Быстрый старт: как говорить с нейросетью

«Системный Блокъ» продолжает спецпроект «ИИ-лайфхаки для вашей профессии» и представляет гайд по быстрому старту — инструкцию, которая поможет зарегистрироваться в популярных нейросетях и написать осмысленные запросы, если вы никогда не взаимодествовали с нейросетями или понимаете, что они не всегда выдают вам подходящие ответы.

Кратко: что внутри?

Мы пошагово разбираем:
— как завести аккаунт в ChatGPT и DeepSeek — от ввода почты до первого вопроса;
— что такое промпт и как сформулировать его так, чтобы нейросеть поняла вас с первого раза;
— какие функции вообще есть у нейросетей.

Вы узнаете:
— с какими задачами могут помочь нейросети;
— как прикреплять документы и изображения для анализа;
— как разные режимы поиска помогают сделать выдачу нейросети точнее.

Загрузите в ChatGPT научную статью и попросите: «Выдели ключевые тезисы» — нейросеть проанализирует текст. А чтобы найти свежие данные по этой теме, задайте соответствующий запрос в DeepSeek с включенным Search-режимом.

Подробные инструкции с наглядными примерами уже ждут вас в разделе «Быстрый старт». 

🤖 «Системный Блокъ» @sysblok

Сосны, Волга, данные и пеньчарты: «Системный Блокъ» провел мастерскую дата-журналистики на Летней школе

Команда «Системного Блока» вернулась с Летней школы (это волонтёрский образовательный проект, которые ежегодно проходит в лесу на берегу Волги недалеко от Дубны).

Как и в прошлом году, мы делали на ЛШ мастерскую @datajourschool, посвященную дата-журналистике. 25 участников — лингвисты, журналисты, аналитики данных — две недели изучали, как спланировать дата-исследование, где взять данные, как с ними работать и как делать из них красивые и понятные визуализации. И применяли все это на собственных проектах — исследованиях, партнерами которых выступили:
— благотворительная организация «Ночлежка» @nochlezhka,
— научно-популярный журнал «Кот Шредингера» @kot_sh,
— издательство ОГИ @izdatelstvoogi,
— медиа о культуре российских регионов «В лесах» @vlesah,
— цифровой корпус почтовых открыток «Пишу тебе» @pishuteberu

Но мы не только учились. Под чутким творческим руководством дата-художницы Нади Андриановой выпускники мастерской прошлого года сделали выставку дата-арта, где данные о летнешкольниках были представлены в виде пеньчартов или фигур с картин Малевича.

Участники уехали домой, но мастерская не закончилась: работа над проектами продолжается.

🤖 «Системный Блокъ» @sysblok

Музыка на «костях»: как рентгеновские снимки заменили винил

Что общего у Элвиса Пресли и перелома ключицы? В СССР ответ на этот вопрос был неожиданным, но точным: его пластинки печатали на рентгеновских снимках. Рассказываем, когда и зачем энтузиасты создавали рентген-пластинки, какие исполнители на них оказались, и как проект  BONE MUSIC работает с этим феноменом.

💿 Что это за пластинки?

Любительские записи музыки на рентгеновских снимках появились в конце 1940-х годов. Одной из причин, конечно, был повсеместный дефицит материалов, поскольку винил для пластинок было найти непросто. Тогд использованную пленку из больниц и поликлиник стали выкупать и использовать для самодельных записей. Родиной такого рентгениздата, кстати, считается Санкт-Петербург (тогда — Ленинград).

🕺🏻 Запрет, мода, память

Вторая причина популярности музыкальных рентген-снимков — советская цензура. Официально продавать пластинки с иностранной (джаз, рок-н-ролл), эмигрантской и блатной музыкой было запрещено. Но меломаны и сторонники контркультуры находили способы распространить ее, несмотря на возможное наказание вплоть до уголовной ответственности. Так рентген-пластинки стали не только способом распространения музыки, но и символом подпольной культуры, которая противостояла официальной идеологии.

Сошел на нет этот способ записи к концу 1960-х – по мере распространения кассетных магнитофонов.

🩻 BONE MUSIC

Один из наиболее крупных проектов, направленных на сохранение памяти о рентген-пластинках, — BONE MUSIC, инициатива The Bureau of Lost Culture — лондонского объединения, которое собирает артефакты контркультуры ХХ века. 

