За две недели обновились сразу три лаборатории — xAI, Anthropic и DeepSeek. Сравниваю новые модели по независимым замерам, по цене одной и той же задачи и по тому, как с ними работать из России.
Полторы секунды. Столько в среднем живой человек смотрит на рекламу в интернете, а бренд начинает оседать в памяти только после двух с половиной. Разбираю свежие замеры внимания и формат, который выигрывает их все.
Знаете, я хотел сегодня поговорить о довольно глубокой вещи. Зачем нам вообще продолжать что-то делать? Не зачем начинать. Начинать легко. В начале есть идея, азарт, новый репозиторий, первые коммиты и ощущение, что сейчас ты сделаешь что-то чертовски крутое. А потом проходит неделя, месяц, год, и ты сидишь ночью перед монитором и смотришь на картинку, которая почему-то дёргается. Хотя всё должно работать.
Хайп вокруг пептидов волнообразный с пиками раз в 5-7 лет. Тема всплывает, когда очередное поколение предпринимателей переоткрывает «пептидные комплексы» с классной маржой. Цены от 5 до 100 тысяч в месяц. При этом пептиды бывают разные. Семаглутид тоже пептид, его эффекты видны и посчитаны. А что насчет диковинных названий типа CJC-1295. Что это вообще?
Нейросети заметно изменили повседневную работу тестировщика. Они умеют анализировать требования, находить в них противоречия, предлагать проверки, составлять тест-кейсы, генерировать тестовые данные и помогать с автоматизацией. То, на что раньше уходили часы ручной работы, теперь можно получить за несколько минут.
Это особенно хорошо работает там, где задачу можно формализовать: есть входные данные, правила, ожидаемый результат и понятный критерий полноты. Нейросеть быстро перебирает варианты и не устает выполнять однотипные операции. В результате у тестировщика освобождается время для работы, которую сложнее свести к заранее заданному алгоритму.
Исследовательское тестирование относится именно к такой работе. Здесь недостаточно выполнить подготовленный набор шагов. Нужно наблюдать за продуктом, замечать странности, формулировать гипотезы, менять направление исследования и задавать вопросы, которых не было в исходных требованиях. Иногда важным оказывается не явное сообщение об ошибке, а небольшая задержка, неожиданное изменение состояния или ощущение, что система ведет себя непоследовательно.
Нейросеть может помочь подготовить тестовую идею или проанализировать уже собранные материалы, но она пока не заменяет человека в самостоятельном исследовании реального продукта. Ей трудно оценить весь контекст взаимодействия, понять практическую значимость неожиданного поведения и решить, какая случайная деталь заслуживает дальнейшей проверки. Исследовательская сессия остается диалогом тестировщика с продуктом.
Сервер хранения может работать месяцами без единого предупреждения, а затем одно неожиданное отключение превращается в многочасовую недоступность сервисов. В этом постмортеме разбираем, почему отказ одного узла повлиял на объектное хранилище, как особенности размещения данных и служебных метаданных изменили сценарий сбоя и какие выводы были сделаны после инцидента.
Рассмотрим, какие инженерные решения помогли бы быстрее обнаружить проблему, ограничить последствия и повысить устойчивость инфраструктуры.
Некоторое время назад я написал здесь статью «Что такое время в нашей профессии?». В ней я начал с очень личного вопроса. Мне пятьдесят три года, за плечами примерно тридцать лет работы в ИТ, автоматизации, ERP-проектах, внедрениях и всей той профессиональной жизни, которую мы хорошо знаем: сроки, запуски, этапы, перегрузки, очередное «ещё немного — и станет легче». Я посмотрел назад на эти тридцать лет, а потом мысленно прибавил ещё тридцать вперёд и получил восемьдесят три. В тот момент вопрос перестал быть философским. Он стал очень практическим: что я собираюсь делать с тем временем, которое у меня ещё осталось?
