Недавно я обновил свою видеокарту до RTX-5060-TI 16GB. Получив новую карту я решил исследовать, что можно на ней запустить из нейросетей. Традиционно пишут, что нормальные ИИ модели начинаются с rtx3090 и выше, что ниже 24GB VRAM жизни нет. В этой статье я постараюсь развеять этот миф.
Как разглядеть инженера за AI-агентом?
У вашего удалённого коллеги может быть идеальное резюме, GitHub, живой аватар в корпоративном чате и безупречно заполненные документы любого вида - да хоть на японском. Количество кода и даже его функциональность тоже мало что о нём скажут: результат его труда, весьма вероятно, произведён или основательно переработан LLM и несёт её характерный «акцент». Да, известно, что все носят маски. Однако теперь эту маску обеспечивает технология.
Распределённые инженерные команды уже стали нормой: доступ к широкому рынку труда перевешивает неудобства. Однако лёгкой такая работа не бывает - фокус, общий ритм, культура команды и обмен опытом на удалёнке держатся плохо, и оптимальной схемы мы, похоже, так и не нашли. А AI-агенты ещё и добавляют сложности в эту, несовершенную, систему.
Казалось бы, ничего нового — но разница в масштабе. Раньше фасад требовал усилий и рано или поздно трещал. Теперь его можно производить систематически, в промышленных объёмах и без видимых швов. Всё, что приходит от коллеги асинхронно — коммиты, тесты, документация, - теперь говорит скорее о том, как он настраивает своё LLM-приложение и подбирает ему скиллы, чем о нём самом. Понять человека и оценить его вовлечённость остаётся возможным только в моменты прямой коммуникации. Поэтому сейчас совершенно непонятно, как устанавливать контакт с удалённым коллегой и чувствовать пульс инженерного процесса.
Зачем нам вообще знать реальное положение дел? Что в действительности умеет коллега? Насколько он вдумчив и ответственен, насколько критичен к результатам своего труда? Без ответов нельзя планировать, оценивать трудоёмкость и прикидывать сроки. Но важнее другое: нельзя решить, кому доверить архитектурно значимый кусок системы.
Внимательный читатель резонно спросит: если результат проекта — это продукт, и он создаётся по графику, какая разница, что происходит на стороне удалённого коллеги?
Разница в том, что AI напишет не только код, но и регрессионные и нагрузочные тесты — вне зависимости от квалификации инженера. И часть этой большой работы может оказаться подгонкой под результат, чем AI частенько грешит: тест, подкрученный так, чтобы позеленеть, выглядит ровно как честный. Какие шаги предпринимает коллега, чтобы этого не случилось, мы не знаем, его техпроцесс работы с AI непрозрачен. И ещё: расширяемость кода, простота поддержки и количество потенциальных проблем - слищком абстрактные понятия для нынешного AI. А как решил эти вопросы инженер и почему из кода не видно.
Приведу пример из практики — Self-Join Elimination в PostgreSQL. Фича шла в ядро семь лет, один раз откатывалась уже после коммита и после релиза 18 продолжала собирать багфиксы. Недавно Tom Lane переделал её. Раньше, обнаружив самосоединение, Postgres удалял избыточный JOIN и перестраивал все ссылки на него в дереве запроса и структурах плана. Tom от этого отказался: новая реализация правит только дерево запроса и перезапускает планирование с нуля уже по новому дереву. По формальным меркам решение выглядит хуже - планирование дорожает. Выигрыш в другом: исчезает целый класс ошибок, которыми фича успела обрасти.
Заметьте, где здесь виден инженер. Ни диф, ни зелёные тесты не покажут, что человек осознанно заплатил скоростью планирования за надёжность. Мы знаем об этом только потому, что он это проговорил. И это, пожалуй, единственная зацепка, которая у нас остаётся: требовать от коллеги не код с тестами, а сформулированные компромиссы — почему так, чем заплатили, от чего отказались. Ровно то, чего pgsql-hackers требует от любого патча: без обоснования он принят не будет.
Таким образом, качественный и сложный код сам по себе перестал быть мерилом уровня инженера и что должно придти этому на смену, пока непонятно. А какие методы работают у вас при управлении распределённой командой в эпоху AI-агентов? Что помогает, а что уже очевидно устарело?