Создатели проекта, музыкант и продюсер Стивен Коутс и фотограф Пол Хэтфилд, ищут рентген-снимки в странах бывшего коммунистического лагеря, оцифровывают их, проводят исследования и выставки. Это позволяет не только сохранить уникальные арт-объекты, но и сделать их доступными для широкой аудитории.

Сегодня сайте цифрового проекта Bone Music размещены фотографии музыкальных рентген-снимков, аудио, отчеты и другие материалы. Можно найти записи Эллы Фитцджеральд, Элвиса Пресли, Петра Лещенко (русского эстрадного певца, оказавшегося после Первой мировой войны румынским подданным, но имевшего международный успех в 1920–1940-е годы), услышать одну из первых версий знаменитой Mambo Italiano или образцы русского шансона («Через море, скованное льдами...», «Расскажу я вам этот случай...»).

Подробнее о том, как появилась идея проекта и как он развивался, узнаете из полной версии статьи.

Время чтения: 4,5 минуты

🤖 «Системный Блокъ» @sysblok

ИИ для исследователей: как нейросети помогают в науке

Что, если ИИ сможет быстрее вас находить нужные статьи, систематизировать данные и даже подсказывать новые направления для исследований? В новом разделе спецпроекта «ИИ-лайфхаки для вашей профессии» мы собрали практические инструменты, которые экономят часы рутинной работы ученым.

Кратко: о чем раздел?

ИИ ускоряет работу исследователей на всех этапах: от формулировки темы и поиска литературы до анализа данных и подготовки публикаций. Если вам предстоит писать курсовые и дипломные работы, готовиться к конференциям и проводить собственные исследования, вам наверняка пригодятся многие ИИ-инстурменты, которые могут с этим помочь.

Вы узнаете:
— как с помощью Elicit выбрать тему и найти research gaps;
— чем полезны Litmaps, Connectedpapers и Zotero для поиска и систематизации литературы;
— как собрать собственную базу знаний с Meetcody.ai и Typeset.io;
— зачем использовать Perplexity и Consensus для чтения и анализа научных источников;
— как нейросети помогают оформлять библиографию и даже писать код для анализа данных.

Все инструменты — с примерами запросов, скриншотами и пошаговыми сценариями. Подробнее читайте в разделе «ИИ для исследователей».

🤖 «Системный Блокъ» @sysblok

Как SQL помогает изучать дореволюционное кредитование

Как работало банковское кредитование в Российской империи? Кто получал деньги от крупнейших банков? Как Москва превращалась в финансовый центр и втягивала в свою орбиту всю страну?

В начале XX века к не было банковского приложения, чтобы взять кредит. Зато были бумажные векселя, личные связи и бухгалтерские книги, написанные от руки. Оцифровав почти 2000 вексельных сделок одного из крупнейших банков империи, рассказываем, как работала эта система.

📜 Что и как мы исследовали?

Главным инструментом коммерческого кредитования в начале XX века были векселя — долговые расписки, которые компании выдавали друг другу при покупке товаров с отсрочкой платежа. Чтобы разобраться в сложной системе кредитования и увидеть механизмы ее работы, мы изучили архивные данные Московского отделения ПМКБ (Санкт-Петербургского международного коммерческого банка). Мы проанализировали вексельную книгу за 1900 год, сделали квартальную выборку и вручную оцифровали 1994 записи банковских сотрудников на сумму 2,47 млн руб.

💰 Кто пользовался банками?

Главными клиентами банков оказались торговые дома (29% от общего объема векселей), за ними – нефтяные компании (23,8%), а замкнули тройку лидеров металлургические и машиностроительные предприятия (15,7%). Иначе говоря: в топе были представлены три ключевых сектора экономики того времени.

📍 Куда шли денежные потоки?

Более половины всех проданных в банк векселей (52%) были выписаны или предназначались к платежу за пределами Москвы. Среди других городов, где была высокая концентрация сделок с векселями, выделяются Санкт-Петербург, Нижний Новгород, Харьков и Выкса.

Подробнее о том, как между собой были связаны клиенты банка, почему для анализа географии нам пришлось преобразовывать данные и о каких суммах кредитных сделок идет речь, узнаете из полной версии статьи.

