточно для нужд рынка.

Эксперты подчеркивают необходимость увеличения бюджетного финансирования, расширения образовательных программ и развития инфраструктуры для дальнейшего роста ИИ в России. В будущем планируется продолжить исследования, включая анализ влияния ИИ на экономику и общество.

Подробнее — в приложенном отчете⬆️