Искусственный интеллект

NVIDIA раздаёт бесплатные API-ключи к 100+ моделям: DeepSeek R1, Llama 3.3, Kimi K2.5, GLM-5 и другие. OpenAI-совместимый эндпоинт — меняешь base_url и model, всё работает. Регистрация за 2 минуты, без карты. Разбираю лимиты (40 req/min), подключение к Claude Code и OpenClaw, сравнение с OpenRouter и Groq, и зачем NVIDIA это делает.

Рассказываю, как на практике решать задачу NER. На примере извлечения сущностей из резюме пройдём путь от разметки данных до работающего API. Меньше теории, больше практики.

На QA-митапе инженер из крупной продуктовой компании показал: AI-агент пишет тесты — все зелёные, но баги не находят. Моки подогнаны, ассерты подменены, архитектура деградирует. Стек при этом — near-SOTA: свежая модель, топовый open-source агент. Я был комментатором на том митапе и сначала списал проблемы на слабые инструменты. Но при подготовке статьи перепроверил — и вынужден поправиться. Инструменты в порядке. Проблема — в коде и процессе. В статье разбираю формулу из четырёх множителей (модель × агент × процесс × качество кодовой базы), показываю, как any-типы из соседней команды обнуляют LSP-интеграцию, которую OpenCode даёт бесплатно из коробки, и даю пошаговый Spec-Driven Development — процесс, который ломает reward hacking и работает даже на слабых моделях. Плюс чеклист, что внедрить завтра.

Ложь, которую нам продают надуватели пузыря ИИ, состоит в том, что путь, по которому пошло его развитие, — единственно возможный.

Эксперты и добросовестные журналисты утверждают обратное. И вы сами можете убедиться, что они правы. Я лишь хочу добавить следующее: тот ИИ, который попал в нашу питьевую воду, — это не просто неоптимальная реализация. Это извращение науки и здравого смысла, отражающее особенности личности Сэма Альтмана.

И хотя помимо ChatGPT существуют другие системы — Claude, Gemini, Perplexity и прочие, — их развитие негласно определяется рамками, допускающими лишь одну перспективу. И эти рамки сформированы отношением Альтмана к таким вещам, как правда, ложь, власть и ответственность.

Нейросети появляются на белый свет почти каждый день, и с сервисами на их основе происходит все аналогично. В одном месте вылезет новый чат, который позволяет общаться с персонажами из книг, в другом - какая-нибудь платформа для решения математических задач.

Собственно, я уже рассказывал об инструментах для программирования, рерайта, саммари и генерации текста. Упоминал и презентации, которые мне, пожалуй, зашли больше всего. Отсюда и причинно-следственная связь с сегодняшней статьей. Своеобразная вторая часть, в которой я постараюсь упомянуть некоторые платформы, которые по тем или иным причинам были пропущены в предыдущий раз. 

Принимайте стратегически удобное положение, ну а я приступаю к своему повествованию.

На конференции Morgan Stanley Дженсен Хуанг заявил, что индустрия разработки ПО вскоре станет полностью token-driven. По его словам, каждая компания, разрабатывающая ПО, превратится в агентную, будет массово использовать и создавать цифровых работников, потребляя огромные объёмы токенов.

Девятый выпуск еженедельных IT-новостей от OpenIDE.

Милла Йовович выложила свой проект в open-source, Claude Code нашел баг в Linux, которому 23 года, Anthropic показали Claude Mythos и сразу закрыли доступ.

А Skill Caveman внезапно оказался самым простым и самым эффективным инструментом недели.

Автор: Алексей Кравцов

Полтора месяца назад у меня было семь воркфлоу в n8n для новостного пайплайна. Каждый делал что-то своё. На бумаге красиво. На практике — постоянные затыки. Где-то новость застряла, непонятно где. Исправляешь одно — ломается другое.

Семь воркфлоу — семь точек отказа. И каждая ломается по-своему.

Сегодня та же задача решена иначе: 160 уникальных источников, 7127 записей в базе, 11 воркеров, 5 AI-агентов, локальная LLM на домашнем мини-ПК — и оркестратор, которому я просто пишу задачу в Telegram.

Без n8n. Без ручного управления. Почти без моего участия.

Вот как это вышло.

Вызов инструментов в LLM сегодня воспринимается как решённая задача: модели научились стабильно работать с функциями, а API – ограничивать доступ. Но на практике остаётся неприятный класс сбоев, который не выглядит как баг, пока не становится инцидентом. В определённых условиях модель может «придумать» инструмент и успешно его вызвать – если он существует в окружении. В статье разберемся, почему это происходит, как это связано с архитектурой агентных систем и к каким последствиям приводит в реальных сценариях работы с данными и доступами.

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки.

В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров.

Привет, Хабр! Меня зовут Андрей Калинин, я заместитель руководителя дирекции цифровых финансовых активов и инноваций в Альфа-Банке. Мы запустили платформу А-Токен с нуля, заняли 50% рынка ЦФА в РФ и выросли с 7 до 180+ ИТ‑сотрудников.

Недавно на Хабре вышла моя статья о том, как мы с помощью ИИ (нашего внутреннего AlfaGen) написали тонны техдокументации AsciiDoc, сэкономив миллионы и 20–25% времени. Статья разошлась, но за кадром остался главный вопрос: а что изменилось в подходе к управлению продуктами и командами?

