КайфКодинг

Happy Saturday фаундеры 😎

Подготовил для вас дайджест самого интересного на канале за последнее время:

1️⃣ Экономика 2030 от Anthropic: Новый отчёт Anthropic про экономику до 2030 года где я нашёл свою профессию в списке тех по кому ИИ бьёт первым. Три сценария развития, и в самом жёстком зарплаты у нас падают, а у тех кто работает руками растут на треть!

2️⃣ Email Verification после Waterfall Enrichment: Найти email проспекта и найти живой email это два совершенно разных сценария. Разобрал чеклист из шести пунктов который решает готов ли проспект к первому касанию или нет.

3️⃣ Топ 20 причин почему стартапы фейлятся: Нашёл отчёт по 3000 закрытых стартапов за последние 10 лет и сразу пошёл искать там свой собственный кейс. Делюсь главными причинами провалов и честной историей как в 2020 году закрылся мой стартап Jammy.

4️⃣ Double Tap Approach: Почти все фаундеры отправляют одно холодное письмо и просто ждут чуда? Показал как коннект в LinkedIn и письмо в один день усиливают друг друга и поднимают reply rate с первого касания.

5️⃣ Самая недооценённая фишка Discovery звонков: Демо прошло гладко, боль нащупана, а сделка всё равно умерла? Разобрал по методологии SPIN почему слишком быстрый прыжок в питч убивает сделку заранее.

6️⃣ Как ElevenLabs дошли до $600M ARR: Их CRM первые девять месяцев была обычной гугл табличкой. Разобрал подкаст с Carles Reina, первым инвестором и четвёртым сотрудником ElevenLabs, про их холодный аутрич с нуля.

7️⃣ Как строится цепочка касаний в 2026: Amex ответил команде Humoniq (YC S25) на 26 касании, и ни одно из них не повторялось. Разобрал какие сигналы buying intent реально работают внутри цепочки касаний.

8️⃣ Pain Funnel по Sandler: Ты посчитал с проспектом цену его боли в деньгах, он согласился с цифрой, а сделка всё равно не закрылась? Разобрал тот самый неудобный вопрос который почти никто не задаёт проспекту.

А также напоминаю про мой подкаст про Go-to-Market, тем кто не смотрел рекомендую дать шанс:

🆕 Биченко, фаундер Recombine AI: $1.3M ARR на self hosted ИИ агентах

🆕 Табунов, серийный предприниматель: 65M на Coub (YC S16), 1 млрд на iFunny, и почему 1 из 4 стартапов точно выстрелит?

🆕 Перш, фаундер Oria AI: путь с 0 до $100K ARR за 6 месяцев

Желаю всем хороших и долгих выходных, и до скорого 🤭

Retrieve for train, учим google поиск работать с подзапросами в неявном виде. 💻

Вышла интересная работа в бложике Google, в которой ребятки показывают как можно делать multi hop RAG без явной генерации подзапросов на запрос.

Суть проблемы. Современные поисковые системы должны возвращать на запрос не одну лучшую ссылку, а связный набор взаимодополняющих результатов на первой странице. Например, на запрос "походное снаряжение" – поварешку, миску ложку, два батона колбасы, палатку, спальник, горелку, фонарь. 😁

Для этого используется техника query fan-out: один широкий запрос разбивается на несколько подзапросов, которые составляют полную группу кандидатов на ответ исходного запроса.

Однако научить LLM делать это динамически дорого, ввиду:
- Коллапса парафраз, те без оптимизации под базу данных zero-shot LLM генерируют почти одинаковые по смыслу подзапросы.
-Задержка авторегрессии. LLM вынуждены генерировать сотни промежуточных цепочек рассуждений, чтобы спланировать разбиение. Это дорого + создаёт рост latency. Те время на ответ растёт. 😐

Че делать? Тут и придумали R4T. Идея один раз обучить модель через RL на генерацию нужных подзапросов, а потом сдистиллировать её поведение в лёгкую диффузионную модель, которая работает за один проход. 🧠

Подробнее:
1. RL-обучение. Делают FOLM модель на основе Qwen3 4b или Gemma3 такого же размера. FOLM генерирует подзапросы в виде текста и получает награду по трём критериям:
· Groundedness  подзапрос должен соответствовать реальному объекту в базе поиска. Измеряют через минимальное эмбеддинг расстояние между запросами в базе и подзапросов. Далее вычитают скор из 1. Это и есть награда по оси.
· Diversity  измеряется через оценку семантического разнообразия фраз, зовут это Vendi Score, чтобы не было синонимов. Я бы тут брал угловые расстояние между эмбами подзапросов, нормы векторов и сравнивал это. Но над бы пороги подбирать. А тут красиво, через собственные значения векторов. Что показывает на сколько соноправлены эти вектора + угол. Что я и хотел придумать выше. 🌿
· Alignment привязка к исходному запросу, чтобы не уйти в семантический дрейф и не улететь по теме не туда. Логично, что каждый эмб подзапроса сравнивают с эмбом запроса.

Итого нам не нужна никакая иная модель судья кроме эмбеддера векторной базы знаний. При этом сам эмбеддер мы не меняем, не тюним и тп.