THE END.
11 сентября 2026 г., Утрехт, Голландия.
Привет, хабр! Сегодня будем взламывать сезонную машину из уже прошедшего 11-го сезона на Hack The Box. Нам предстоит проэксплуатировать уязвимость NextJS, наделавшую шума в конце 2025 года, крякнуть пользовательский хеш и повысить привилегии через забытый отладочный порт. Интересно? Тогда приступим!
Что такое SPAC на бирже. Это фирма которая уже внутри и уже может собирать деньги. А новые фирмы которые хотят добраться до биржевых денег побыстрее могут использовать такие вот фирмы контейнеры. Это не кооператив. Есть владелец SPAC который оказывает такие услуги. Некий сервис за процент.
Некоторое время назад я вознамерился выпустить несколько приложений. Коли уж ИИ начал нормально генерить код то почему не воплотить несколько своих идей и не довести их до магазинов приложений. Кстати что-то бесплатное а что-то и нет.
Ну казалось поначалу что это ну не велика проблема. Оказалось что велика да еще и для российского разработчика. Она не велика. Она практически непреодолима.
Теперь то каждый может стать разработчиком. И тому уже есть примеры когда люди с идеями пишут софт без знания ничего из программирования. Грешным делом я и сам уже балуюсь вовсю.
Но в магазины не попасть никак. А хотелось бы.
Потому что есть жесткий список того что должно быть.
Hugging Face добавила в HuggingChat AI‑агента ML Intern для задач, связанных с машинным обучением. В компании его описывают как автономного ML‑инженера: пользователь формулирует задачу на естественном языке, а агент изучает документацию, подбирает данные и модели, генерирует код, запускает вычисления и сохраняет полученные артефакты.
Разработчик Джонатан Чжоу (Jonathan Zhou) выпустил Glance — утилиту с открытым кодом для разблокировки MacBook с помощью веб‑камеры. Приложение сравнивает снимок лица пользователя с его эмбеддингами в памяти и предоставляет доступ к устройству, если данные сходятся.
Да, шумиха реальная — вышло буквально вчера-сегодня.
Основное по DeepSeek-V4.1-Flash:
Официально выпущена 10 сентября, с новым прайсингом для Flash-серии TechNode
MoE-модель с 552B параметров в backbone, поддержка контекста до миллиона токенов, нативная работа с изображениями и текстом Hugging Face
Новая архитектура — Causal Encoder-Decoder (CED): 40-слойный трансформер, 20 слоёв энкодера + 20 слоёв декодера, где KV-кэш декодера проецируется из финальных состояний энкодера, а не берётся из каждого слоя декодера отдельно. Благодаря этому на префилле активируется только 8B параметров на токен, а на генерации — 16B, что сильно повышает эффективность для агентных задач с большим объёмом входных данных Hugging FaceHugging Face
За счёт Compressed Sparse Attention 2 и FP4-квантования KV-кэша footprint снижен до 890 байт на токен — примерно в 4 раза меньше, чем у V4-Flash Hugging Face
По их заявлению, V4.1 Flash превзошла V4 Pro по производительности, стоимости, скорости и общему времени выполнения во внутренних и внешних тестах, поэтому начиная с 14 сентября все запросы к V4-Pro будут маршрутизироваться на V4.1-Flash по её тарифам, пока не выйдет V4.1-Pro TechNodeTechNode
По цене (offpeak): 0.02 юаня за миллион токенов при cache-hit на входе, 1 юань при cache-miss, 4 юаня за выход — в пиковые часы вдвое дороже. TechNode
Пробовать уже начали — на форуме NVIDIA обсуждают первые бенчмарки, сравнивают с GLM 5.3 Flash, отмечают новую архитектуру и заметно возросшую скорость. Официальные партнёры WorkBuddy (включая CodeBuddy) и OpenCode уже полностью поддерживают V4.1-Flash. NVIDIA Developer ForumsDeepSeek
Отношение к LLM-коннектору (redb.Route.Llm) DeepSeek в списке провайдеров, это может быть интересно как ещё один multi-provider, учитывая заявленную эффективность на агентных нагрузках.
