Гламурный GPT

Это было ожидаемо......OpenAI идет путем удовлетворения интересов бизнеса.Десять миллиардов долларов Сэм Альтман и Ко (крупные инвестиционные фонды) вложили в совместную компанию, которая будет заниматься только ИИ-агентами.Вроде как OpenAI по-прежнему будет развивать ChatGPT, а это уже сайд-история. И тут все. Банки, страховые компании, логистика, промышленность, ритейл — все хотят использовать ИИ, но большинство пока не понимает, как именно это делать. И именно на этом OpenAI собирается строить новый огромный бизнес и заработать очень много бабла. Причем как и Антропик.А это ведь и есть самый главный сдвиг всей индустрии. Если еще в конце прошлого года основной проблемой было создать мощную модель, то теперь проблема в другом — как интегрировать её в реальную экономику. То есть технология прижилась, и пошел активный процесс реализации всех этих БигКорп планов. Нужны инженеры, настройка внутренних систем, автоматизация документов, адаптация под конкретные процессы компаний.Вот так вот. Начинали ребята как исследователи и чуть ли не с Доты, а теперь всё — продались «БигТеху».@glamgpt

В ноябре 2024 года случилось кое-что важное — ИИ-контент впервые обогнал человеческий по объёму публикаций в интернете.По данным исследования компании Graphite, которая проанализировала 65 000 англоязычных URL, доля ИИ-статей выросла с 2,2% в январе 2020 года до 51,7% к маю 2025-го. Именно ноябрь 2024-го исследователи называют точкой, когда машинный контент впервые стал преобладать над человеческим.  Параллельно Ahrefs сообщал, что 74,2% новых веб-страниц уже содержат ИИ-контент — хотя полностью машинными являются лишь немногие: большая часть текста сегодня создаётся в гибридном режиме, где ИИ генерирует основу, а человек редактирует.  Европол ещё в 2022 году предупреждал: к 2026-му до 90% онлайн-контента может быть синтетическим. Эту оценку позже цитировали и Европарламент, и исследователи deepfake-контента. И вот, 2026 год. Мы пересекли черту — ИИ-контента в сети больше, чем человеческого.Но при этом есть важная деталь: количество — не равно влияние.Исследование Graphite показывает, что 86% статей, реально ранжирующихся в Google, всё ещё написаны людьми. А ChatGPT в 82% случаев ссылается именно на человеческие источники, а не на ИИ-тексты.  То есть по объёму ИИ уже победил. По доверию и видимости — пока нет. И здесь начинается самое интересное. Мы постепенно входим в странную культурную фазу: люди готовы потреблять ИИ-контент, пока не знают, что он ИИ. Как только происхождение текста становится очевидным — вовлечённость падает. Мы принимаем результат, но не хотим видеть машину за ним.Куда всё это движется — примерно понятно. Контента станет ещё больше. Он будет дешевле, быстрее и всё менее отличимым от человеческого. Детекторы ИИ уже сейчас работают крайне нестабильно — фактически на уровне вероятностной угадайки — и, скорее всего, лучше радикально не станут, потому что модели постоянно обучаются обходить существующие методы распознавания. Но параллельно возникает и обратное движение. В мире, где текст можно генерировать бесконечно, ценностью становится не идеаль

ИИ заберёт твою работу? Спойлер: не всё так однозначно 🤖*Видео записывала для классного проекта, чтобы помочь школьникам и студентам с выбором профессии в эпоху ии! НО думаю будет полезно посмотреть всем❤️В видео делюсь своим опытом работы в сфере ИИ и разбираюсь, как он реально меняет рынок труда. Если коротко — паниковать рано, но и расслабляться не стоит.Вот что особенно зацепило в исследованиях: 👉 94% задач в IT теоретически могут быть автоматизированы 👉 Но на практике автоматизировано только 33%Разрыв огромный. И именно в этой щели — наши с вами рабочие места на ближайшие годы.В видео разбираю: — почему критическое мышление и гибкость — это то, что ИИ пока не заменит — как устроены большие языковые модели изнутри (без занудства) — что реально происходит на рынке труда и в России в частности — почему дефицит кадров в ИИ растёт, несмотря на автоматизацию — как использовать ИИ как помощника в обучении, а не бояться его.В конце — небольшое практическое задание: предлагаю написать промпт, который поможет спланировать вашу карьеру с учётом всех изменений, которые приносит ИИ. Получается что-то вроде персонального карьерного консультанта 😉 Видео получилось обстоятельным.А как у вас? Предлагаю обсудить что происходит в вашей карьере. Уже используете ИИ в работе или пока присматриваетесь? И главное — чувствуете, что ваша профессия под угрозой, или наоборот, видите новые возможности?@glamgpt