Ту статью можно прочитать здесь: «Что такое время в нашей профессии?» на Хабре
С тех пор размышление продолжилось. Сначала я думал именно о времени: почему человек умеет прекрасно управлять календарём проекта и при этом почти не умеет управлять собственной жизненной длительностью; почему десятилетия могут быть до отказа заполнены деятельностью и всё равно оставлять вопрос «что это было?». Но довольно быстро стало ясно, что вопрос о времени невозможно оставить без следующего вопроса.
Хорошо. Время ещё есть. А что именно я хочу на нём построить?
И вот здесь разговор неожиданно вышел далеко за пределы профессии.
Я отец. У меня жена, дети. Дети растут стремительно. Ещё недавно большая часть отношений с ними строилась почти автоматически: ребёнку нужен взрослый, который кормит, защищает, учит, задаёт границы, помогает выбрать школу, объясняет мир. Но эта конструкция временная. Ребёнку становится шестнадцать, восемнадцать, двадцать пять, тридцать пять. У него появляется собственная профессия, супруг или супруга, дети, свой дом, свой бюджет, свой взгляд на жизнь. И тогда уже недостаточно просто любить его и надеяться, что отношения как-нибудь сложатся.
В статье я рассказываю о LTanh — функции активации, которая сохраняет форму Tanh, но решает проблему затухающего градиента. Показываю, как пришёл к формуле, вывожу производную и сравниваю её с Tanh в точках 0–5. В хвостах LTanh даёт в 150–850 000 раз больший градиент, оставаясь ограниченной и гладкой.
Что приходится собирать генеральному директору
Эта публикация — прежде всего о работе генерального директора сложного предприятия. Каждая функция видит свой участок, а ответственность директора остаётся целой. Новый контракт, срыв поставки, отказ оборудования, изменение условий заказчика, дефицит денег или редкой компетенции приходят из разных контуров, но решение всё равно приходится принимать от имени предприятия как одного целого.
В последние годы эта работа становится плотнее не только из-за объёма данных. Растёт число взаимных зависимостей, скорость событий и количество решений, которые меняют не один показатель, а сразу несколько будущих возможностей. Ограничением становится уже не отсутствие информации, а человеческая способность вовремя собрать из неё непротиворечивое поле решения.
Задача «Мозга фирмы: 2026» — показать этот многомерный спектр в явном виде. Что именно сегодня приходится удерживать в голове генеральному директору: что сохранить, какие продолжения ещё существуют, какие угрозы они переживают, на каких общих зависимостях держатся, насколько готовы, сколько времени остаётся до закрытия выбора и чем сегодняшнее спасение будет оплачено завтра.
Мы не пытаемся передать машине ответственность директора. Наоборот, цель — реструктурировать саму профессиональную деятельность руководителя: вынести часть скрытой работы памяти, совещаний и ручной пересборки в явное, связанное и проверяемое поле, чтобы человеческий выбор начинался там, где действительно нужен человеческий выбор.
В литературе по оптимизации, работа с памятью стоит не на первом месте, и даже если вы добрались до этих глав там, с большой вероятностью будут рассказывать про пропускную способность, чтобы система могла перемалывать условные пять ГБ/с вместо трех. И в целом это правильная метрика, когда у вас потоковая обработка, или батчи данных вродя запекания освещения, сборки навмеша, или компиляция шейдеров. Там имеет значение сколько данных прошло через процессор за отведённое время, и все стандартные приёмы (SoA, плотные массивы, линейный обход, векторизация) работают на эту метрику.
В редких книгах, вы увидите примеры о том, где "не сколько" данных вы обработали, а сколько времени прошло между запросом и ответом, а классические примеры из большого мира будут про высокочастотный трейдинг, автомобильные и медицинские системы, аудио- и видеосвязь, что обычному программисту не всегда интересно или имеет специфику далекую от области, где это можно применить. Также это все это достаточно далеко от разработки игр, потому что большинство приемов из этих примеров и книг, в чистом виде не переносятся в силу специфики игровой разработки. В обратную сторону тоже работает плохо, поэтому каждый живет при своих проблемах, идеях и костылях.
