Представлен открытый проект OmniRoute — The Free AI Gateway. Это провайдер OmniRoute, который обеспечивает 160+ бесплатными нейросетями:
выдаёт токены, подключает один эндпоинт для всех API и самостоятельно отправляет нужные запросы: агрегация бесплатных токенов, что позволяет получить до 1,6 млрд бесплатных токенов в месяц (а в первый месяц с учётом бонусов — до 2,1 млрд). Для старта не требуется банковская карта, а 11 нейросетей (например, Kiro, Qoder, Pollinations, LongCat) остаются бесплатными навсегда;
объединяет API от разных ИИ в один;
переключает модели сам, когда кончились токены;
сам сжимает контекст до 95%, чтобы сэкономить;
платформа поддерживает популярные модели, такие как GLM, Grok, Mistral, DeepSeek, Qwen и другие. Также доступны скиллы и MCP (Multi-Channel Protocol), а всего реализовано 17 стратегий маршрутизации (от приоритетной и взвешенной до оптимизированной по стоимости и контексту);
Представлен открытый проект Council of High Intelligence. Это локальный совет ИИ‑мудрецов, который поможет принять любое решение и найти идеальный исход событий:
в проекте заявлены 18 ИИ‑мудрецов: Марк Аврелий, Аристотель, Сократ, Сунь‑Цзы, Лао‑Цзы, Ричард Фейнман и Линус Торвальдс и другие;
ИИ-мудрецы максимально продумывают каждый шаг, спорят друг с другом в парах и выдают идеальное решение вопроса;
одни мудрецы находят риски, вторые — давят на практичность, третьи — высказывают сомнения;
устанавливается и запускается одной командой в Claude Code или Codex.
Основная идея - спроектировали систему, в которой все компоненты охлаждаются не воздушным потоком, как в классических ЦОДах с подачей охлажденного воздуха в "холодный коридор", а непосредственно водой. Причём - охлаждаем непосредственно водой до уровня чипов.
Причем - гораздо более горячей водой, чем обычно. В классических системах воду, подаваемую на внутренние межрядные блоки системы кондиционирования, надо охлаждать градусов до 10°. А NVidia спроектировала систему, у которой даже на входе в сервера поступает ода с температурой 45° С. На выходе же - и все 55° С.
В результате существенно меньше разницы температур на входе и выходе системы охлаждения - можно снаружи обойтись сухими градирнями. И в итоге - сократить до нуля текущие потери воды на испарение. Составляющие, по оценке Нвидиа - до 2.6 миллионов галлонов (~10 000 куб.метров) воды в год на каждый мегаватт мощности.
No-Code AI Agents в 2026: как автоматизировать бизнес без программистов
AI
В 2026 году тренд на ИИ-агентов достиг той стадии, когда для их внедрения больше не нужна команда разработчиков. No-code платформы позволяют собирать автономных помощников буквально за час, и это уже не игрушки, а рабочий инструмент для бизнеса.
Что такое no-code AI агент и чем он отличается от чат-бота
Ключевое различие: чат-бот отвечает на вопросы по скрипту, а агент выполняет задачи - читает письма, классифицирует их, обновляет CRM, отправляет ответы, и делает это без участия человека.
Агент умеет:
Наблюдать (получать данные из форм, писем, CRM)
Рассуждать (оценивать контекст, принимать решения)
Действовать (вызывать API, обновлять записи, отправлять сообщения)
В основе лежит LLM (GPT-4, Claude, Gemini), но поверх неё надстроены инструменты, память и инструкции, которые превращают модель в автономного работника.
Что можно автоматизировать прямо сейчас
Наиболее востребованные сценарии для no-code агентов:
Триаж почты и тикетов - агент читает входящие письма, определяет тему, приоритет и либо отвечает по базе знаний, либо направляет нужному специалисту с готовым проектом ответа.
Квалификация лидов - когда приходит заявка с сайта, агент обогащает данные о компании, оценивает fit, создаёт запись в CRM и отправляет персонализированное письмо.
Автоматизация поддержки - агент подключается к базе знаний и отвечает на 60–80% типовых вопросов, а сложные случаи эскалирует человеку с полным контекстом.
Исследования и отчёты - агент мониторит конкурентов, новости, собирает данные из аналитики и раз в неделю присылает дайджест.
Административные задачи - координация встреч, подготовка документов, скрининг резюме.
Выбор платформы
Рынок no-code агентов в 2026 году разделился на три основных лагеря:
Для не-технических пользователей - Lindy, Relevance AI, Google Workspace Studio. Всё через интерфейс, шаблоны, минимум настроек. Быстро, но меньше гибкости.
