AI NeuroWave - AI новости

🎬 AI Cinema | НейроКино #2 Old Cabin Tale — It Follows | Music Video Психологический музыкальный клип, построенный вокруг расколотой идентичности и теряющего устойчивость восприятия реальности. Автор проводит зрителя через паранойю, диссоциацию и нестабильность ощущений. Песня «It Follows» — оригинальная композиция: текст и музыку написал сам автор, он же выступил режиссёром и монтажёром ролика. 🤖 Создано: 🎥 Модель: Kling 🧠 Дополнительно: assistant и Gemini, музыка Suno, монтаж DaVinci Resolve 👤 Автор: Ron Gold ⏱ Хронометраж: 4:13 🏆 Признание: Отмечено сообществом ReelStack ▶️ Смотреть: Ссылка скрыта 🌐 Источник: ReelStack #AIvideo #AICinema #НейроКино

⚡ Параллельные агенты: когда быстрее, а когда просто дороже Один сценарий — лендинг, письмо и программа эфира — прогнали на одной модели тремя способами. Входные данные одинаковые: 6 файлов, 4141 слово. Последовательно одним агентом: 423 с, $2,74, 141 383 токена контекста. Параллельно через доску-оркестратор: 307 с, но $6,15 (в 2,24 раза дороже) и 532 128 токенов. Вручную параллельно: 361 с и $5,73. Ускорение даёт не «доска», а разделение задачи на изолированные ветки со свежим контекстом. Оркестратор добавляет удобство контроля — видно состояние веток, — но не качество. Один и тот же набор файлов уходит в каждую ветку, поэтому токены умножаются. Как применять: параллельте только по-настоящему независимые задачи. Суммарное машинное время растёт (499 с против 423 с) — быстрее ждать, но дороже токенами. А проверка качества отдельным агентом-судьёй на разовой задаче может стоить дороже самой задачи. 🌐 Источник: Habr #ИИ #Агенты #LLM #Автоматизация #Оркестрация

Натюрморт у медного чайника (классическая живопись / Dutch Golden Age still life) Dutch Golden Age still-life oil painting, square format: a worn copper kettle, a cracked ceramic bowl of dark figs, a half-peeled lemon with a curling rind, a blue-and-white porcelain cup, a single dead moth resting on the cloth; everything set on draped dark green velvet; dramatic chiaroscuro side light from the left, deep falling shadows, warm amber and emerald palette, tiny glints on metal and glossy fruit skins; visible brushwork, fine craquelure, aged varnish; museum lighting; mood: quiet, reverent, abundant; hyper-detailed classical realism, no text, square crop. Получится тёмный музейный натюрморт в духе голландских мастеров: боковой свет вырывает из черноты медь, восковой бок инжира и лимонную спираль кожуры, а всё остальное тонет в бархатной тени. Эффект держится на контрасте блеска металла и матовой кожуры плюс трещинки старого лака — картинка выглядит как вещь с аукциона, а не как современная генерация.

Ривьера в стиле ар-деко (винтажный тревел-постер) Vintage Art Deco travel poster illustration, square format: a sun-drenched Mediterranean riviera town clinging to steep cliffs above a turquoise bay, striped umbrellas and a curving coastal road, a lone white sailboat, stylized geometric mountains and a sunburst sky; flat bold shapes, crisp clean edges, subtle paper grain and screen-print texture; palette of deep teal, terracotta, cream, mustard yellow and coral; mood: glamorous 1930s escapism; elegant poster composition, no text, square crop. Получится графичный плакат в духе рекламных постеров 1930-х: терракотовые скалы, бирюзовая бухта и геометричное солнце над крышами. Эффект держится на контрасте тёплых и холодных плоских пятен, чётких силуэтов и лёгкой зернистости печати — читается как винтажный арт-объект, а не как фотография.

⚡ Короче не значит дешевле: как снизить цену ИИ-агента Кажется очевидным: экономить на агентах — укорачивать вывод инструментов. Но если в ответе нет нужных деталей, модель перечитывает исходник или перезапускает команду — ходов больше, задача дороже. GitHub назвал это «сэкономили токены локально, потратили больше глобально». Оптимизировать надо не отдельный вызов, а задачу целиком. Четыре изменения: сжимать только повторяющийся шум (install, build, test, lint), а вывод cat и git diff отдавать как есть; убрать номера строк при чтении файлов; сократить служебные промпты; отдавать фоновые результаты сразу. Цифры: сжатие шума и отказ от номеров строк — около 5% экономии в замерах и 3% в стоимости на пользователя; сокращённый промпт — 1300 токенов на ход и 2,9% к цене часа; доставка результатов — 2,3%. Что делать: измеряйте эффект на всей задаче, а не на одном вызове; убирайте сначала формат, а не информацию; сокращение промпта проверяйте тестом поведения. Модель не стала умнее — исчезла работа, которая ей не была нужна. 🌐 Источник: GitHub Blog #ИИ #Агенты #Кодинг #Оптимизация #LLM