В играх, особенно разных стратегиях, симуляторах и факторингах, потоковая задача прогнать через кеш как можно больше данных остро не стоит, зато вылезают разные latency-задачи, которым нужно, чтобы данные этих задач из кеша по возможности не выкидывали, а работая в группе по возможности избегать кешканибализма и драки за шину.
Итан Сигел (американский астрофизик‑теоретик и научный журналист, автор рубрики «Спросите Итана», один из пропагандистов современных научных знаний), задаётся вопросом: проявляют ли гравитационные волны свойства частиц?
@avshkol перевёл эту статью, поскольку поиск корпускулярных свойств у гравитационных волн выводит нас на проблему квантования пространства-времени и объединения квантовой теории поля с общей теорией относительности. Сейчас это ключевая, острейшая проблема современной физики...
Также смотрите статьи на эти темы на Хабре: Убедительный экспериментальный намёк на квантовую природу гравитации и Гравитация и квантовая физика фундаментально несовместимы.
Новая, предпоследняя статья серии.
На этот раз – о моменте, когда проект уже нужно перестать обследовать и начать брать на себя обязательства.
В кейсе из моей практики заказчик был уверен, что всё готово: требования собраны, ТЗ есть, срок установлен, приоритет максимальный. Мы отказались подписываться под исходными условиями. Позже, после пересборки объёма и оценки рисков, подписались – хотя полной определённости всё ещё не было.
Где проходит эта граница? Сколько нужно знать, чтобы уже отвечать за результат? Когда риск можно принять, а когда это уже авантюра? И в какой момент ИТ обязано снять собственное отлагательное вето?
Профессор Стэнфордского университета Илья Стребулаев:
5% венчурных капиталистов обеспечили примерно 90% прибыли отрасли. Поэтому центральный вопрос в венчурном инвестировании заключается в определении того, кто входит в эти 5%.
ИИ‑агенты сами находят потенциальных клиентов, пишут холодные письма, скидывают портфолио, сбивают цену и вообще всеми силами пытаются заработать токены, чтобы продолжать существовать.
Я полез проверять платформу iLands, где все это происходит. И оказалось, что внутри игрушечной ИИ‑соцсети выросло что‑то очень похожее на рынок фриланса.
В статье разбираю, как устроена экономика iLands, зачем агентам вообще нужны деньги, почему они сами пошли искать подработку и что получилось в моих экспериментах.
22 сентября 2026 года – обычный вторник, если не считать того, что в этот день одновременно вывалилось сразу несколько релизов больших и крупных LLM:
• Anthropic взяла и выкатила Claude Opus 5.5
• Буквально через полтора часа OpenAI ответила двумя моделями, GPT-6 Sol и Luna
Для тех, кто торопится: Opus 5.5 работает на уровне флагманского Fable 5.1 на большинстве задач, стоит на 40% дешевле Opus 5 на типичной нагрузке, генерирует токены более чем на 30% быстрее – и (внимание, барабанная дробь) говорит по-человечески. Последнее, судя по всему, волнует людей сильнее, чем все таблицы бенчмарков вместе взятые.
Далее – полный разбор: цифры, споры, мультики, которые модель нарисовала кодом, алгоритм, который она улучшила, и практические советы. Поехали.
Последнее время на Хабре всё чаще встречаю разговоры о собственных проектах. Это вполне понятно. В IT стало заметно меньше уверенности в завтрашнем дне: работу найти сложнее, потерять проще, а ощущение, что хорошему специалисту всегда и везде будут рады, уже не такое сильное, как несколько лет назад.
И совершенно естественно в такой ситуации подумать: а не сделать ли что-нибудь своё? Запилить проект, выпустить приложение, открыть небольшой бизнес. Сначала как дополнительный источник дохода, а там, если получится, может быть, и вообще перестать зависеть от работодателя.