Mythos: модель, которой нет, но которая уже всех нервируетВ последних бенчмарках Anthropic есть колонка, от которой у конкурентов дёргается глаз. Mythos. Модель, которую никто не видел, не пощупал, не запустил. Но она уже стоит в сравнительных таблицах — и стоит выше всех.Это новый жанр маркетинга: показывать не продукт, а его тень.Что мы знаем по факту: ничего. Что мы знаем по намёкам: Mythos обходит Opus 4.7 в задачах на длинный контекст и агентные сценарии — то есть ровно там, где 4.7 как раз просел. Совпадение красивое, и явно не случайное. Anthropic как будто говорит инвесторам и рынку: «Спокойно, релиз 4.7 — это не потолок, это пауза перед прыжком».На Forge Global акции торгуются с оценкой выше триллиона. За модель, которую никто не трогал руками.Что меня тут цепляет — не сам Mythos, а сдвиг логики. Раньше AI-компании показывали готовое и говорили «вот, пользуйтесь». Сейчас всё чаще показывают обещание. OpenAI делала так же со своими демо, Google — с Gemini Ultra до релиза. Это работает, пока обещания совпадают с реальностью. И ломается мгновенно, когда не совпадают.А вы как — ведётесь на тизеры моделей, или ждёте релиз?@glamgpt

Провела вебинар для клиента по «ИИ грамотности».900 человек в эфире - мой личный рекорд по выступлениям.Вот так ворвались в новую неделю с ноги.Как у вас проходит понедельник?Провела вебинар для клиента по «ИИ грамотности».900 человек в эфире - мой личный рекорд по выступлениям.Вот так ворвались в новую неделю с ноги.Как у вас проходит понедельник?

Claude Opus 4.7: улучшения есть, но не взрывныеArena.ai опубликовала разбивку по категориям — картина неоднозначная. Opus 4.7 прибавил там, где Anthropic и делал акцент: написание кода, сложные рассуждения, следование инструкциям. Заметный прогресс, но не революция.А вот математика и творческое письмо почти не сдвинулись. В диалоговой естественности и работе с длинным контекстом — регресс. Одни пишут, что модель стала точнее в технических задачах, другие жалуются, что потеряла что-то живое в общении.Отдельная история — Anthropic начали включать в сравнения закрытую модель Mythos, которая в паблик не выходила. Своего рода лизинг будущего: намёк, что следующий прыжок будет заметнее нынешнего.А пока — рынок голосует деньгами.На Forge Global акции Anthropic торгуются с оценкой триллион долларов. Три месяца назад компания закрыла раунд с оценкой 380 млрд — вторичный рынок даёт x2,6 к последней официальной цифре. OpenAI движется в обратную сторону: там около 880 млрд, без особого ажиотажа.Вторичный рынок волатилен и отражает тенденцию. Но нарратив сейчас такой: ставка на Anthropic выглядит интереснее. @glamgpt

