Моя лента

Школа компьютерных наук Кеннета Гриффина Университета Карнеги‑Меллона (CMU) и Microsoft объявили о запуске программы Preceptorship for AI‑Accelerated Software Engineering (PRAISE). Программа предназначена для повышения квалификации выпускников CMU, которые только начали работать в Microsoft.

Разговор с вендором, который приносит на маркетплейс ИИ-агента, почти всегда начинается с цены за миллион токенов. Вендор знает ее наизусть, он сравнивал ее с конкурентами и выбрал модель на 30% дешевле. Потом я задаю один вопрос: сколько стоит один решенный тикет вашего агента? И в разговоре нависает пауза.

Я могу ее объяснить. Цена токена остается единственным числом, которое написано в прайсе. Все остальное приходится считать самому, а считать неприятно, потому что результат обычно не похож на слайд.

Ниже я разбираю модельный кейс с полной арифметикой: из чего складывается цена одного полезного ответа, почему токены в ней занимают 5% и что это меняет для тех, кто продает ИИ-сервис, а не только покупает его.

Статья пригодится трем группам читателей: тем, кто выбирает модель и инфраструктуру для своего агента; тем, кто назначает цену на ИИ-сервис; и тем, кто такой сервис покупает и хочет понимать, за что платит. Все цены на модели, инфраструктуру и комиссию площадки я взял из публичных тарифов, потому что они у меня под рукой и их легко перепроверить. Остальные параметры я пометил как допущения, их можно заменить своими.

Недавно в ГНИВЦ прошёл внутренний AI Bootcamp, где команды тестировали ИИ-инструменты на реальных проектах. Одна из тем – как перейти от точечного использования LLM к управляемой агентской разработке.

Денис Олейник, ведущий архитектор ПО, показывает, как за пять месяцев команда прошла путь от простых промптов к оркестрации ИИ-агентов. В фокусе – не только рост автономности, но и вопрос управляемости: как разделять роли между агентами, как выстраивать проверки и почему человек не исчезает из контура принятия решений.

Один из самых показательных результатов – рост длительности автономной работы. Если в апреле среднее время решения задачи без участия человека составляло 0,4 часа, то к августу оно выросло до 12,4 часа. Рекордный прогон занял 29,5 часа без ручного вмешательства.

Важный тезис здесь простой: автономность сама по себе ничего не гарантирует. Если у агентной системы нет тестов, верификации, актуальной документации и понятных правил работы, она быстро начинает выдавать результат, который выглядит правдоподобно, но не проходит инженерную проверку. Поэтому в контур включаются разные роли: исполнитель, ревьюер, техписатель и оркестратор, который управляет декомпозицией и последовательностью шагов.

Отдельно разбираются и ограничения такого подхода: переполнение контекстного окна, требования к инфраструктуре, стоимость вычислений, а также ИБ- и юридические вопросы при использовании внешних моделей.

Ещё один важный вывод касается роли инженера. По мере роста автономности системы ценность специалиста всё меньше связана с ручным написанием рутинного кода и всё больше – с архитектурой, постановкой задачи, определением критериев качества и приёмкой результата.

Разработчики проектов ios‑sweet и ios‑topaz рассказали об успешном запуске iOS 16 на Android‑смартфонах Redmi Note 10 Pro и Redmi Note 12 4 G. Возможности портов сильно отличаются друг от друга. Если в первом можно добраться до настроек, то во втором работает только экран блокировки.

Если вы не сильно знакомы с фронтендом и разработкой сайта с нуля, и вам нужен сайт, вы могли задуматься об ИИ как инструменте. И это может быть правильным, эффективным и рациональным решением — но только если правильно составить ТЗ и выбрать нужную модель. Ведь один и тот же лендинг разные инструменты доводят до рабочего состояния по-разному.

В этой статье мы проведём практическое тестирование инструментов на одном конкретном ТЗ. Наша методика не претендует на научную работу, ведь результат работы нейросети недетерминированный и различается от случая к случаю. В этой статье мы разберём модели GPT-6, Claude 5.5, DeepSeek V4.1, Qwen 3.8 и GLM 5.3. Мы также изучим замеры бенчмарков, хоть и фокус будет на наш практический тест.