Время чтения: 7,5 минут

🤖 «Системный Блокъ» @sysblok

Новая DeepSeek, интерактивная симуляция миров от Google и Grok-2 в открытом доступе

Рассказываем, что произошло в мире ИИ за последнее время.

Новая DeepSeek-V3.1

Компания DeepSeek представила обновление своей большой языковой модели DeepSeek-V3.

Разработчики фокусировались на развитии агентных возможностей — способности модели автономно выполнять задачи на компьютере. О важности агентов в развитии ИИ мы писали в предыдущем дайджесте.

Архитектура модели осталась прежней, но теперь нет разделения на «рассуждающую» и «быструю» версии — DeepSeek-V3.1 объединяет оба режима. В режиме рассуждений она показывает те же результаты в тестах по математике и программированию, что и предыдущая версия, но генерирует более лаконичные промежуточные размышления. Другими словами, разработчики ускорили модель без потери качества.

Стоимость доступа к API незначительно выросла, однако DeepSeek-V3.1 по-прежнему остаётся самой дешевой из сопоставимых моделей. Веса модели опубликованы в открытом доступе под лицензией, разрешающей коммерческое использование. Попробовать модель можно через официальный сайт и мобильное приложение. Подробнее о DeepSeek и работе с ним мы рассказывали ранее.

Почему это важно?

LLM от DeepSeek популярна как среди энтузиастов, так и среди широкой аудитории. Подробная техническая статья о DeepSeek-R1 открыла open-source сообществу простой и надёжный метод обучения рассуждающих моделей, аналогичных закрытой o1 от OpenAI, что значительно сократило разрыв между проприетарными и открытыми LLM.

Данные, генерируемые моделями DeepSeek, активно используются для обучения других моделей. По слухам, ими пользуются не только независимые разработчики и небольшие компании, но и крупная французская ИИ-компания Mistral.

1/3

🤖 «Системный Блокъ» @sysblok

Grok-2 выложили в открытый доступ

Лаборатория xAI Илона Маска выложила в открытый доступ веса и код LLM Grok-2.5, выпущенной в прошлом году.

Grok-2.5 построен на архитектуре Mixture-of-Experts: во время генерации, в зависимости от запроса пользователя, используется лишь часть параметров. Всего в модели 270 млрд параметров, из которых активны 62 млрд. Для сравнения, у сопоставимой по размеру open-source модели Qwen3 при работе задействуется почти втрое меньше параметров, что сильно сокращает время отклика.

По качеству Grok-2.5 сопоставима с флагманскими моделями прошлого года. Модель доступна для коммерческого использования, однако её нельзя применять для улучшения других языковых моделей — например, нельзя обучать на данных, сгенерированных Grok-2.5.

Почему это важно?

Grok-2.5 не является лидирующей LLM с открытыми весами по соотношению размер/качество, однако сам факт публикации в открытый доступ флагманской (хотя и не самой новой) модели от одной из самых больших ИИ-лабораторий примечателен. Для сравнения: OpenAI так и не выложила веса GPT-3, вышедшей в 2021 году, несмотря на большое количество запросов со стороны сообщества. Маск также пообещал выложить Grok-3 в открытый доступ через 6 месяцев.

2/3

🤖 «Системный Блокъ» @sysblok

Genie 3 генерирует интерактивные миры

Лаборатория Google DeepMind представила третье поколение модели Genie. Это семейство относится к так называемым «моделям мира» (world models) — системам, которые симулируют физику реального или игрового пространства.

Genie 3 по текстовому описанию создаёт виртуальную сцену, в которой можно свободно перемещаться в реальном времени (24 кадра в секунду, разрешение 720p) с помощью клавиатуры. Сцена сохраняет целостность несколько минут благодаря «визуальной памяти» модели примерно на минуту: например, если пользователь окрасит часть стены, уйдёт, а затем вернётся, стена останется окрашенной.

Помимо обычного управления доступны «события по запросу» (promptable world events). Во время сессии можно менять мир командами вроде «сделай дождь», «добавь лодку на озеро» или «сделай ночь» — при этом изменения происходят без перезапуска сцены.

Genie 3 способна порождать самые разные окружения и физические явления: физику жидкости, света, природные локации (лес, озеро, волны), городские сцены и стилизованные игровые миры.

Предыдущие версии были менее стабильны во времени, поддерживали только короткие симуляции (до 20 секунд) и имели ограниченную интерактивность.