Для тех, кто работает с большими объёмами информации в Cursor.Была удивлена когда обнаружила что многие пользователи Cursor не очень понимают как прописывать правила. На самом деле все очень просто.Если ваша работа — это постоянный поток данных, документов, исследований и текстов, то Cursor может стать не просто редактором кода, а полноценным рабочим инструментом. Но только если правильно его настроить.Файл .cursorrules — решает все. Его можно писать в свободной форме, но Markdown — правильный выбор. Структура с заголовками и списками помогает Cursor точнее считывать приоритеты. Плюс файл становится читаемым для людей — его удобно редактировать и передавать коллегам.Вот базовая структура:# Контекст проектаЯ исследователь / аналитик / редактор. Работаю с большими массивами текстов, интервью, отчётов.# Приоритеты при работе с информацией- Сохраняй исходные формулировки, не перефразируй без запроса- При суммаризации всегда указывай что было опущено- Если в тексте есть противоречия — фиксируй их, не сглаживай- Структурируй вывод через заголовки, даже если я не прошу# Формат ответов- Кратко, без воды- Сначала вывод, потом детали- Таблицы и списки предпочтительнее сплошного текста# Запреты- Не додумывай факты- Не убирай детали "для краткости" без предупрежденияКогда дорабатывать файл.cursorrules — это не документ, который пишется один раз. Его стоит воспринимать как живой инструмент.Сразу — добавляйте правило, когда Cursor сделал что-то не так и вы объяснили ему как надо. Не ждите, что в следующий раз он вспомнит. Он не вспомнит.Когда меняется проект — взялись за новую тему, изменился формат выходных данных, появились новые источники с особым статусом — обновите файл.Когда замечаете паттерн — если вы три раза написали одно и то же уточнение в чате, это сигнал: пора перенести его в .cursorrules.Раз в месяц — просто перечитайте файл. Часть правил устаревает, часть становится избыточной. Чистый, актуальный файл работает лучше перегруженного.Практический приёмПопросите Cursor

Последние два месяца я живу в режиме постоянного тестирования. ChatGPT — платный, свой. Gemini — у клиентов, там я гоняю задачи для них. Claude с Opus — для себя и для работы.Все говорят: выбирай модель под задачу. Это правда. Но есть нюанс.Когда берёшь базовые менеджерские задачи — структурировать, приоритизировать, сформулировать, не потерять нить — Opus от антропиков делает это на каком-то другом уровне. Не «чуть лучше». Именно на другом. ChatGPT рядом с ним выглядит как старый дед, который вроде бы отвечает по теме, но ты уже на третьем предложении понимаешь — куда-то не туда.Я ещё не тестила 4.7. Но я уже уверена, что это топ. Просто потому что знаю траекторию.Excited? Да, немного. Или не немного. 😄@glamgpt

Слева — что видит модель без тегов: один поток, где команда, данные и примеры неотличимы друг от друга. Справа — та же информация, но каждый блок изолирован и однозначно интерпретируется. начало текста ...@glamgpt

XML-теги в промптах — лайфаки для промптинга в Клоде. В обучающих данных по Клоду огромное количество технических текстов, документации, кода и размеченных документов — и всё это использует XML или HTML для разграничения смысловых блоков. Модель буквально "съела" миллионы примеров, где <example> содержит образец, <document> — исходный текст, <task> — задачу. Поэтому когда ты используешь такие теги, модель не просто "понимает структуру" — она активирует паттерны, которые видела тысячи раз в похожем контексте.Когда теги не нужныДля простых, коротких запросов XML — избыточен. "Переведи это на английский: ..." не требует никакой разметки. Теги начинают давать реальную пользу когда промпт сложный: несколько смысловых блоков, есть риск смешения данных и инструкций, или нужен структурированный вывод.Простое правило: если промпт больше трёх абзацев и содержит и данные, и инструкции — скорее всего теги улучшат результат.***Anthropic активно использует в своих системных промптах. Если посмотреть на утечки системного промпта Claude.ai, весь он размечен тегами: <artifacts_info>, <behavior_instructions>, <knowledge_cutoff> и так далее. Это не случайность, а обычное инженерное решение, основанное на понимании того, как работает модель.Главная проблема, которую решают тегиБез разметки промпт — один непрерывный поток текста. Модель должна сама решать, где заканчивается контекст и начинается инструкция, где данные, а где пример желаемого поведения. При небольших промптах это работает. При сложных — начинаются проблемы.Представь, что ты вставляешь длинную статью и просишь её проанализировать. Если в этой статье есть предложения вроде "не упоминай конкурентов" или "отвечай только по-английски" — модель может воспринять их как инструкции, а не как часть текста для анализа. Тег <document>...</document> явно говорит: это данные, не команды.Как это работает на практикеСтруктура промпта с тегами выглядит примерно так:<role>Ты опытный редактор деловых текстов</role><task>Проанализируй письм