Когда речь заходит об отечественных игровых телеприставках, на ум неизменно приходит Dendy, выпускавшаяся по заказу российской компании Steepler. В своей прошлой заметке я вспомнил историю советских игровых приставок, которые, собственно, и похоронило пришествие этого российского клона Famicom. После выхода статьи один из читателей обратил моё внимание, что между этими двумя явлениями существовало ещё одно, оставшееся почти незамеченным и малоизвестным: речь идёт о восьмибитной игровой телевизионной приставке «Эльф», выпускавшейся в самом начале девяностых малыми сериями в Беларуси. Примечательной особенностью этого редкого девайса было то, что разработали его… на базе архитектуры ZX Spectrum.

Привет Хабр, и всем читающим! Сегодня разберемся в патчинге, в отличиях между ним и дебаггингом, и поймем как пользоваться hex-редактором для реверс-инжиниринга. (И да, я когда писал статью, перепутал термины Debugger и Hex-editor, и только под конец понял что стоит статью изменить, прошу учитывать)

Дисклеймер важен, его пожалуйста прочитать обязательно!

Ну и приятного чтения, господа :-)

В новом дайджесте простые синтаксические приёмы и Android Developing через вайбкодинг, холодный старт Android-приложения и MVVM-курильщика, разработка браузера для iPad, тренды UX/UI-дизайна 2026, железо для ИИ и многое другое. Подключайтесь!

Всем привет! Продолжаю делиться кейсами, где действительно ИИ экономит время, ресурсы, а значит деньги бизнеса. Сегодня в статье разберу ещё один кейс внедрения ИИ-агента в бизнес-процессы, речь пойдёт про онбординг новых сотрудников. Если среди вас есть HR, не стесняйтесь, делитесь, а как у вас проходит адаптация новых сотрудников, какие механики используете?

В статье будем разбирать ИИ-агента для IT-компании, в целом он применим для всего сектора бизнеса. Просто будут отличаться те или иные документы, знания агента.

А как сделать личного Buddy (наставника) каждому новому сотруднику при этом не увеличивая штат? Давайте разбираться, как можно это построить, сколько денег потребуется, какие нужны мощности, разберём ограничения и инвестиции. Немного расскажу ещё про эффективность таких ИИ-наставников в конце.

Всем привет!

Если вы ранее читали мои статьи, то знаете, что я занимаюсь вайбкодингом для разработки полезных в моей оффлайн работе инструментов на основе ИИ. Это не проф разработка, а скорее хобби с практическим применением.

Эта статья не будет про технику (хотя немного технических аспектов поведаю). Просто небольшой обзор небольшого инструмента, который я хочу отдать в массы.
Изначально я разработал этот инструмент (а точнее примитивный агент)  для своего знакомого дизайнера интерьеров. Ему требовалось решение, которое позволило бы согласовать с заказчиком общий визуальный стиль («вайб») и планировку еще до начала сложной технической работы. Инструмент нужен был максимально простой и с конкретным функционалом.

Проблема стандартного процесса в том, что между мудбордом (набором картинок) и первой 3D-визуализацией проходит слишком много времени. Клиент может отвергнуть вариант, на проработку которого ушло несколько дней.

Этот инструмент решает задачу быстрого концепт-дизайна. Он не заменяет профессиональный софт (3D Max, Archicad, Revit) и не делает рабочие чертежи. Его цель — за 5 минут показать заказчику фотореалистичный эскиз: как его комната будет выглядеть в выбранном стиле и с конкретной мебелью, сохраняя при этом геометрию стен.

Знаю, что людям нравится визуал и сразу начнем с него.

Привет, меня зовут Дмитрий Крупенин. Последние 7 лет я занимаюсь созданием и развитием внутренних продуктов для крупных компаний. Я отвечал за распределение обращений в клиентском сервисе для одного биг.теха РФ, а сейчас помогаю строить распределение задач контента в рамках другого. Захотелось освежить все знания по этой теме, а заодно структурировать это в статью, которую вы сейчас и читаете.

В чем собственно вызов в этой области: современные алгоритмы назначения обращений операторам представляют собой критически важную технологическую основу для крупных компаний, обрабатывающих миллионы клиентских запросов ежемесячно. В условиях растущих ожиданий клиентов и необходимости обеспечения высокого качества обслуживания (при оптимальных для бизнеса операционных затратах) эффективность распределения обращений на подходящих исполнителей становится одним из ключевых факторов конкурентоспособности. Исследования (раз, два, три) показывают, что передовые AI-powered алгоритмы способны снижать время ожидания клиентов на 40-60%, повышать показатели решения с первого обращения до 85%, и одновременно оптимизировать загрузку операторов, предотвращая их выгорание. Давайте разберемся так ли это и как достичь таких результатов.

Продолжаем исследовать возможности технологии LLM для повышения эффективности работы человека-пользователя и работы человека-программиста. И делаем это в форме описания тулинга для мини-фреймворка core-kbt: опишем туториал как пользоваться базовыми темплейтами для Obsidian Templater для развития текущих "знаний".

Введение

В сети сейчас полно «гуру» и коучей, которые обещают запустить собственную LLM почти на ноутбуке. Да, это технически возможно, но обычно речь идёт о моделях в диапазоне от млн до млрд параметров. Такая модель будет работать, однако — медленно, и её практическая ценность будет ограничена. В результате многие пользователи разочаровываются в локальных LLM.

 В этой статье я расскажу, как пошагово развернуть собственный сервер для инференса LLM, чтобы получить действительно полезный инструмент.

 Зачем нужен локальный сервер LLM?