Почему это важно?

У «моделей мира» множество применений:

1. Генерация обучающих данных для роботов и автономных систем. Например, можно создать сотни часов симуляций приготовления еды и использовать их для обучения робота, или сгенерировать редкие дорожные ситуации для тренировки беспилотных автомобилей.

2. Использование в связке с языковыми моделями, которым сложно рассуждать о физике. LLM может преобразовать вопрос пользователя в запрос к модели мира, получить симуляцию и извлечь из неё ответ.

Замена сложных физических расчётов. Иногда точное вычисление по формулам слишком трудоёмко, а достаточно точная симуляция позволяет получить результат быстрее и дешевле.

3/3

🤖 «Системный Блокъ» @sysblok

Как ИИ помогает учителям: 3 рабочих способа сэкономить время

1 сентября — день, когда нагрузка учителей снова взлетает на максимум. А могут ли облегчить их жизнь современные языковые модели? В рамках нового спецпроекта «ИИ-лайфхаки для вашей профессии» педагоги делятся реальными кейсами использования нейросетей в работе. Мы собрали более 10 задач с готовыми промптами, которые могут облегчить работу учителя: от составления опросников до создания заданий… для развития эмоционального интеллекта школьников!

1. Объясняем сложные темы просто 

Если ученикам сложно даются фразеологизмы, ИИ поможет создать понятные объяснения с конкретными примерами.

Промпт: Представь, что ты учитель русского языка и ты составляешь упражнение, чтобы объяснить шестиклассникам значение фразеологизма ПРОВАЛИТЬСЯ СКВОЗЬ ЗЕМЛЮ. Чтобы дети поняли особенности употребления фразеологизма, составь текст из 3-5 предложений, который бы демонстрировал ситуацию, описывающую этот фразеологизм. Включи в одно и то же предложение синоним к фразеологизму и сам фразеологизм.

2. Превращаем профориентацию в увлекательную игру

Когда традиционные методы профориентации не вызывают интереса у подростков, искусственный интеллект помогает создать нестандартные форматы занятий.

Промпт: Представь, что ты методист, которому нужно подготовить 2-часовое занятие по профориентации для подростков 12-15 лет. Тема: «странные и редкие профессии». Придумай план этого занятия.

3. Литературный детектив: классик vs нейросеть

Ученикам дают два отрывка: отрывок из классического произведения и версию, дописанную нейросетью. Задача — найти подделку.

Нейросети часто выдают себя многословными описаниями и избыточными конструкциями. Сравнивая авторские тексты с вариантами нейросети, школьники учатся распознавать языковые шаблоны и замечать логические нестыковки.

Познакомьтесь со страницей «ИИ для учителей» и проверьте себя: сможете ли вы отличить авторский текст от сгенерированного?

🤖 «Системный Блокъ» @sysblok

«90% мировой культуры строится на воспроизведении паттернов»: интервью с Игорем Пильщиковым

Игорь Пильщиков — сооснователь Русской виртуальной библиотеки (rvb.ru), ФЭБ «Русская литература и фольклор» (feb-web.ru) и системы СПСЛ (cpcl.info), профессор славистики в Калифорнийском университете в Лос-Анджелесе, доктор филологических наук. «Системный Блокъ» поговорил с ним о моделировании в литературоведении, масштабировании исследований с помощью компьютера, сложностях с поэтическим метром у больших языковых моделей, проблемах переноса биологических терминов в филологию и о том, как Шекспир справлялся с дедлайнами и недостатком трезвых актеров.

Подсчеты в литературоведении

Прежде чем мы начинаем что-то считать в текстах, нужно понять, что именно мы подсчитываем и какие единицы измерения используем. Поэтому надо убедиться, что в процессе разметки текстов мы определили все важные для нашего исследования признаки и придумали, как их подсчитывать. В этом плане филология скорее похожа на биологию, а не на идеально точную математическую науку.

Что не так с этой аналогией

Увы, в вопросах точности литературоведение все-таки уступает естественным наукам. В биологии мы разделяем живые существа на роды, виды и особи. А особь разделяем уже на разные ее члены. А что у нас есть в литературе? Вроде бы у нас есть роды, которые разделяются на жанры, которые представлены произведениями, а в произведении есть какие-то части… но на самом деле мы не всегда можем дать жанру (да и поджанру) четкое определение, так что сложности начинаются уже на этом этапе. А если мы подключим к анализу текста языковую модель, она столкнется с несколькими неочевидными препятствиями.