Эта статья не является топом, так как из каждого юзкейса вытекают свои требования к модели, и абстрактная лучшая модель не всегда будет востребованной именно в вашем конкретном кейсе с вашими требованиями.

15 октября 2026 года в Москве в кластере «Ломоносов» и в онлайн-формате состоялся масштабный форум о проектировании, цифровизации и инновациях в строительстве «СИЛА ПЛАТФОРМЫ». Мероприятие собрало 1450 очных участников и несколько тысяч зрителей онлайн-трансляции.

Форум представил участникам актуальную картину цифровизации строительной отрасли: с какими инструментами работают передовые проектные компании, как российские решения применяются на реальных объектах и для каких прикладных задач инженеры уже сегодня используют искусственный интеллект. В деловой программе прозвучали десятки практических кейсов от команд Сбера, ДОМ.РФ, ПИК, Sminex, MARKS GROUP, ФСК, Росатома, Setl Group, «Татнефти», «ЕвроХима» и других компаний.

Авторы: Кирилл Гончаров, Сергей Адамов (BusinessPad)

Представим ситуацию. Вы настроили ИИ-агента и за две недели собрали с его помощью новый продукт — например, систему согласования заказов. В ней менеджер создает заказ, финансист его проверяет, руководитель согласовывает, после чего запускается доставка. Система работает, и пользователи могут пройти весь процесс от начала до конца. Но вдруг выясняются детали, которые сложно было предусмотреть заранее: оказалось, что перед отправкой заказа руководителю нужна дополнительная проверка, а заказы дороже 100 000 рублей должен подтверждать директор.

Вы открываете код, чтобы внести эти изменения, и сталкиваетесь с проблемой. Требование об обязательном согласовании крупных заказов директором прописано сразу в трех местах: в интерфейсе, серверной части и инструкции для ИИ-агента. При этом формулировки отличаются, и непонятно, какая из них правильная. Если поменять лимит в одном месте, остальные продолжат функционировать по-старому: интерфейс не выведет на экран уведомление о согласовании с новым человеком, сервер пропустит крупный заказ без директора, а ИИ-агент будет подсказывать пользователям прежний порядок работы. Чем больше появляется новых требований, тем сложнее понять, где находятся связанные с ними правила, что нужно изменить и не нарушит ли эта правка работу других частей системы.

Из этого часто делают вывод, что с помощью вайб-кодинга нельзя строить серьезные продукты. Я предлагаю свежий взгляд — не требовать идеального кода от первой версии продукта, а параллельно с разработкой создавать полное описание сервиса. Далее расскажу, что оно дает, как его составить и где хранить. 

Почему в git fetch origin master пробел, а в git switch -c my-feature origin/master слеш? Алексей Кладов (matklad) много лет пользовался Git, представляя его контентно-адресуемой базой коммитов, и только недавно разглядел рядом с ней обычное изменяемое хранилище «ключ — значение» — ссылки в .git/refs. Разворачиваем сокращения fetch до полной формы refs/heads/master:refs/remotes/origin/master, разбираемся, зачем Git держит у себя копию чужих веток и почему git switch -c refs/heads/x создаёт refs/heads/refs/heads/x.

В «Яндексе» сообщили, что сервисы такси, кикшеринга и доставки компании вновь доступны всем пользователям.

Microsoft работает над новой функцией на базе ИИ для браузера Edge. Инструмент под названием «Исправить проблему» (Fix an issue) будет доступен в настройках браузера. Он будет помогать с ошибками, если они будут возникать при работе в браузере. По сути, это будет чат‑бот с ИИ: пользователь вводит запрос, а встроенный искусственный интеллект пытается устранить неполадку.

У меня два аккаунта Claude. Первый корпоративный. Второй личный, за него я плачу сам и пользуюсь им в своих проектах. Оба живут на одной машине, и довольно быстро стало ясно, что держать их желательно раздельно.

Причин несколько. Рабочий код должен идти через рабочий аккаунт, потому что у компании на этот счёт свои правила. Свои проекты я, наоборот, не хочу гонять за счёт работодателя и оставлять в корпоративной истории. Переключаться вручную через /logout и /login можно, но "разве это жизнь".

Хотелось, чтобы аккаунт выбирался сам, в зависимости от того, какой проект я открыл. Оказалось, это очень легко было сделать.