2. Далее крч, на этом учится модель FOLM через RLVR. Потом модель генерирует К траекторий подзапросов. Они эмбеддятся и идут на обучение диффузионного эмбеддера, всего на 53,9 млн параметров. Он учится по паре эмбеддинг запроса → набор целевых эмбеддингов подзапросов. Важно, что FOLM генерирует именно текст, а затем внешний эмбеддер превращает его в векторы. Диффузионная модель уже работает с готовыми векторами.

За счёт этих фокусов мы на проде получаем на запрос в поиск сразу К эмбов подзапросов без промежуточных рассуждений в токенах.

Результат впечатляющий:
· Ускорение в 12–20 раз.
Авторегрессионные подходы до 50 секунд.
R4T доли секунды/несколько секунд.
· Качество выше, чем у zero-shot и Best-of-N.

Естественно приходится за скорость платить пайпом из М шагов обучения. Чудес не бывает. 😏

Наш jev? FRIDA-Decisions!


Ребята из ру сегмента тоже не отстают

FRIDA-Decisions makes structured decisions over Russian text in a single encoder pass: pick one of K options, place a text on an ordinal scale, answer yes / no, or rank candidates. The options are written as text inside the request, so a new label set is a new JSON, not a new training run. No generation, no output tokens, no parsing: every answer is one of the declared options, with its confidence.

Через пару часов будет на neuraldeep.ru

Отличное развитие https://huggingface.co/ai-forever/FRIDA (которая у нас тоже есть) от автора канала

https://huggingface.co/ai-forever/FRIDA-Decisions

Anthropic снова раздаёт баны: обсуждаем что делать

Сегодня утром оживился чат моего канала. Подписчики обсуждают, что за ночь прокатилась большая волна банов. Открываю сторис — там тоже скриншоты писем счастья от Антропик. Иду смотреть чаты где меня тегнули за ночь, там спрашивают помогли ли апелляции.

🤦🏻‍♂️ Я за минувшую неделю получил два таких письма. Деньги не возвращают. Один аккаунт был на подписке за 200, другой на подписке за 100 долларов. Апелляции вернули отказ.

🤷‍♂️ Anthropic явно развивают направление модерации

Первый account suspended я получил ещё весной. Тогда на апелляцию мне даже не ответили. Следующий аккаунт продержался полгода. Но самое интересное, что компания явно развивает это направление, прикрепил как выглядят страницы апелляции весной и сейчас. Причём весенний бан не поменял дизайн, видимо нельзя дать обратную совместимость.

Как видите появились новые фичи: бекап данных (там можно увидеть даже когда вы авторизовались из странных локаций) и полное удаление аккаунта.

Ну и да, юридически ребята явно подготовились, так как ещё весной деньги возвращали.

🤔 А что если удалить аккаунт и снова зарегистрировать

Так как можно удалить аккаунт, то может быть можно и «забыть» бан просто удалив его? Попробовал — нет, так не работает. Второй раз в той же почтой не войти — email already in use. То есть аккаунт хоть и удаляют, но не до конца. GDPR c Роскомнадзором на них нет.

Но можно попробовать не допускать телематики в будущем, в одном из чатов мне преложили вычищать из конфиг-файлов клода device id + чаще использовать CLI версию кодинг харнеса, чтобы не передавать дополнительную мета-информацию.

На самом деле пользоваться можно пордолжать, просто очень дорого

Все забанненые аккаунты продолжают работать со стороны platform.anthropic.com, можно авторизоваться по API ключу и выполнять все задачи на Opus 5.5)

👀 Поковырял данные, нашёл очень много меты

Попросил локальный квен пробежаться и поискать информацию о записях на диске, вот фрагмент его рисерча

CLI (~/.claude.json):
- machineID ba1e5585… — генерируется один раз и персистит в конфиге. Не привязан к аккаунту → общий для всех аккаунтов на машине
- userID 96d4a757… — это и есть device_id из телеметрии (совпадение подтверждено)
- anonymousId claudeco… — анонимный ID телеметрии
- Вложенный ~/.claude/.claude.json (используется cowork-VM/другой установкой) — вторая пара machineID 69687fc8… / userID 74b0689a…. Два разных machineID на одной машине → это не hardware-отпечаток, а сгенерированный-per-конфиг
ID

Десктопное приложение (~/Library/Application Support/Claude/):
- ant-did — device ID приложения (UUID bb7c7c4c-5…, base64)
- ant-device-registry.json — жемчужина: реестр «аккаунт → pk1:: устройства». В нём зарегистрированы и старый аккаунт 3112f538…, и текущий 0cd53e76… — т.е. «одна и та же машина» сознательно привязана к
каждому аккаунту, события подписываются ключом устройства (deviceEventSignerFor найден в коде)
- ccd-ids.json — salt для производных ID
- remote-control-state.json — telemetrySalt + identities
- config.json — lastKnownAccountUuid, first_launch_at, hasTrackedInitialActivation
- chromeExtension.pairedDeviceId в .claude.json
- В claude-code-sessions/ лежат 3 аккаунт-UUID (текущий, предыдущий, и третий 982ddb5b…)

Как будто если делать новый акк, стоит удалять эти файлы с папками и инициализироваться по новой, чтобы не светиться ant-device-registry.json и machineID

Если тоже получили письмо, поделитесь в комментариях, что будете делать и как анонимизироваться?

----

Поляков считает — AI, код и кейсы