Моя лента

В прошлой статье я рассказывал, как искал и помогал исправлять уязвимости в Ginux. Это совместимое с Linux ядро ОС, независимо написанное на Rust. Его автор, Грегори Курцер, участвовал в создании CentOS и основал Rocky Linux. Опыта разработки операционных систем у человека достаточно.

У проекта есть собственная методика — HDAE, Human-Directed Agentic Engineering. Человек задаёт архитектуру, ограничения и условия приёмки, агенты пишут код, проверяют и исправляют. По словам автора, работающее ядро получилось за одиннадцать дней. Задача всё-таки посложнее подсчёта калорий по фотографии обеда.

Я пришёл искать уязвимости со своими rust-in-peace и reproof. Но по мере работы всё чаще замечал: баги возникали на границах, там, где ключевые свойства системы были реализованы лишь частично.

Лимит памяти есть, но часть выделений в него не попадает. Настройку можно включить, но на работу программы она не влияет. Управление возвращается ядру, пока программа обращается к нему через системные вызовы. А если она просто крутится в цикле?

Находки сами попросились на обобщение. В серии «Я созидатель, а ты ССД» мы уже обсуждали, почему спека ещё не гарантирует работающий продукт. Расширим вопрос: что мы забываем написать в спеке, прежде чем отдаём её агенту?

В конце прошлого месяца руководство сервиса Reddit отчиталось перед инвесторами о снижении поискового трафика и прогноза доходов, поэтому теперь платформа ищет новые способы заработать на своих существующих пользователях. Теперь компания под руководством Стива Хаффмана объявила о начале тестирования размещения рекламы на страницах результатов поиска. Это позволит рекламодателям охватывать пользователей, когда они ищут товары, рекомендации и другую информацию на Reddit.

В Go обнаружили гонку данных, исправили её, а спустя три дня откатили фикс. Оказалось, что HTTP-клиент может продолжать отправлять тело запроса даже после получения ответа от сервера, и это приводит к неожиданным последствиям при повторном использовании буферов. Разбираем два реальных случая из vmagent и vmauth, в которых одна и та же проблема потребовала противоположных решений.

Некоторые американские центры обработки данных для задач искусственного интеллекта производят собственную электроэнергию с помощью переоборудованных авиационных двигателей, пишет New York Times. Списанные реактивные двигатели вряд ли можно назвать полноценной электростанцией, но их применение свидетельствует о том, насколько сильно энергоснабжение отстаёт от развития сферы ИИ.

Привет, Хабр! С вами снова МТС и сегодня мы предлагаем поразмышлять о том, как можно масштабировать систему искусственного интеллекта без банального увеличения модели.

Представьте, что вместо одного огромного универсального ИИ-ассистента у вас есть сотни маленьких специализированных агентов от разных разработчиков, и вместе они решают задачи лучше, чем любая отдельная система, созданная даже при бюджете в несколько раз больше. Именно эту идею исследуют авторы научной работы The Wealth of Agents: Scaling Agentic AI Across Developers.

В этой статье мы попробуем на человеческом языке разобрать решаемую проблему, чего уже удалось достичь и что это значит для будущего агентного ИИ в целом.

В конце октября я неожиданно остался без рабочего Claude Code. После запроса на подтверждение личности Anthropic приостановила доступ к моей платной организации. Подписку Claude Max 20x впоследствии отменили, а в возврате средств отказали. Апелляцию я отправил, но разработку проектов останавливать на неопределённый срок не хотелось.

Проблема оказалась не столько в выборе другой нейросети.

За время работы с Claude Code накопились десятки проектов и диалогов. В них оставались архитектурные решения, обсуждения функций, результаты экспериментов, исправления ошибок, планы развития и множество мелочей, которые не всегда попадали в документацию.

Исходный код никуда не исчез. Git-репозитории тоже. Но как объяснить новому агенту, почему проект устроен именно так, какие варианты мы уже отвергли и на чём остановились вчера?

Я решил перейти на OpenAI Codex. Сначала задумался о собственном инструменте переноса истории, затем попробовал встроенный импорт Codex, но результат меня не устроил.

В итоге обнаружил Hansard — инструмент, который не только позволяет восстанавливать историю работы в разных ИИ-агентах, но и предлагает дополнительные возможности для хранения, поиска и повторного использования накопленного контекста.

Расскажу, что получилось, что не получилось и как повторить такой переезд.

Без сюжетных спойлеров.

Чтобы наказать игровую индустрию за жадность, анонимный автор начал выкладывать чужую игру и продвигать собственный мемкоин. Издателю достались угрозы, игрокам предложили голосовать за следующие утечки, а интернет получил нового персонажа: кибернетический лук-порей.

Больше 2 лет назад я написал свою первую статью про homelab на Minisforum, с тех пор его состав кардинально поменялся. В этой статье я расскажу, что с ним произошло за эти три года и как я его модифицировал.

Привет, Хабр! Меня зовут Даша, я работаю в МТС чуть больше двух лет. Сначала занималась подбором ИТ-специалистов, а в этом году перешла в команду обучения руководителей. Но эта статья будет не о работе, а о моем хобби. Чуть больше года назад я начала петь в академическом хоре «Ковчег». Теперь три вечера в неделю после работы провожу на репетициях.

С хоровым пением я знакома с детства. В начальных классах я училась в музыкальной школе по этой специальности, поэтому нотная грамота и многие другие моменты были мне известны. Правда, прошло немало времени, прежде чем я снова вернулась к этому занятию. Расскажу, как хобби, которое приносит удовольствие, помогает перезагрузиться и какие навыки развивает. 