На недавнем мероприятии Сбера выиграла колонку Салют мини и решила сравнить её с имеющейся Марусей Нео. По цене они сопоставимы. Я сделала субъективное сравнение и в данной статье не лезла в ЦА, распространённость, долю... Поделилась только своими критериями и восприятием.

Привет! Меня зовут Маша, я Senior Product Manager и разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. Мои разборы: «Рейтинг ни на что не влияет»: Почему Яндекс.такси выбирает газлайтинг вместо честного UX и 8% рынка колонок и 15 способов сказать «не знаю»: как VK заменила развитие Маруси юмором.

Языковые модели поумнели во многом благодаря масштабу: их обучали на десятках триллионов токенов текста, который человечество накопило в интернете. У робототехники такого запаса нет: никто не выкладывал в сеть миллионы часов записей того, как робот складывает рубашку или наливает воду. Каждый такой час приходится записывать с нуля.

В статье разберём, как сейчас добывают данные для обучения роботов, сколько их уже собрано и во сколько обойдётся догнать LLM. По грубым оценкам, данных у роботов примерно в тысячу раз меньше.

В последние недели пользователи сервисов Muse (разработчик Meta*), Grok (xAI), Dots (OpenAI) и Instinct столкнулись с блокировками: у ИИ‑агентов не получается выполнять задачи на различных сайтах. По данным The Verge, интернет‑ресурсы постепенно закрывают доступ для ИИ‑агентов.

Так, компания Yelp предоставляет доступ к своему сайту только ИИ‑агентам, владельцы которых оплачивают программу лицензирования данных. Авиакомпания Delta Air Lines, в свою очередь, препятствует покупке билетов через ИИ‑агентов. Банк JPMorgan Chase и финансовая компания Charles Schwab также подтвердили, что блокируют доступ ИИ‑агентов из соображений безопасности. Сайты Cars.com и Amtrak также закрыты для систем искусственного интеллекта.

Дата-центры редко вызывают у школьников живой интерес. Серверные стойки, шум систем охлаждения, резервное питание — всё это выглядит скорее как тема для инженеров, чем для урока в начальной школе. Но индустрия всё активнее приходит в школы: проводит экскурсии, выпускает раскраски и детские книги, предлагает занятия о «супергероях данных» и рассказывает о будущих профессиях.

Квалифицированная заявка стоила 48 000 ₽. Через три месяца – 16 000 ₽, и таких заявок стало девять в месяц вместо трёх. Рекламный бюджет за это время не менялся.

Главная правка случилась за пределами рекламного кабинета. В компании никто не мог ответить, за что именно платит маркетинг: все заявки падали в CRM одной кучей, а подрядчик вёл рекламу без отчёта и без единого показателя.

В чём сложность устройства водяных инженерных систем в высотных зданиях?

Недавно я был на конференции, посвящённой вопросам особенностей устройства  внутренних инженерных систем в высотных зданиях (выше 100м). К таким системам   с особенностями относятся системы отопления, водоснабжения, вентиляции и кондиционирования.

Вопросы кондиционирования и вентиляции  я уже рассматривал в нескольких  своих более ранних статьях.

https://habr.com/ru/articles/736140/

https://habr.com/ru/articles/732144/

https://habr.com/ru/articles/742832/

На этот раз меня заинтересовали водопровод и отопление.

Проблемы высотных зданий с отоплением и  водоснабжением заключается в том, что статический напор в наполненной водой вертикальной  трубе высотой 100 метров достигает 10атмосфер, на что уже не рассчитаны приборы отопления  и сантехника в ванной.

А в  Москва-Сити небоскрёбы  достигают высоты 373м и 95 этажей (башня Федерация), что даёт уже статическое давление более 37 атм на уровне земли. (см.рис.1-4)

В Jupyter Notebook модель показывает отличный ROC‑AUC, а через пару недель в продакшене её предсказания становятся хуже случайного выбора. Причина может скрываться в признаке, который при обучении и инференсе рассчитывается по‑разному, или в изменившемся поведении пользователей.

Разбираемся, как Data Drift, Concept Drift и ошибки в работе с признаками влияют на качество моделей и какие практики ML System Design помогают избежать подобных проблем.