🔥 AI дайджест · 23 июля 2026

1. Теренс Тао обсуждает с ChatGPT контрпример к гипотезе Джакоби

Теренс Тао — один из величайших математиков современности — опубликовал свою переписку с ChatGPT о контрпримере к гипотезе Джакоби, который ранее нашла модель Claude Fable 5. Это продолжение истории, взорвавшей Hacker News на прошлой неделе (Fable нашла контрпример к 85-летней нерешённой математической проблеме).

Тао провёл глубокий диалог с ChatGPT: задавал вопросы, просил разобрать доказательство, проверял логические цепочки. Результат — 449 комментариев на HN и рекордные 753 очка. Сообщество в восторге: «Если Тао использует ChatGPT для осмысления сложнейшей математики — это момент перелома». Другие отмечают, что ChatGPT выступает не как решатель, а как «резиновый утёнок» — собеседник, помогающий упорядочить мысли. Сам Тао оценивает способности ChatGPT как «весьма впечатляющие» для работы с абстрактной математикой.

2. GigaToken: ~1000× быстрее токенизация языковых моделей

GigaToken (marcelroed) — новый open-source проект, который ускоряет токенизацию LLM в ~1000 раз. Токенизация — это этап, на котором текст разбивается на токены перед подачей в модель. Обычно это узкое место, особенно для длинных контекстов и streaming-приложений.

GigaToken использует суффиксные автоматы и SIMD-оптимизации для параллельной токенизации. В бенчмарках: обработка ~100 MB текста в секунду на одном ядре CPU. Сравните со стандартным токенизатором (Hugging Face tokenizers) — ~100 KB/с. Разница в 1000× достигается за счёт фундаментально другого подхода: вместо последовательного разбора — построение полного суффиксного автомата байт-пар с последующим линейным проходом.

Поддерживаются все популярные токенизаторы: GPT-2/4o, Claude, Llama 3, DeepSeek, Qwen. 442 очка на Hacker News, 94 комментария. Репозиторий взлетел в топ GitHub — сообщество проверяет результаты и предлагает бенчмарки для разных моделей.

3. Finn-loop: AI-фабрика ПО для Claude Code (spec → build → review)

Finn-loop (finna) — трёхшаговый цикл разработки ПО на Claude Code: spec → build → review. Идея в том, чтобы AI писал спецификацию, затем код, затем ревью — а человек только merge'ит результат. Это не очередной AI-кодинг-агент, а методология организации работы AI в команде.

Как работает: первый навык (Spec Writer) анализирует запрос и пишет формальную спецификацию. Второй (Builder) реализует код строго по спецификации. Третий (Reviewer) проверяет код на соответствие спецификации, безопасность и качество. Люди в этом цикле — только утверждающие (human merge gate). Проект написан на JavaScript и распространяется под MIT-лицензией. Набрал 117 ★ на GitHub за первый день после публикации.

Важный контекст: это не замена разработчикам, а «фабрика», где AI делает черную работу, а человек принимает ключевые решения. Интересно, что авторы явно позиционируют это как ответ на проблему «AI-спагетти-кода» — когда модель генерирует код, который сложно поддерживать.

4. Podcast-Shorts-Factory: 10 AI-агентов делают шортсы из подкастов

Podcast-Shorts-Factory — open-source проект, в котором 10 взаимодействующих AI-агентов автоматически превращают длинные подкасты в короткие видео для соцсетей (YouTube Shorts, TikTok, Reels). Полностью бесплатно, работает на бесплатных AI-провайдерах.

Архитектура: один агент расшифровывает подкаст (Whisper), второй находит самые яркие моменты, третий пишет сценарий шортса, четвёртый подбирает визуальный ряд, пятый генерирует субтитры... и так далее. Все 10 агентов координируются через общую очередь задач. Ключевая фишка — агенты работают последовательно, каждый отвечает за свою часть конвейера, что позволяет легко заменять или дорабатывать отдельные этапы.

Проект набрал 36 ★ за первые дни. Это часть тренда «multi-agent pipelines» — когда сложная задача разбивается на микрозадачи, каждую из которых выполняет специализированный AI-агент. Такой подход даёт лучшее качество, чем один большой промпт, и легче отлаживается.