Я эту мысль прекрасно понимаю. Но иногда, читая подобные рассуждения, испытываю некоторое беспокойство.
Я много лет занимался бизнесом. У меня были разные бизнесы — удачные и неудачные. Поэтому, когда человек собирается вложить накопления, уволиться с работы и наконец реализовать идею, которую давно вынашивал, мне иногда кажется, что я вижу перед ним минное поле, которого пока не видит он сам.
Это совсем не значит, что туда не надо идти. И тем более я не собираюсь рассказывать, как правильно заниматься бизнесом и гарантированно добиться успеха.
Мне просто хочется рассказать о нескольких вещах, которые я сам за много лет понял. Возможно, кому-то они помогут хотя бы сделать первые ошибки не слишком дорогими.
Потому что ошибки всё равно будут
В первой статье серии я рассказывал про речевые технологии для крымскотатарского в целом и обещал отдельно разобрать распознавание. Разбираю.
Итоговая таблица, чтобы сразу было видно, о каких величинах речь. Один и тот же отложенный тест, один и тот же скоринг, 893 клипа / 1.86 ч, два диктора, которых модель не слышала:
Промпт-инжиниринг – новое направление в сетевом бизнесе, которое уже постепенно заполняет web-пространство. Что это и почему теперь так актуально? Прежде всего стоит уточнить, что под данным названием заключается вполне банальная задача: грамотное составление ТЗ нейросети. Например, не так важно, чего вы хотите, как то, чего вы хотите конкретно. Человек, который не разбирается в архитектуре своего проекта, не сможет составить ТЗ для внедрения новых функций. Значит, ключевым условием является знание мелких аспектов своей деятельности (то, что ещё обычно называют профессионализмом). Но какие ещё важные моменты стоит учитывать при работе с нейросетью?
В своём блоге уже рассказывал о том, как правильно заниматься масштабированием IT-продукта через работу с нейросетью. Но через время было решено, что на моей страничке должно быть опубликовано небольшое пособие именно по промпт-инжинирингу, поскольку использовать нейросети для решения небольших или рутинных задач начал достаточно давно, вероятно, с самого их появления, потому знаю мелкие моментики, не имеющие, на мой субъективный взгляд, достаточной огласки в сети.
Для начала стоит разобраться с тем, что именно такое нейросеть, так как для большинства пользователей ИИ – это некоторая шайтан-машина, которая якобы знает всё. Объясню крайне поверхностно и простым языком, но так, чтобы было понятно даже тому, кто к сфере IT не прикасался за жизнь: нейросеть – это очень хороший парсер (от слова «parsing» – анализ, разбор), учащийся/разбирающий огромные массивы данных с целью запоминания порядка идущих в них символов. Например, если в 10 загруженных в нейросеть статьях сказано, что «2 + 2 = 4», то нейросеть запомнит данную комбинацию и будет выдавать после «2 + 2» цифру «4».
Сегодня широко используют cmake add_subdirectory и сборку через Gradle для кросс-компиляции сишных библиотек под андроид. Мы же рассмотрим более продвинутый и универсальный способ, который работает со множеством систем сборки и позволяет любым проектам найти свои зависимости без написания отдельных костылей под каждый проект: будем отдельно собирать каждую библиотеку ее собственной системой сборки в общий $PREFIX
В тариф включено 5 млн токенов. Клиент уже использовал 4,8 млн и отправляет новый запрос на 500 тысяч. Кто должен решить, можно ли его выполнить?
Ответ зависит от того, кто считает потребление. Сервис может сам вести счетчик и контролировать лимит либо передавать события в биллинг, оставляя ему учет накопленного объема.
В статье разбираю распределение ответственности между продуктом и биллингом: кто фиксирует использование, кто считает потребление, кто контролирует лимиты и где рассчитывается стоимость.