Для тех, кто уже использует Zapier/Make - эти платформы добавили AI-узлы в свои визуальные конструкторы. Понятный интерфейс, тысячи интеграций, но AI там скорее надстройка, а не основа.
Для технических команд, которые хотят контроль без кода с нуля - n8n (open-source), Dify. Требуют больше настроек, но дают полную свободу.
Если вам нужно сделать первого агента за час, начинайте с Make или Zapier - там есть готовые шаблоны для триажа писем и квалификации лидов.
Как построить первого агента: пошагово
Выберите одну задачу. Не "автоматизируем всё", а "обрабатываем входящие заявки с сайта и отправляем их в CRM". Задача должна быть повторяющейся, измеримой и с чёткими правилами.
Опишите логику в естественном языке. В Make или Zapier вы даёте агенту инструкцию: "Прочитай письмо, определи, это лид, спам или поддержка. Если лид - извлеки имя, компанию, бюджет, создай запись в Airtable и отправь ответ с ссылкой на календарь".
Подключите данные. Агент должен иметь доступ к тому, с чем работает: почтовый ящик, CRM, база знаний. Без качественных данных агент будет выдавать ерунду.
Добавьте человеческий контроль. На первых порах пусть агент не отправляет письма, а сохраняет черновики. Проверьте неделю работы, исправьте ошибки, и только потом включайте автономный режим.
Измеряйте ROI. Считайте, сколько часов экономит агент. Окупаемость большинства no-code решений наступает в течение первого месяца.
Чего стоит опасаться
Самые частые причины провалов проектов:
Нет владельца. У агента должен быть человек, который мониторит его работу и обновляет инструкции.
Устаревшая база знаний. Если поддержка ссылается на старые цены, клиенты будут в бешенстве.
Нет эскалации. Агент должен чётко понимать, когда он не знает ответа и кому передать вопрос.
Слишком широкие права. Не давайте агенту доступ к финансам и удалению данных без явного подтверждения.
Хорошее правило: первые две недели агент работает в режиме "подготовил - человек утвердил". И только потом переходите к полной автономии.
18 бесплатных уроков недели: разработка, AI, тестирование и DevOps
На этой неделе в OTUS — серия бесплатных открытых уроков для разработчиков, архитекторов, тестировщиков, DevOps‑инженеров, аналитиков и руководителей технических команд.
В программе — Spring и Java, C++ и Linux, GitLab CI, тестирование, мобильная разработка, сетевые технологии, машинное обучение и практическое применение ИИ.
Какие темы запланированы:
Backend и разработка
29 июня, 20:00 — «Как работает @Transactional в Spring: границы транзакций и типовые ошибки». Записаться
1 июля, 20:00 — «Алгоритмическая сложность коллекций в Java». Записаться
2 июля, 20:00 — «Методы, их перегрузка и расширения». Записаться
C++ и системное программирование
30 июня, 20:00 — «RAII в C++: фундамент надёжного управления ресурсами». Записаться
1 июля, 20:00 — «Классические методы перехвата управления в Linux». Записаться
2 июля, 20:00 — «Всё, что нужно знать об управлении памятью в C++». Записаться
AI, ML и автоматизация
29 июня, 20:00 — «Обзор ИИ‑технологий для разработчиков: от идей до рабочих решений». Записаться
29 июня, 20:00 — «Использование ИИ архитектором 1С: как ускорить анализ требований и подготовку документации». Записаться
29 июня, 20:00 — «AI для работы с обратной связью: как анализировать отзывы клиентов, интервью и обращения в поддержку». Записаться
Я не музыкант, не композитор и не продюсер. Просто люблю музыку :)
С развитием генеративных моделей появилась бездна синтетических треков. На первый взгляд и слух многие из них неотличимы от человеческих, а местами даже лучше одноразовых коммерческих поделок. Но лично у меня от массового нейросетевого звука уже выработалось устойчивое слуховое утомление — слишком стерильно и предсказуемо.
Чтобы отсеять синтетический шум, появилось множество сервисов по распознаванию ИИ-музыки. Насколько я понимаю (возможно, в корне неверно), вся эта детекция основана на поиске в спектрограмме устойчивых паттернов: отпечатков периодических структур, артефактов нейросетевых вокодеров (типа EnCodec) и следов агрессивного сжатия.
Ради прикола я прогнал через довольно строгий детектор (aimusicdetector.online) несколько заведомо «живых» коммерческих треков. Ожидал увидеть чистый результат, но ИИ-артефакты детектировались везде — 15%, 18%, 20%. Ладно, списал на мастеринг.
