Давайте разберёмся, как алгорифмы Маркова и pattern matching в WL позволяют генерировать лабиринты, реки, падающий песок и другие клеточные автоматы с помощью системы типов
Можно ли описать интерпретацию Таро как задачу поиска лучшего смыслового пути? Разбираю учебную вероятностную модель: от локального greedy к точному Viterbi, beam search, фактор-графам, CRF и LLM reranking. На контрпримере показываю, почему лучший локальный выбор проигрывает глобальному, а также где заканчивается поиск структуры и начинается генерация текста.
Обещание, что скоро код не придется писать руками, звучит далеко не первый раз. COBOL делали похожим на английский, чтобы программы были понятны не только программистам. Предшественник SQL назывался SEQUEL, то есть буквально Structured English Query Language. Потом появились ноукод-платформы. Ручной работы действительно становилось меньше, но программисты никуда не исчезли. Наоборот, их становилось только больше.
Теперь очередь дошла до больших языковых моделей (LLM). Дальше, для краткости, я буду называть их просто моделями. И вот здесь мы встретили финального босса: впервые инструмент по-настоящему, от и до, работает с естественным человеческим языком. Стало возможно писать целые программы не зная ничего о языках программирования.
Звучит немного пугающе. Но мы быстро сделали успокаивающий для себя вывод, что исчезнет только рутина, а спрос вырастет на тех, кто занимается архитектурой и ревью. Все-таки должны остаться люди, которые ставят задачи, а потом проверяют сгенерированный код.
Но на что мы будем опираться при проверке такого кода? По объему знаний модель уже обгоняет любого отдельного разработчика: может воспроизвести большинство известных алгоритмов и паттернов, знает множество библиотек, синтаксис. Ни один человек не держит такой объем знаний в голове. И соревноваться с моделями в количестве запомненной информации бессмысленно.
И все же полноценной заменой программиста они пока не стали. Значит, наша ценность не только в знаниях, есть что-то еще.
Ещё пару лет назад мысль о полноценной 27B модели на обычном ноутбуке звучала как шутка: нужна была либо мощная видеокарта, либо максимально урезанные веса и небольшой контекст.
Пока индустрия оттачивала классическое low-bit квантование, отдельные команды экспериментировали с куда более радикальным подходом: вообще отказаться от аппроксимации весов и собрать сеть буквально на нескольких значениях. Звучит как безумие, хотя на практике (далеко не сразу) это сработало. Но обо всём по порядку.
В пакете стандартной библиотеки slices есть функция Backward — итератор по элементам среза в обратном порядке:
func Backward[Slice ~[]E, E any](s Slice) iter.Seq2[int, E]
Если вы не сильно погружены в тему дженериков и итераторов, то естественная реакция при взгляде на сигнатуру этой функции (и других из пакета slices) — «а что, нельзя попроще как-то было?».
Чтобы ответить на этот вопрос, проведем мысленный эксперимент. Представим себя в роли нашего далекого предка, живущего в доитераторную эпоху, который решает реализовать Backward с нуля.
Слоганы, фирменные цвета бренда и даже мерч всё чаще становятся объектами интеллектуальной собственности. Компании пытаются зарегистрировать своё «HR-лицо», чтобы повысить узнаваемость, усложнить жизнь конкурентам и защитить себя от переманивания кадров. Рассказываем в нашей статье об этом новом тренде.
В прошлой статье я писал о WIE - userspace эмуляторе, который через JIT позволяет запускать PE64 бинарники на Apple Silicon. Казалось бы проект шел хорошо - почему делаешь новое? Дело в том, что я уперся в ужасную скорость - 7zip реальный проект на 200+ мб сжимал в 80-100 раз медленнее, чем нативный macOS бинарник. И это исправить без радикальной переработки проекта и разрушения самой концепции невозможно. Поэтому его разработка к сожалению была приостановлена.