Чему пока не научились LLM

ChatGPT и почему-то совершенно не умеет писать метрическую поэзию. Он никак не способен ни на каком количестве текстов усмотреть, что такое метр и рифмовка. Нейросеть Claude 3.5 Sonnet тоже с трудом справилась с онегинской строфой и тут же забыла принцип её построения.

С художественными текстами могут возникнуть и другие сложности, связанные, например, с оригинальностью текста.

Стоит автору написать с помощью ИИ фрагменты собственного романа, поднимается скандал. Не говоря уж о целом романе.

Что же получается? Если коротенький стишок, составленный с помощью искусственного интеллекта, приписать себе нельзя, а огромный перевод можно, то проблема не в природе текста, а в нашей интерпретации этой природы.

О природе текста и других особенностях искусственного и естественного интеллектов, а также о специфике применения нейросетей в разных науках, читайте в полной версии интервью.

🤖 «Системный Блокъ» @sysblok

Anthropic заплатит правообладателям книг, лучший генератор изображений от Google и полностью открытая LLM из Швейцарии

Рассказываем, что произошло в мире ИИ за последнее время. 

Anthropic заплатит за нарушение авторских прав

Anthropic, одна из ведущих ИИ компаний, согласилась выплатить 1,5 млрд долларов правообладателям книг по коллективному иску авторов.
Компания использовала около 500 000 книг с пиратских ресурсов для обучения языковых моделей Claude. В пересчете это около 3000 долларов за каждое произведение. По словам адвоката истцов, сумма может стать крупнейшей в истории дел, связанных с нарушением авторских прав. Правда, финального решения от судьи ещё нет.

Почему это важно?

Для обучения конкурентоспособных ИИ-моделей нужно много чистых данных. При этом четких правовых рамок, регулирующих использование книг (и других охраняемых материалов) в обучении нейросетей, пока нет.

Когда правообладатели требовали полного запрета на применение книг при обучении LLM, американский суд признал это использование подпадающим под доктрину fair use. Но это не отменяет необходимости компенсации авторам, как мы объяснили здесь.

Этот прецедент может стать важным шагом в формировании правил использования контента для развития ИИ.

Google выпустила лучший генератор изображений

Google сделала общедоступной модель для генерации и редактирования изображений Gemini 2.5 Flash Image. По оценкам пользователей платформы LMArena, она признана лучшей среди аналогов.

Модель умеет, например, стилизовать изображения, генерировать их по эскизам и строить изометрические проекции объектов с фотографий.
Главное улучшение — точность редактирования. Еще одна новая возможность — работа с несколькими входными изображениями. Можно, например, загрузить фото пустого интерьера и снимки мебели, и попросить модель «обставить» комнату.

Gemini 2.5 Flash Image доступна для всех через Google AI Studio.

Почему это важно?

Технологии генерации и редактирования изображений с помощью ИИ стремительно развиваются и становятся более распространенными. Это меняет то, как мы воспринимаем визуальный контент и взаимодействуем с ним.

Крупные игроки рынка уже интегрируют такие инструменты в свои продукты: Adobe внедрила ИИ-редактирование в Photoshop и видеоредакторы, а производители смартфонов используют нейросети для улучшения качества снимков. Так, Google применяет нейросети для реализации 100-кратного зума в смартфонах Pixel — фактически это уже не фотография, а сгенерированное изображение.

Швейцария представила полностью открытую LLM

В рамках Swiss AI Initiative исследователи из разных научных учреждений Швейцарии разработали языковую модель Apetus. Вместе с ней опубликован подробный технический отчет о сборе обучающих данных, процессе обучения и тестирования, хотя обычно в открытом доступе появляются лишь сами веса модели и краткие описания.

Apetus выпущена в двух вариантах — на 8 и 70 млрд параметров. Ее ключевая особенность — поддержка 1811 языков, что делает модель особенно полезной для задач машинного перевода, включая малоресурсные языки. На основных тестах по английскому и другим распространенным языкам Apetus демонстрирует результаты, сопоставимые с аналогичными моделями такого же масштаба. Веса модели и отчет доступны здесь.

Почему это важно?