⚡ Промпт на 300 токенов вместо 9500: как ужать ответ модели в 30 раз Структурированный вывод ломается на длинном JSON, а правка «подвинь кровать левее» стоит как сборка сцены с нуля. Дело не в модели, а в формате ответа. Как работает. Вместо JSON-схемы — компактный текстовый формат: одна строка на сущность, умолчания не пишутся, анимация — ключами с отступом. Модель отвечает не документом, а патчами: знакомый идентификатор заменяет сущность, новый — добавляет. Типовые конструкции вынесены в макросы: модель пишет одну строку, а геометрию считает код. Что это даёт: ответ ужался до 300 токенов — в 30 раз меньше исходного JSON, в 12 раз дешевле и в 13 раз быстрее. Плюс низкий уровень размышлений режет расход ещё в несколько раз без потери качества. Тот же принцип для видеогенерации: вместо уговоров текстом — 3D-превиз из примитивов, а в промпте короткая позитивная инструкция «операторскую работу бери из референса, объекты — из описания». Списки запретов работают хуже. 🌐 Источник: Habr (GPTunneL) #ИИ #Промптинг #LLM #Видеогенерация #Агенты

🧮 Нужен ли вам RAG? Считайте, а не стройте по инерции RAG привыкли строить по умолчанию: чанкинг, эмбеддинги, векторная база, реранкер. Но это 2–3 месяца разработки плюс вечная поддержка — часто ради документации, которая целиком влезает в контекст. Флагманы держат окно в 1M токенов, а 400 страниц — это ~250K токенов. Но Long Context не панацея. Внимание модели идёт по U-образной кривой: начало и конец читаются хорошо, середина проваливается. Заявленный контекст — потолок, а не рабочая зона: эффективно модель работает с 50–65% от него. Плюс context rot — в долгом диалоге модель путает устаревшие и свежие инструкции, и после 15–20-го вопроса точность падает. Правило выбора по трём параметрам — объём корпуса, частота обновлений, число запросов: до 200K токенов и редкие обновления → длинный контекст с кэшированием; больше 200K и много запросов → RAG; свыше 2M токенов → RAG обязателен. И не переусложняйте: часто хватает BM25 или гибрида BM25 + эмбеддинги. Считайте стоимость разработки и поддержки, а не следуйте привычке. 🌐 Источник: Habr (BotHub) #ИИ #RAG #LLM #Контекст #Промптинг

🎬 3D-сцена из промпта: подключаем Blender к кодинг-агенту Современные модели уже уверенно управляют Blender напрямую: вся настройка — десктопный Blender плюс обычный кодинг-агент, без обвязки. Промпт, который работает: «Use the already install /Applications/Blender to render a scene of a pelican riding a bicycle». Чтобы модель не тратила время, сразу дайте команду запуска: «Use Blender like this: /Applications/Blender.app/Contents/MacOS/Blender --background --python scene.py». Скорость (Codex, GPT-6 Astra Medium): первая сцена — 2 мин 39 с, добавление фона и деталей — 3 мин 51 с, финальная доработка — 5 мин 59 с. На выходе — редактируемые .blend и python-скрипты сцены. Главный приём — превратить удачную сессию в скилл. Промпт «Create a quick skill that describes how to use the currently installed /Application/Blender based on what you learned» заставил агента самому собрать и установить SKILL.md. Дальше сцена собирается коротким «Use your Blender Local skill to build this scene (attached image)». 🌐 Источник: Simon Willison (TIL) #ИИ #Blender #кодингагенты #промптинг #3D

⚡ Шесть слэш-команд, которые превращают чат с ИИ в рабочий процесс В приложении GitHub Copilot появился набор слэш-команд — это готовые шаблоны промптов под конкретные этапы работы. Вместо «напиши код» вы задаёте режим, и модель работает внутри него. Как это устроено. /plan разбивает задачу до кода: файлы, зависимости, риски, поэтапный план. /spar играет адвоката дьявола и оспаривает допущения — выбранный кэш, REST против GraphQL, план миграции. /autopilot берёт цель и проходит реализацию с прогоном тестов. /rubber-duck отдаёт план на ревью другой модели — второе мнение против слепых зон. Ещё /create-canvas делает из диалога интерактивную схему, а /orchestrate делит крупную работу на параллельные подзадачи. Как применить. Последовательность полезна и без приложения: план → проверка допущений → реализация → второе мнение. Формулировки переносятся в любой чат, например: «Планирую Redis как кэш. Оспорь подход и укажи проблемы масштабируемости, которые я упустил». 🌐 Источник: GitHub Blog #ИИ #Промптинг #AIагенты #Разработка #Продуктивность