Но мне хотелось попробовать сделать то, что сохранит идею переноса бинарника одной OS на другую, но без JIT. И я нашел. И имя ему Kakehashi
Сейчас в сети можно найти много статей и видеороликов о становлении 3D-графики в обычных пользовательских ПК. Даже я в своем блоге веду соответствующую рубрику, где мы с вами не только вспоминаем историю знаковых видеокарт из 90-х, но и во всех подробностях изучаем их архитектуру, возможности и графические API. Однако всё это время мы с вами обходили тему 2D-ускорителей на ПК, которые тоже очень сильно эволюционировали и изменились со времен самой первой видеокарты в IBM PC.
Если вам интересно узнать о том, зачем видеокарте нужен был свой собственный BIOS, как работали цветные режимы в первых видеокартах и почему объём VRAM в те годы решал больше, чем сейчас — жду вас под катом!
Привет, Хабр!
Время от времени я возвращаюсь к своему PET-проекту приватного и независимого от сторонних сервисов голосового ассистента под кодовым названием «Альфа», который разработан для голосового взаимодействия с умным домом на базе Home Assistant. Простыми словами — это приватная умная колонка для управления умным домом. В этот раз я решил заняться вопросом «нормального» взаимодействия «Альфы» и Home Assistant. А что из этого вышло — читайте далее.
Привет, Хабр! Знакомому гитаристу очень понравилась одна из моих самодельных электрогитар, и он предложил обменять её на героиню сегодняшнего повествования.
Благодаря этому все мы сможем рассмотреть и послушать прекрасный недорогой инструмент, а у меня появилось выгодное пополнение обменного фонда.
30 июля 2026 года Google подключила Gemini Spark к Chrome. Круглосуточный облачный агент теперь может продолжить задачу в браузере пользователя, открыть сайты с активными сессиями и с разрешения воспользоваться сохранёнными данными для входа.
Chrome Auto Browse существует с 28 января. Свежим элементом стал мост между облачным Spark и вашим локальным Chrome. Именно он превращает обычную автоматизацию браузера в разговор о доступе к аккаунтам, личным данным и внутренним страницам компаний.
Анонс выглядит как ещё одна победа над скучной рутиной. Корпоративная документация Chrome читает ту же историю при более холодном свете. Разберёмся, что агент действительно получает, где остаётся человек и почему администраторам Google советует сначала проверить модель угроз.
Пользователи почти не сообщают о багах: напишет 1 из 20, остальные молча уйдут. На прод-логи мы посадили автономного ИИ-агента: 300 тысяч строк в сутки, цикл раз в полчаса, молчание в 9 случаях из 10 — и алерты с цифрами в Telegram. За 84 дня — 113 алертов, две пойманные галлюцинации и фикс. Внутри архитектура, экономика ($10/мес) и каркас, который собирается за день.
В этим летом мне исполнилось 32 года, а за плечами — диплом психолога, диплом теолога и свежая, июльская магистратура по педагогике. Я работал официантом, поваром, восемь лет был референтом, работал в магазине, администрировал доставку суши и был региональным менеджером в клининговой компании. А сейчас я учусь на аналитика данных и на системного аналитика, одновременно.
Если вы подумали «вечный студент» — я вас понимаю, сам так про себя так думал. Но именно поэтому мне есть что сказать про обучение — я видел его с обеих сторон. Учился я хорошо и плохо, доходил до конца и бросал, платил за курсы деньгами и, что дороже, временем. А ещё я успел поработать наставником и HR‑ом, то есть смотрел на чужие резюме теми же глазами, какими сейчас смотрят на моё.
Эта статья — не про то, что «образование важно» (спасибо, кэп). Она про то, почему одни и те же курсы для одних становятся трамплином, а для других — строчкой в резюме, которую рекрутёр пролистывает не моргнув. Здесь не будет мотивационных цитат, но будут цифры — в том числе мои собственные.