Создание LLM требует колоссальных инвестиций, поэтому их разработкой в основном занимаются частные компании, ориентированные на коммерческую выгоду. В результате академическое сообщество оказывается в стороне от передовых технологий.

Швейцария выделила для ИИ исследований 10 млн часов вычислений на суперкомпьютере Alps. Это позволило выпустить полностью открытую языковую модель. Такие инициативы расширяют доступ исследователей к передовым инструментам ИИ и снижают зависимость науки от корпоративных интересов. Помимо Швейцарии, крупные государственные инвестиции в ИИ сегодня делают США, Китай и Франция.

🤖 «Системный Блокъ» @sysblok

Как писать промпты: инструкция для учителей

Большие языковые модели решают математические олимпиады на уровне чемпионов мира, предсказывают новые химические соединения, пишут код, расшифровывают рукописи, составляют отчеты и выполняют еще множество дел, которые раньше можно было поручить только человеку. А чем они могут помочь учителю? В нашем спецпроекте «ИИ-лайфхаки для вашей профессии» делимся рекомендациями по составлению промптов и определяем «рецепт» идеального запроса.

Плохой промпт

Промпт: Придумай урок по профориентации для школьников.

Почему промпт не даст желаемого результата? В нем совершенно нет конкретики, и нейросеть выдаст вам шаблонный ответ.

Хороший промпт

Промпт: Ты — методист, которому нужно подготовить 2-часовое занятие по профориентации для подростков 12-15 лет. Тема: «Необычные и редкие профессии». Типы материалов: минимум текста, максимум схем, визуализации, картинок. На основе предоставленного материала есть несколько задач:

1. Определить черты профессий, о которых рассказывается в видео.
2. Определить ее перспективы и востребованность в других странах.
3. Каждый презентует по одной профессии.

Для составления заданий надо учесть, что у детей слабая читательская грамотность и занятия по профориентации их в целом не увлекают.

В хорошем промпте должны быть…

1. Роль, которую берет на себя ИИ (учитель начальных классов, методист и пр.);
2. Цель и задачи урока;
3. Возраст и особенности учеников в классе (наличие или отсутствие читательской грамотности, билингвальность, СДВГ и пр.);
4. Образовательные результаты через конкретные глаголы-инфинитивы и числа (например, «уметь перечислять не менее 6 профессий и не менее 3-х особенностей каждой из них»);
5. Желаемые форматы материалов: видео, картинки, таблицы.

И это — только половина тех формулировок, которые сделают ваш промпт качественнее, а результат выдачи нейросети — точнее. На странице спецпроекта «ИИ для учителей» вы найдете другие советы и лайфхаки. А в статьях «Первые шаги с DeepSeek» и «Знакомство с ChatGPT» мы рассказываем все, что нужно знать о том, как пользоваться двумя самыми популярными нейросетями.

🤖 «Системный Блокъ» @sysblok

Зачем учить нейросеть рассуждать?

Заметили, как ChatGPT теперь часто подолгу «думает» перед ответом? Это происходит потому, что теперь в его последнюю версию по умолчанию встроена рассуждающая модель, которой отправляются все сложные запросы. Рассуждающие модели — ответ на замедление прогресса LLM с 2023 по 2025. Сегодня ведущие LLM показывают в тестах очень близкие результаты, а разница между последними поколениями ощущается все меньше и меньше. Один из вариантов решения этой проблемы – научить модель «рассуждать». Ведь если попросить LLM в запросе «думать по шагам», это значительно повысит качество ответов. Рассказываем, как LLM обучают таким размышлениям.

Почему развитие замедлилось?

Практически все современные LLM основаны на архитектуре Transformer. Одно из её главных преимуществ — масштабируемость: если увеличить модель и данные, улучшится качество ответов. Правда, с определенного момента с ростом размера и данных начинает падать темп улучшения и наступает эффект diminishing returns (исчезающей выгоды). Другими словами, дальнейшее масштабирование модели Transformer становится скорее убыточным, поскольку затраты на вычисления не дают сопоставимого улучшения качества.

Что с этим делать?