Вы знаете, что OpenAI сейчас переживает масштабную турбулентность. Драма в руководстве, хаос в совете директоров - полный набор. Но это не останавливает их от сброса абсолютных бомб.

OpenAI только что выпустила три крупных анонса одновременно. Первый может превратить ваш ИИ в личного врача. Второй может превратить вашего ассистента в сотрудника.

А третий?

Третий вариант потенциально может превратить всех в простых наблюдателей.

То, что вы сейчас узнаете об этом последнем анонсе, может заставить вас совершенно иначе взглянуть на вашу собственную работу.

Мэр Нью-Йорка Зохран Мамдани объявил о закрытии городского чатбота MyCity, который должен был помогать предпринимателям разбираться в местных законах и регуляциях. Вместо этого бот на базе Microsoft Azure OpenAI регулярно давал советы, следование которым привело бы к нарушению законов — от присвоения чаевых сотрудников до дискриминации арендаторов.

Всё началось с покупки гаража. В каждом гараже есть щиток освещения. Обычно это кусок текстолита с установленным счетчиком, автоматами питания, розетками, выключателями. Выглядит колхозно. Задумал я поставить что-нибудь более современное и добавить какую-нибудь автоматику.

Человек — это не тело и не набор данных, а непрерывный субъективный процесс («я-сейчас»).

Копирование сознания не спасает — оно создаёт наследника.

Но если заранее включить в себя нейропротезы и вычислительные контуры, которые уже участвуют в субъективном опыте, то гибель тела перестаёт быть финалом.

Это не бессмертие и не отказ от биологии — это архитектура живучести с жёсткими физическими пределами.

Здравствуйте, меня зовут tmaxx, и я алкоголик понял что такое монады. И, естественно, рассказываю об этом всем вокруг, в том числе и вам. Конечно, это Далеко Не Первая Статья О Монадах на Хабре, но ещё один альтернативный взгляд на проблему, думаю, не помешает.

«Монада», как известно, это «моноид в моноидальной категории эндофункторов», что дает примерно ноль информации несведущему человеку. В программировании, можно попробовать определить монаду как «штуку, реализующую вот такие методы»:

(>>=) :: forall a b. m a -> (a -> m b) -> m b
return :: a -> m a

Не понятно на Хаскеле? Вот примерный эквивалент на Java:

<A, B> Monad<B> bind(Monad<A> ma, Function<A, Monad<B>> famb); <A> Monad<A> ret(A a);

Все равно остались вопросы? Почему именно такая сигнатура? Что в ней такого особенного, что она используется абсолютно во всех реальных программах написанных на функциональных языках? Попробуем разобраться.

NVIDIA выпустила отчет о методе QAD, который позволяет квантовать LLM в 4 бита без потери качества на сложных задачах (математика, код). Разбираем, почему привычный QAT «ломает» модели после RLHF, как дистилляция через KL-дивергенцию решает эту проблему и почему метод работает даже на рандомных данных. Личный опыт попыток уместить 49B модель в железо и анализ нового подхода.

Современный мир переживает бум развития технологий искусственного интеллекта, помимо чат-ботов, сервисов генерации изображений и т.п. Искусственный интеллект (ИИ) применяется в беспилотных автомобилях, которые уже сейчас ездят по дорогам общего пользования. Это пример того, как ИИ управляет техническим средством, а именно, считывает данные с лидаров и видеокамер и т.п., анализирует их и формирует команды для задания направления и скорости движения автомобиля. На первый взгляд, это мало чем принципиально отличается от управления технологическим оборудованием на промышленных предприятиях. Почему же в современных АСУ ТП не применяют ИИ для формирования управляющих воздействий на исполнительные механизмы?

Бывший директор по ИИ в Tesla Андрей Карпати обучил модель, которая превосходит GPT-2 по бенчмарку CORE, потратив $73 и 3 часа на одном узле из восьми GPU H100. Когда OpenAI тренировала оригинальную GPT-2 (1,5 млрд параметров) в 2019 году, это заняло неделю на 32 чипах TPU v3 и обошлось примерно в $43 000.

Intel Foundry выпустила рекламный документ, подробно описывающий передовые решения компании в области разработки и реализации аппаратных средств для приложений искусственного интеллекта и высокопроизводительных вычислений. Intel также продемонстрировала тестовый образец чипа для ИИ, показывающий текущие возможности компании в области корпусирования.

Основатель SiteGPT собрал систему из 10 ИИ-агентов на базе Claude, которые работают как полноценная маркетинговая команда — с распределением ролей, общей памятью и ежедневными отчетами. Проект построен на open-source фреймворке Clawdbot (теперь OpenClaw) и использует Convex как общую базу данных для координации. Кейс интересен как практический пример мультиагентной архитектуры — темы, которая в 2025 году перешла из исследований в продакшен.

Последние недели все обсуждают агентов для компьютера: кто-то ставит опенсорсный Moltbot (бывший Clawdbot), кто-то ждет, когда работать в Claude Cowork станет дешевле, а кто-то хочет просто нажать кнопку и получить результат - без всяких серверов, портов и онбординга в терминале.

Я протестировала MiniMax Agent 2.0 на самом понятном кейсе: навести порядок в папках на компе, и делюсь тем, что получилось со всеми нюансами и со стоимостью, а так же своим мнением, что мне больше понравилось использовать.

FlyingBear представила APS (Auto Playform System) — систему автоматической подачи печатных пластин для 3D-принтера. С её помощью пользователи могут запустить печать сразу нескольких моделей и не заменять пластину вручную после завершения каждого задания.