В статье описан процесс проектирования и испытания рамы для пятдюймового квадрокоптера Clover с применением 3D-печати. Целью работы было найти лёгкую и достаточно жёсткую конструкцию, пригодную для печати на доступном оборудовании, для этого были созданы и сравнены несколько вариантов геометрии, выполнены упрощённые статические и динамические расчёты, а также изготовлены опытные образцы.

Уже несколько месяцев я активно экспериментирую с локальными языковыми моделями на своем ноутбуке Lenovo ThinkPad P16 Gen 2 (Intel Core i7-13850HX, 128 GB RAM, Samsung 980 Pro 2 TB + 990 Pro 1 TB).

Конфигурация очень бодрая для любых задач, кроме… работы с тяжелыми ИИ-моделями. И узкое горлышко здесь очевидно - видеокарта Nvidia RTX 2000 Ada Laptop всего с 8 ГБ VRAM.

Дискретная, быстрая, заточенная под ИИ, но видеопамяти катастрофически мало! Тем не менее даже в эти 8 гигабайт вполне можно уместить отличную локальную модель, да еще и с контекстом на 8192 токена. Это позволяет вести долгие осмысленные диалоги без потери нити обсуждения.

После долгих поисков и тестов я остановился на одной модели - gemma-4-12B-it-QAT в квантовании q4_0.

Почему именно она?

Премиальный уровень «из коробки»: Это модель от Google, обученная на их топовых решениях. Метод QAT (Quantization-Aware Training) минимизирует потери качества при «упаковке» в 4 бита.

Минимум галлюцинаций: При правильной настройке (особенно с немного заниженной температурой) модель отлично держит контекст и выдает точные энциклопедические данные. Срез знаний у нее свежий “конец 2025 - начало 2026 года”. Настоящая локальная «мини-Википедия»!

Хороший кодинг: Модель отлично пишет код (особенно на Python и PowerShell). Последующая верификация в среде разработки проходит практически со 100%-й точностью. Идеально влезает в VRAM: Вместе с контекстом в 8192 токена она целиком помещается в 8 ГБ видеопамяти. В LM Studio на моем ноутбуке она выдает честные 12 токенов в секунду, чего более чем достаточно для комфортного диалога.

Есть множество проектов, в которых нужно разработать какое-либо ПО с жёсткими ограничениями по бюджету. Хочу поделиться своим методом работы с такими проектами.

Это не серебряная пуля, но, думаю, мой опыт будет интересен. В основном такой подход я практикую для небольших проектов: срок разработки — до 14 месяцев, а общее количество участников команды — до 10 человек. Для более крупных проектов такой подход уже не подойдёт: сделать их бюджетно — совсем другая история.

Сразу уточню границы. Речь не о ситуации, когда денег нет совсем, а о проекте, на который есть примерно 60–70% от необходимой суммы. Этот диапазон основан на моём личном опыте нескольких проектов, а не на универсальной формуле: конкретный результат зависит от системы, команды и ограничений заказчика. Размер возможной экономии сильно зависит от квалификации техлида проекта. Также рассказ будет о создании чего-то нового, когда нельзя просто переиспользовать предыдущий опыт и готовые наработки. Не все описанные шаги нужны для каждого проекта, но пропускать их стоит осознанно, а не потому, что на них якобы нет денег.

Саймон Уордли руководил прибыльной компанией, но не понимал, куда она движется и на правильном ли вообще пути. Поиск ответа привёл его к картам.

В книге он показывает, как топографическая разведка помогает компании использовать в своих интересах условия, в которых она действует. Работая с картами, вы разбираетесь в том, как меняются эти условия, находите способы влиять на них с помощью имеющихся ресурсов и постоянно учитесь на результатах своих действий.

Карта не скажет, какой путь выбрать, но поможет обсудить варианты и принять решение.

Всем привет! Эта статья является третьей в серии статей про основы глубокого обучения. В прошлых двух частях я рассказал много интересного и полезного новичкам, так что рекомендую перечитать. 

В этой части мы разберём подробнее задачи связанные с обработкой естественного языка (NLP) и реализуем двухслойную нейронную сеть классификации текста.

Саймон Уордли руководил прибыльной компанией, но не понимал, куда она движется и на правильном ли вообще пути. Поиск ответа привёл его к картам.

В книге он показывает, как топографическая разведка помогает компании использовать в своих интересах условия, в которых она действует. Работая с картами, вы разбираетесь в том, как меняются эти условия, находите способы влиять на них с помощью имеющихся ресурсов и постоянно учитесь на результатах своих действий.

Карта не скажет, какой путь выбрать, но поможет обсудить варианты и принять решение.

Привет, Хабр!

В апреле я рассказывал, как написал антиспам-бота для Telegram на собственной нейросети. Тогда у бота были две команды для админов, ручное переключение режимов и обещание «когда-нибудь сделать публичный дашборд».

С тех пор прошло полгода. Бот всё так же бесплатный и всё так же пет-проект, который я допиливаю по вечерам. Но вокруг него наконец-то появилось нормальное окружение, а имеено сайт со статистикой, понятная инструкция и личный кабинет прямо в Telegram.

Коротко для тех, кто не читал первую статью: TAB (Telegram Antispam Bot) — бот, который сам находит и удаляет спам в чатах. Сообщения проверяет LSTM-модель с механизмом внимания, обученная на моей же библиотеке LANCETNIC. Готовые модели с HF я не брал - хотелось сделать свою модель.