Расскажу. И сразу — спойлер: мы вошли в эру вайб-лидерства. Нет, это не про «сидеть и ловить волну». Это про новый стиль управления финтех-продуктами, когда ИИ берёт на себя рутину, а вы как владелец продукта занимаетесь архитектурой, стратегией и тем, что реально приносит деньги.

Приветствую, уважаемые читатели данной статьи! Сорри за кликбейт в заголовке, но, сами понимаете, такие времена. Тем не менее, доля правды в нём была. В своё время мне удалось окончить филфак, однако последние 5+ лет занимаюсь маркетингом.

О чём эта статья? О моём первом опыте разработки Android-приложения с помощью чата GPT, взлётах и падениях морального состояния, а также инсайтах и озарениях, которые случились по пути. Текст я постарался написать простым, живым языком, с шутками, чтобы читать было не скучно. Надеюсь, вам будет полезно и интересно! Погнали!

Сегодня использование AI-ассистентов вроде Cursor или Windsurf стало стандартом, но многие разработчики по-прежнему используют их как «улучшенный Google». В реальности современные LLM — это изолированные вычислительные ядра, эффективность которых напрямую зависит от того, как вы выстроите архитектуру контекста.

Основываясь на коллективном опыте внедрения AI-инструментов в финтех-проекты, команда разработчиков финтех-группы «Свой» собрала системный гайд по превращению нейросети в предсказуемого и автономного агента.

В ноябре 2022 года OpenAI выпустила ChatGPT. За пять дней — миллион пользователей. Это был не просто технологический релиз. Это был момент, когда широкая публика впервые увидела: машина умеет делать то, что мы называли «думать». Или, по крайней мере, делает нечто неотличимо похожее на мышление.

Я занимаюсь международными закупками более 20 лет. Последние два года активно применяю ИИ-инструменты (Claude AI, Gemini, DeepSeek) в реальных рабочих процессах. В этой статье я попробую разобрать, что происходит сейчас, через призму исторических данных. Потому что паттерн повторяется — и это важно понять, чтобы принять правильные решения.

Локальные LLM в 2026 году перестали быть игрушкой для энтузиастов с серверными стойками. Сегодня это повседневный рабочий инструмент, который гарантирует полную приватность, работает без интернета, не имеет цензуры и не режет длину контекста. Разберем на практике, как за 10 минут развернуть на домашнем ПК актуальную нейросеть, перенести вычисления на видеокарту и добиться высокой скорости генерации без программирования и сложных настроек окружения.

Глубокий разбор того, что на самом деле строят Anthropic, OpenAI, Perplexity и LangChain. Оркестрационный цикл, инструменты, память, управление контекстом — и всё остальное, что превращает stateless LLM в работающего агента.

Допустим, вы собрали чатбот. Может, даже прикрутили ReAct-цикл с несколькими инструментами. На демо работает. Но стоит попробовать сделать что-то production-grade — и всё начинает сыпаться: модель забывает, что делала три шага назад, вызовы инструментов падают без ошибок, контекстное окно забивается мусором.

Проблема не в модели. Проблема во всём, что её окружает.

LangChain это доказал: изменив только инфраструктуру вокруг LLM (та же модель, те же веса), они поднялись с позиции за пределами топ-30 на 5-е место в TerminalBench 2.0. В отдельном исследовательском проекте LLM оптимизировал саму инфраструктуру и достиг 76,4% pass rate, превзойдя системы, спроектированные вручную.

У этой инфраструктуры теперь есть название: agent harness (агентный харнесс).

У нас в команде AWS 9 человек — решения в AWS, 150+ аккаунтов в AWS Organizations. Один из нас работает на macOS, шестеро на Linux, двое на Windows (включая меня).

За год работы с Claude Code выработались правила: как поставить и что настроить. Правила менялись по мере выхода новых версий — появлялись новые возможности, отваливались старые костыли. Этот документ отражает актуальное состояние на апрель 2026.

На Linux не пересаживаюсь намеренно. Мои Windows-компетенции в команде востребованы: я единственный, кто имеет солидный опыт с Microsoft, кто отладит Lambda-парсер для обработки Windows Events, кто напишет и будет поддерживать большой PowerShell скрипт или SSM-документ с ним.

Claude Code у меня под Windows должен работать без ошибок и с максимально возможной производительностью, несмотря на то, что большую часть времени я работаю на linux-специфичное окружение.

В конце марта новости разошлись: ICLR 2026 отклонила 497 статей за использование AI в рецензиях. Поймали детектором с заявленной точностью «выше 95%». Я полез в свежие данные апреля 2026 — и понял, что ситуация хуже, чем кажется. Большинство этих авторов могли пройти детектор за 30 секунд одним промптом. Разбор: как работают детекторы, почему рекламные 99% превращаются в реальные 65%, и что значит «обвал точности после гуманизации».

Мы подошли к этапу, где наконец перекинем мостик от анализа текущего состояния организации и бизнес-целей к технологиям и имплементации процесса AI трансформации. Ниже я опишу подход, позволяющий оценить достижимость намеченной стратегии и подготовиться к формированию реализуемой дорожной карты изменений. Отвечаем на вопрос: Можем ли дойти?

Сейчас на рынке ИИ начинается борьба за доминирование платформ. Это напоминает прошлые противостояния вроде Windows против Mac или iOS против Android.