Рассуждение — нетривиальный и долгий процесс, но он может стать вариантом решения этой проблемы. Собирать качественные рассуждения вручную (особенно в большом объеме) и автоматизировать этот процесс не так уж просто, поэтому в основном используют два метода. Первый — с помощью обучения на ответах модели, собранных благодаря Chain-of-Thought промтингу (о нем мы уже рассказывали здесь), второй — через обучение с подкреплением (вот тут о нем можно узнать подробнее). Второй способ сложнее, но именно он используется практически всеми разработчиками рассуждающих моделей.

Уже есть первые результаты?

Первую успешную рассуждающую модель выпустила компания OpenAI, она получила название o1. О деталях ее создания известно мало, и мы не знаем, как именно ее обучали рассуждать. Зато через несколько месяцев компания Deepseek смогла создать большую рассуждающую языковую модель DeepSeek R1 и выложила в открытый доступ как саму модель, так и статью, детально описывающую масштабируемый способ обучения рассуждению. Это позволило open-source разработчикам создавать свои собственные рассуждающие модели.

Больше о самих рассуждающих моделях, методах обучения, проблемах и перспективах развития, узнаете из полной версии нашего материала.

Время чтения: 14 минут

🤖 «Системный Блокъ» @sysblok

Код Средневековья: пять статей о цифровых методах в медиевистике

Сложно назвать историческую эпоху, о которой существует столько же стереотипов и заблуждений, как о Средневековье. Медиевисты делают все возможное, чтобы развенчать мифы о невежестве и антисанитарии и сделать наше представление об этом периоде более адекватным. «Системный Блокъ» собрал несколько материалов о том, как им в этом помогают цифровые методы. 

👨🏻‍🎓 Вспоминайте иногда вашего студента: изучаем базу данных средневековых университетов

Начало учебного года — хороший повод узнать, как и чем жило средневековое и раннемодерное академическое сообщество. Рассказываем о совместном проекте немецких и швейцарских исследователей — базе данных Repertorium Academicum Germanicum (RAG), где собрана информация о студентах, выпускниках и обладателях ученых степеней на территории Священной Римской империи в XIII-XVI веках. Вы узнаете:
• зачем в средневековых университетах все записывали?
• как в это время обстояло дело с академической мобильностью?
• как восстановить в деталях карьеру отдельно взятого ученого?

🕵️ Стилометрия и древнескандинавская литература: определение авторства исландских саг

В этой статье разбираемся, как специалисты по древнескандинавской литературе применяют дельту Бёрроуза, чтобы разрешить спор об авторстве «Саги об Эгиле». Читайте:
• на какие группы по хронологии делятся исландские саги?
• чем можно объяснить стилистическое сходство между некоторыми сагами?
• какие эксперименты нужно провести с дельтой и исследуемыми текстами, чтобы снять все сомнения о личности автора?

👑 Что статистические отношения в лексике могут рассказать про средневековую власть?

Стилометрия и компьютерный анализ текстов хороши не только для определения авторства — еще они могут помочь с исследованием типов власти в средневековом обществе. В статье рассказываем о работе медиевистки Евгении Шелиной и о том, что скрывают корпуса французских грамот XIII века. Вы узнаете:
• что такое семантическое поле власти?
• чем власть духовенства отличается от власти светской аристократии и как это отражается в текстах?
• что интересного удалось узнать о фигуре французского короля?

🗺️ Скифия, Египет, Вавилон: как цифровые методы помогают в изучении средневековых карт

По сравнению с современными картографическими сервисами старинные средневековые карты выглядят загадочно и непонятно. В нашем материале читайте, как специальный пакет Veccompare для языка R помогает исследовать представления средневековых людей о мире вокруг. Вместе разбираемся:
• как узнать, что два картографа брали информацию из общего источника?
• почему некоторые топонимы на картах могут быть абсолютно уникальными?
• что получится, если сравнить карту с текстовым описанием той же территории?

📜 От разобщенности к войне: что показывает сетевой анализ византийских писем

Что письма могут рассказать ученым о политических связях византийцев? Можно ли по переписке отследить момент, за которым последовал государственный кризис? Рассказываем, как сетевой анализ и теория графов помогают изучать эпоху гражданских войн в Византии. В материале читайте:
• всегда ли представители византийской элиты, объединенные узами родства, имели одинаковые политические взгляды?
• как тесная связь человека с императором сказывалась на других его социальных взаимодействиях?
• как приход к власти Андроника III повлиял на динамику отношений между высокопоставленными византийскими чиновниками?