За годы управления инженерными подразделениями я совершал одну и ту же ошибку: больше внимания уделял тем сотрудникам, чьи проблемы уже были заметны. А самых надёжных оставлял в покое, считая это формой доверия.
Однажды один из сильнейших инженеров моей команды неожиданно пришёл с заявлением об увольнении. Только после долгого разговора выяснилось, что два месяца назад он просил отпуск, а я пообещал решить вопрос и забыл. Он же ни разу не напомнил.
Почему помощь часто получают те, кто громче сообщает о трудностях, а самые сильные специалисты остаются без поддержки? Попробую разобрать этот парадокс через модель профессионального стресса Роберта Каросека и собственный управленческий опыт.
Webhook часто воспринимают как простой механизм доставки уведомлений: пришло событие — обработали — вернули 200. На практике именно в этом месте возникают проблемы с двойными начислениями, потерянными событиями и некорректными состояниями данных.
В статье разбираем, какие вопросы должен учитывать системный аналитик при описании требований к webhook‑интеграциям и почему надёжность начинается ещё на этапе проектирования.
По сути, тренды июля те же, что и в июне (описание июня здесь): как создать лучший harness, как настроить автономные или полуавтономные процессы, управление контекстом, повышение качества и повторяемости результатов, оптимизация, безопасность. Но заметен другой сдвиг. Если в июне основной фокус статей был из серии “мы пробуем, мы попробовали”, то сейчас фокус “мы решаем вопрос как именно сделать лучшую реализацию на основе всех кейсов, которые мы собрали”. То есть мы подходим к моменту, когда количество переходит в качество.
Все больше статей описывают не просто интересные кейсы, а дают прикладные рекомендации и решения как сделать так, чтобы агентная разработка давала повторяемый качественный результат. Большой фокус на агентов и субагентов, на оркестрацию большого количества скиллов и MCP, на качественное тестирование как реальную значимую часть агентной разработки (а не просто генерацию unit-тестов), все больше внимания на архитектуру (как ее строить под проекты с ии-разработкой).
Итан Сигел (американский астрофизик-теоретик и научный журналист, автор рубрики "Спросите Итана", один из пропагандистов современных научных знаний), опубликовал эту статью в ответ на вопрос одного из читателей. Откуда нам известны возраст и размеры наблюдаемой Вселенной? А что насчет ненаблюдаемой? Она бесконечна или конечна?
@avshkol перевел эту статью (и снабдил несколькими примечаниями). Эта работа раскрывает эволюцию научных знаний о размерах Вселенной, дает прекрасное введение в смысл уравнений Александра Фридмана и станет отличным теоретическим и историческим введением в современную космологию для начинающих.
Я бы назвал это самой важной частью всей серии статей. В ней мы соберём целостную картину. Будем говорить об обобщённой системе, которая принимает естественный язык, выбирает действие и умеет безопасно запускать долгие операции.
На arXiv вышел препринт "Settling the Optimal Exponent Relating Sumsets and Difference Sets" — восемь страниц за подписью Хаовэя Линя из Tencent Hunyuan и Шанды Ли из Университета Карнеги — Меллона. Он ставит точку в вопросе аддитивной комбинаторики, на котором за последний год проверили себя едва ли не все громкие ИИ-системы — от AlphaEvolve из Google DeepMind до GPT и Claude. Ответ нашелся не у них: ключевую конструкцию предложил Hyra — исследовательский агент Tencent, работающий на открытой модели Hy3. Формальная проверка доказательства выложена в открытый репозиторий на Lean 4 — языке для машинной проверки математических доказательств.
Шалом, хатули...эмм-э... уважаемые гости и потенциальные инвесторы. Ответьте, пожалуйста, на один маленький вопрос, который я задаю всем своим гостям: как вы думаете, какой наиболее технологичный и эффективный способ получения стейков из растительного сырья? 3Д-печать? Неее. Соя или горох? Двойная экструзия? Увы, увы. Это корова. Пока что. Мы работаем над этим.