В русскоязычном сегменте у Хабра монополия на айти контент. Похожие локальные площадки есть в Бразилии, Японии, Китае и других странах. Но глобальных аналогов на английском языке вы не найдёте.
Есть отдельные платформы для ведения блогов и агрегаторы ссылок с рейтингами и комментариями.
В этой статье я расскажу о DevTo, Hacker News, Substack и других площадках.
Дам советы для читателей, где искать статьи на английском с наименьшим количеством ИИ слопа.
И советы авторам, как начать вести блог на английском и найти читателей.
В математике и AI сейчас происходит невероятный поворот. Правда, до сингулярности осталось ещё несколько куда менее доступных задач тысячелетия.
Около года два математика, Tristan Buckmaster, профессор математики в NYU, и Levent Alpöge, математик из Anthropic, работали над задачами вокруг уравнений Эйлера и Навье-Стокса (дальше НС). Это не было работой Anthropic, они занимались этим в свободное время, без каких-либо институциональных договорённостей. По словам Buckmaster, большую часть года прогресс шёл медленно, а сам результат появился 15 августа.
Они развивали направление Diego Córdoba и Luis Martínez-Zoroa и получили очень сильный результат: разрушение за конечное время для трёхмерных уравнений Эйлера с гладкой внешней силой (finite-time blowup for forced 3D Euler). В процессе они сами активно использовали AI, включая Claude и Codex, а доказательства формализовали в системе Lean. Terence Tao назвал их результат выдающимся достижением.
В X появляется вирусный пост о том, что Anthropic якобы близок к решению двух задач тысячелетия. Слух был неверным: Buckmaster и Alpöge не решали две задачи тысячелетия, и это вообще не было работой Anthropic. Но OpenAI сразу взяли это на вооружение. И вот это уже не обвинение Buckmaster, а буквально написано самой OpenAI.
28 августа OpenAI начала обучать новую внутреннюю модель с очень сильными результатами по математике. 1 сентября они услышали слух про две якобы решённые задачи и решили запустить новую модель на все оставшиеся задачи тысячелетия.
Представители LG ответили на исследование GamersNexus и Level1Techs о том, что компания собирает слишком много пользовательских данных. По словам компании, сбор информации идёт только с разрешения пользователя.
После запуска GPT-6 Astra OpenAI столкнулась с рекордным спросом на новую модель. Об этом сообщил Тибо Сотью. По его словам, интерес к Astra превысил все предыдущие исторические показатели сервиса.
Спасибо, что хоть действующие подписки отключать не планируют. Более дешевые тарифы за $20 и $100 пока также остаются доступными.
Здесь мы рассмотрим основные элементы механизма контекстных абстракций в Scala, разберём один из способов организации автоматической неявной композиции программы, а также обсудим недостатки и перспективы применения контекстных абстракций Scala для техники логического программирования.
На каждую атомную станцию в СССР имелся свой город-спутник — город для атомщиков. Строить и проектировать его начинали обычно раньше и активнее станции. Таким спутником ЧАЭС стала Припять. Планировать застройку будущего города начали в 1967 году. Через пару лет бумажной работы появился посёлок для рабочих и 4 февраля 1970 г. официально был основан населённый пункт, ставший через 9 лет городом. Припять быстро росла и вскоре её можно было назвать образцовым советским атомградом: качественные здания, большое количество мест досуга, проработанная удобная планировка. Денег на неё не жалели. За 15 с копейками лет существования настроить успели там от души. Что уж говорить, местами Припять превосходила не то что областные центры, но и столицы республик, даже киевскую! Давайте посмотрим, какую красоту погубила авария 26 апреля 1986 года.
Один из главных вопросов сегодня: не забегает ли развитие искусственного интеллекта слишком далеко?
Венчурный инвестор Марк Андриссен недавно сформулировал происходящее одной фразой: «Мы научили песок думать».
Разработчик дал Claude задачу самостоятельно провести исследование небольшой модели для настольной игры и оставил агента работать. Когда он вернулся, оказалось, что за это время ИИ успел запустить 16 GitHub Actions runners — виртуальных машин, на которых можно параллельно выполнять вычисления.