🤖 «Системный Блокъ» @sysblok

Тест: От муми-троллей до «Четырех уроков у Ленина»

Кто из писательниц пропадал из школьной программы почти на 50 лет? Чьи сатирические рассказы трижды оказывались в школьном каноне? И, наконец, чье творчество стали изучать только в 1990-м году?

Предлагаем узнать (или вспомнить!) в нашем тесте, посвященном писательницам в школьном литературном каноне. Кстати, подробнее о них мы рассказывали в этом посте и в карточках.

Пройти тест!

🤖 «Системный Блокъ» @sysblok

Нейросети помогают ученым исследовать уравнения, LLM побеждают в олимпиаде по программированию

Рассказываем, что произошло в мире ИИ за последнее время

Нейросети помогут решить задачу тысячелетия? 

Лаборатория Google DeepMind вместе с учёными из США предложила метод на основе нейросетей, помогающий лучше понимать определенный вид математических задач. Это может помочь в решении одной из задач тысячелетия.

Изобретение позволяет находить особые решения дифференциальных уравнений, описывающих многие физические процессы. Например, уравнение Навье — Стокса (запомните его) описывает изменение скорости потока жидкости или газа во времени. Его решение — формула, выражающая скорость через параметр времени и характеристиками жидкости / газа.

Решений часто много, но часть из них приводит к физически невозможным показателям. Например, формула может предсказать бесконечную скорость потока. Поиск таких особых решений важен: он показывает границы применимости уравнения. Скажем, при тестировании крыла самолёта уравнение динамики потока воздуха может давать аномальные значения, и результаты эксперимента будут ненадежными.

DeepMind совместно с физиками и математиками разработали вычислительный метод для нахождения таких особых решений. Он использует нейросети и новый способ их обучения с высокой численной точностью. Метод уже протестировали на ряде уравнений и открыли новые группы особых решений.

Почему это важно?

Доказательство отсутствия особых решений у некоторых уравнений — сложная задача. Например, доказательство гипотезы, что уравнение Навье — Стокса не имеет особых решений, входит в список из 7 задач тысячелетия с призом в 1 млн долларов. Пока решена только одна из этих задач — Григорием Перельманом.

Новый метод, представленный учеными, полуавтоматический — его можно применять к большому спектру уравнений с относительно небольшим участием человека. То есть сложность задачи частично удалось переложить на компьютер. Возможно, это поможет найти особые решения уравнения Навье — Стокса и опровергнуть гипотезу.

Это не первый случай, когда учёные используют возросшие технологические и вычислительные возможности для работы над сложными задачами. Можно вспомнить Большой адронный коллайдер или Нобелевскую премию за нейросети.

Языковые модели от Google и OpenAI победили в олимпиаде по программированию

Сразу два лидера в области LLM заняли призовые места в ICPC — Международном студенческом командном чемпионате по программированию.  

Обеим командам предоставили столько же времени, сколько и обычным участникам. Команда OpenAI заняла первое место, решив все 12 задач, Google — второе, решив десять.  

OpenAI использовала три модели: GPT-5 и экспериментальную рассуждающую модель для генерации решений, и еще одну — для выбора финального решения из набора кандидатов. Ни одна из модель не обучалась специально для ICPC. GPT-5 решила 11 задач, а самую сложную — экспериментальная модель.

Google использовала модель Gemini 2.5 в режиме продвинутых рассуждений DeepThink. Примечательно, что на отдельных задачах она показала время лучше, чем у самых быстрых участников.

Обе модели справилась с задачей, которую не решила ни одна человеческая команда. Среди людей первое место заняла команда петербургская университета СПбГУ, решив 11 задач. Второе и третье места достались командам из Японии и Китая соответственно.  

Почему это важно?

Модели этих же компаний недавно одержали победу и на олимпиаде по математике.

И OpenAI, и Google используют исключительно языковые модели общего назначения, а не специализированные системы для отдельных задач. Это демонстрирует потенциал больших языковых моделей в решении сложных технических и наукоемких проблем.

Лидерство в соревнованиях с людьми показывает и прогресс в развитии LLM. К примеру, в 2023 году они не всегда генерировали корректный код. Однако эти успехи не полностью отображают качество моделей. Они всё еще часто ошибаются в более простых задачах и галлюцинируют.

🤖 «Системный Блокъ» @sysblok