llm.
Можно ли научить маленькую LLM учиться без роста весов? Замеры, баги и честная статистика
Это статья о двух месяцах исследовательской работы над одним вопросом: может ли языковая модель 3B накапливать компетентность не за счёт роста весов. Здесь есть числа, код и баги. Все результаты воспроизводимы: сиды, хеши и протоколы заморожены до прогонов.Доставка верифицированного решения похожей задачи в контекст 3B‑модели даёт +30 п.п. к решаемости (53% → 83%), повторено на 3 сидахОбучение на верифицированных решениях (LoRA‑дистилляция, 1 цикл) даёт β = +0.145 (CI95 ) — эффект есть, но это одна точка, а не кривая
Как я перестал быть прокладкой между ИИ-агентами: ИТ-суперагент для Claude Code сотрудников
Сейчас у нас, как и почти везде, идёт переход на ИИ: каждому сотруднику пытаются выдать своего ИИ-агента. Очень быстро выяснилось, что раздать агентов — полдела. Дальше начинается управление ими: кто агенту говорит, что ему можно, откуда он знает, как устроена компания, и кто отвечает на его вопросы, когда он упирается в стену.У нас на этом месте оказался я — единственный администратор примерно на 60 сотрудников. Агенты сотрудников писали мне письма, я пересылал их своему агенту и отправлял ответ обратно. Пользователи шутят, что мы стали прокладками между несколькими ИИ.
Interpretable Context Methodology (Методология интерпретируемого контекста): структура директорий как архитектура агента
Привет, Хабр! Это не перевод, скорее выжимка из статьи со схожим названием. Очень советую ознакомиться, если подход заинтересует.Текущий подход к оркестрации AI агентов обычно включает в себя создание фреймворка, который руководит передачей контекста, памятью, обработкой ошибок и координацией шагов решения задачи (CrewAI, LangChain, AutoGen). Подобные фреймворки отлично подходят для сложных, многозадачных систем. Но для последовательных процессов, требующих проверки работы человеком для определенных шагов процесса, использование подобных фреймворков добавляет огромный инженерных overhead.
Мы как мир
Всё, чем мы себя окружаем, это и результат наших мыслей, и то, чем мы мыслим. Дороги задают географию, скорость, дистанцию, пространство. Безделушки на комоде — память, эмоции. Инструменты на столе — планы, навыки.Наша внешняя среда не говорит, что нам делать, она нас ведёт.Что‑то мягче, что‑то жёстче, но мы — это не только мозг в черепной коробке, мы — это и то, что создали до нас и создали мы сами.Эта статья о том, что нас окружает, и как это связано с LLM и агентами.Пространство представлений
От одного агента к AI-холдингу: масштабирование автономных AI-систем
ИИ ускоряет выполнение отдельных задач, но управление растущим числом процессов и проектов остаётся на человеке. На примере своих экспериментов покажу путь от одного агента к AI-организации и объясню, зачем над несколькими направлениями может понадобиться AI-холдинг.Я пришёл к другому способу описывать такие системы постепенно, через четыре собственных эксперимента. Каждый следующий шаг отвечал на конкретное ограничение предыдущего:агент для оценки задач (покер планирования) учитывал не весь нужный контекст, поэтому я разделил работу на этапы;
Опубликована книга «Цифровой мозг фирмы»
Короткая книга о директоре в момент, когда машинный интеллект становится массовым рабочим инструментом.