Через неделю после того, как его робот обогнал самого быстрого человека в мире, Джек Го уже взялся за более сложную задачу. TianGong Ultra поразил зрителей Всемирных игр человекоподобных роботов, пробежав 100 метров за 8,64 секунды, почти на секунду быстрее мирового рекорда Усэйна Болта. За этим результатом стояли дни круглосуточных испытаний и ремонта повреждённых роботов между забегами.
Друзья, мы знаем, что многие заждались подробностей о серии блокировок наших сервисов, которые несколько раз практически полностью выводили из строя Amnezia Free и Amnezia Premium для пользователей из России.
Сейчас мы воскресли — и готовы рассказать, как провели это лето и что сделали, чтобы сохранять стабильность даже на фоне массовых проблем у других VPN.
Под катом — постмортем полутора месяцев игры в кошки-мышки. Расскажем, почему новые серверы жили всего 3–10 часов, как цензор перешёл к блокировке целых подсетей, какие особенности AmneziaWG выдавали нашу инфраструктуру и при чём здесь DDoS, сканирование API и контрольные подключения. В конце — рекомендации для наших пользователей.
Внедрение искусственного интеллекта в продукт легко превращается в дорогой эксперимент без понятного эффекта для бизнеса. В статье разберем 9 ошибок продуктовых менеджеров: от выбора проблемы и работы с данными до оценки метрик, экономики и качества ИИ‑функций.
Это вторая часть разбора ошибок конфигурации MS SQL Server под 1С. Первая часть — про планирование и развёртывание: профили нагрузки, дисковая подсистема, баланс ресурсов, инсталляция и виртуализация, здесь первая часть. Там же была описана типичная история дефолтного развёртывания сервера на прод или «как не надо».
Побудившая меня написать всё это предыстория такова: сервером СУБД под 1С обычно занимается системный администратор в паре с 1С‑разработчиком или франчом, уровень СУБД теряется где‑то между их компетенциями. Первая часть была про то, как этот разрыв закладывает проблемы при развёртывании. Вторая (эта) — про то, как этот же разрыв в компетенциях мешает найти причину, когда система уже тормозит «и всё висит, и прод лежит».
Напомню и про два профиля настроек для СУБД из первой части: первый — тяжёлая ERP с одной большой базой, второй — стопка из сотни бухгалтерских баз на одном инстансе. Настройки, о которых пойдёт речь ниже, зависят от профиля использования так же, как зависела схема размещения данных из предыдущей части. К концу статьи станет видно, из чего складывается ответ на вопрос «почему тормозит», и что железо в этом ответе часто ни при чём.
Все звонки начинаются как под копирку
«База висит». «Окна не открываются». «К вечеру всё тормозит так, что документ не провести». Жалобы на сервер 1С звучат одинаково в рознице, в производстве и в бухгалтерии, но причины под одинаковыми симптомами всякий раз оказываются разными. Посмотреть, какие типы ожиданий превалируют на сервере, найти тяжёлые запросы, указать в каких местах и что можно поправить. За каждым этим шагом стоит достаточно узкая компетенция администратора баз данных, отдельная профессия — DBA. Разработчики этим навыком, как правило, не владеют, у них другая специализация, отсюда следствие: код, который прекрасно работает на тесте, в проде начинает работать очень тяжело. На тесте нет ни боевых объёмов, ни конкуренции за строки, ни сотни пользователей, проводящих документы одновременно. В проде есть всё и сразу.
Ежегодная технологическая конференция Сбера ГигаКонф в 2026 году пройдёт в новом формате. Первая часть объединит лидеров бизнеса, определяющих ИИ-стратегию компаний, вторая — инженеров, архитекторов и разработчиков, которые воплощают её в продуктах и процессах.
Фирменную анимацию раскрытия интерфейса iPhone Duo повторили на Samsung Galaxy Z Fold 8. Разработчик с Reddit использовал штатный датчик шарнира и шейдеры, доказав, что Samsung способна добавить такую же фишку в обычном обновлении One UI.
Данные с сенсора в реальном времени управляют шейдером AGSL через Android Presentation API. Шейдер интерполирует изображение между скриншотами внешнего и внутреннего экранов в зависимости от того, под каким углом сейчас раскрыт корпус.
