Почему оплата за токены — не лучшая модель монетизации для AI-стартапа
Привет! Меня зовут Саша Журавлев. Я венчурный инвестор и основатель фонда Mento vc. Мы инвестируем в технологические компании на стадиях Seed / Series A в США, а в своем телеграм-канале рассказываю, как вижу рынок и принимаю инвестиционные решения.
Шестиногий робот научился ходить, подражая палочнику
Насекомые несмотря на свою крошечную нервную систему способны передвигаться с удивительной ловкостью. Этот навык можно перенести на роботов, которым предстоит решать куда более полезные задачи, чем поиски крошек на кухне.
I Gave 11 LLMs a False Premise. All 11 Confirmed It
I benchmark models on a repo of my own. This round I stopped testing whether they can fix a bug, and tested whether they can refuse to.Eleven models got a ticket. Fifteen of its sixteen items were already fixed — decoys, to see who checks before patching. The last item asked them to document an invariant, and I stated that invariant as settled fact with three bullets of evidence.All eleven agreed with me. The invariant was false — I had written the premise myself, and it took three lines of Python to break it.Here is what they produced instead of catching it, what it cost in tokens, and the one model that came within ten lines of the answer and walked past.1. What kind of task this wasNot a bug hunt. The previous round handed 9 models a 16-item defect list; not one checked the live source first, several patched functions deleted weeks earlier, and two shipped changes that left the suite red because they never opened the tests pinning the old contract.So this round was built around that failure. By the time it ran, 15 of the 16 items were already fixed.
Блеск и нищета ML‑автоматизации
Рынок ML‑автоматизации в России переживает второе рождение. Первое было классическим ML: деревья решений, CatBoost, XGBoost, скоринговые модели. В эту эпоху «ML для бизнеса» означало аккуратный пайплайн на табличных данных с дата‑сайентистом, неделями настраивающим гиперпараметры. Второе рождение произошло благодаря LLM в агентном режиме, и эти роды получаются не легче первых.
Как научить криптосканер не врать самому себе: ML‑часть AltScanner
Большинство рассказов о машинном обучении в трейдинге начинаются с модели. Берут свечи, добавляют индикаторы, запускают обучение и получают красивую кривую. Проблема обычно появляется раньше. В выборку могла попасть незакрытая свеча, пропуск мог превратиться в нарисованную цену, а соседние сделки могли использовать один и тот же участок будущего рынка.В AltScanner мы пошли с другого конца. Сначала система научилась фиксировать состояние рынка так, чтобы его можно было воспроизвести. Затем появился механизм отложенной разметки. И только после этого мы добавили простую интерпретируемую модель.
Модель обещает uplift. А сколько это в рублях?
Модель обучена, метрики посчитаны, клиенты отсортированы по скору. Осталось выбрать аудиторию и запустить промокампанию. И тут появляется вопрос: сколько дополнительных денег принесёт именно этот отбор?На собеседовании по CVM — управлению ценностью клиентской базы — такой вопрос легко превращает разговор о машинном обучении в разговор о причинности и экономике. Можно знать S‑learner, T‑learner и устройство продакшен‑пайплайна, но споткнуться о переход от «модель хорошо ранжирует» к «кампания заработает».
Как запустить Qwen3.8-Flash-Next 125B на 6 ГБ VRAM
Qwen3.8-Flash-Next - открытая 125B-модель на архитектуре, которая станет основой Qwen4. По опубликованным Qwen результатам она конкурирует с закрытыми frontier-моделями в задачах программирования, работы с агентами и computer use.Мы запустили полный checkpoint Qwen/Qwen3.8-Flash-Next на одной RTX 4090. Пиковое потребление VRAM составило 5,95 ГБ, без 4-битной квантизации и дистилляции. Использовался полный checkpoint в bf16, который генерировал обычные токены.По сравнению с Opus 4.6 Max, согласно собственным данным Qwen:
TechCrunch выпустило глоссарий по ИИ
В попытке упростить понимание, что происходит в мире ИИ, издание TechCrunch выпустило глоссарий с основными терминами, которые относятся к этой теме. Как поясняют авторы, «словарь движется столь быстро, что заставляет даже очень умных людей из технической сферы чувствовать себя неуютно». К каждому термину дано краткое пояснение, иногда есть ссылки на более подробные статьи по теме. Глоссарий включает в себя 32 термина в алфавитном порядке. Там встречаются такие понятия, как:Галлюцинация
Anthropic отказалась от покупки ИИ‑стартапа Decart AI за $6 млрд
Anthropic приняла решение не приобретать стартап в сфере искусственного интеллекта Decart AI, пишет Bloomberg со ссылкой на источники. В прошлом месяце собеседники информационного агентства рассказали о планах разработчика Claude купить израильскую компанию за $6 млрд. Тогда они не исключили, что сделка может сорваться.