Но вот попались две жемчужины, которые полностью сломали мне картину мира:
Strong codec evidence Confidence: High · Linear model probability: 86%Strong codec evidence detected in the residual spectrum. The fingerprint aligns with the current linear model for AI-music artifacts.
То есть детектор с высокой уверенностью называет живую стоковую музыку нейросетевой генерацией, ссылаясь на «совпадение с линейной моделью артефактов ИИ».
Уважаемое сообщество, хочу спросить:
Как это можно объяснить с точки зрения DSP и аудио-форензики? Это баг конкретной модели, или современные детекторы действительно путают артефакты brickwall-лимитеров / MP3-кодирования с нейросетевыми вокодерами?
Можно ли хоть в какой-то степени верить таким сервисам в 2026 году, или они уже сейчас дают слишком много ложноположительных срабатываний на профессионально сведённой музыке?
Есть ли среди читателей те, кто сталкивался с подобным в работе (A&R, саунд-дизайн, модерация контента)? Как вы верифицируете происхождение треков, когда автоматика врёт?
Буду благодарен за любые мысли, ссылки на исследования или личный опыт. Заранее спасибо! 🙏
Представлен открытый проект ИИ‑студии для видеомонтажа OpenMontage — комбайн из ИИ‑агентов для полноценного выпуска видеороликов. Проект помогает превратить доступ к Claude Code, Cursor, Copilot, Windsurf или Codex в киностудию:
агенты берут на себя всё — от исследований и сценария до генерации видео, монтажа и озвучивания;
12 пайплайнов под любой тип контента — трейлеры, анимации, реклама, туториалы и так далее;
500 скиллов — генерация видео, аудио, музыки и картинок;
умеет работает с лучшими генераторами — Kling, Runway, FLUX, ElevenLabs и Suno.
Привет. Я пишу бэкенд на Go, люблю строгую типизацию и предсказуемость. Но игнорировать тему ИИ-ассистентов глупо, поэтому я решил проверить, насколько они применимы для сборки нормального, защищенного проекта, а не просто кривых прототипов.
Чтобы эксперимент был чистым, взял стек, с которым не работаю каждый день: Node.js (Express 5) и Vanilla JS. На выходе получился хаб с утилитами: https://toolkitch.ru/
Главная идея проекта - простые инструменты средствами компьютера. Меня всегда раздражало, что популярные онлайн-сервисы гоняют данные на свои сервера, хотя по факту это может выполняться на компьютере. Здесь инструменты работают строго client-side, то есть в браузере пользователя. Ничего не устанавливал и не скачивал, но выполнил на компьютере.
По технической части:
Express 5 и Bootstrap 5.
Безопасность: настроил Helmet, прописал строгие CSP заголовки и CORS.
Писать код помогал ИИ-ассистент KodaCode. Впечатления положительные: нейронка полностью сняла с меня рутину вроде написания докер-файлов, конфигов Traefik и однотипной верстки под 7+ разных инструментов. Моя задача сводилась к контролю архитектуры и безопасности.
Сайт оптимизировал в том числе под ИИ-поисковики (GEO/AEO), чтобы тот же Яндекс Нейро или Perplexity могли индексировать страницы и предлагать эти утилиты пользователям по прямым запросам.
Посмотреть, что получилось, можно по ссылке выше. Будет интересно узнать, как вы используете ИИ в своей инженерной рутине, и какие специализированные плагины/инструменты можете порекомендовать. За критику по UI/UX сайта также буду благодарен.
Интерес к БЯМам позволяет вспомнить о популярной в свое время вычислительной теории сознания (computational theory of mind). Однако на этот счет существует аргумент, предложенный Тимом Модлином в 1989 году, который показывает, что вычислительная теория сознания несовместима с материализмом. Ниже краткое описание основной идеи.
Исходной точкой служит идея супервентности сознания по отношению к физическим процессам. Возбуждение нейронов никак не похоже на происходящие ментальные процессы, но предполагается, что для протекания определенного ментального процесса (например, боли) необходимо протекание соответствующих физических процессов.
физические процессы -> сознание
Концепция супервентности не говорит, что сознание эквивалентно, например, возбуждению нейронов, но предполагается, что боль вызывается возбуждением нейронов. Вычислительная теория сознания говорит, что требуется расширить схему супервентности выше следующим образом
физические процессы -> вычислительные состояния -> сознание
Вычисления однозначно определяются посредством машины Тьюринга. Таким образом, вычислительные состояния ассоциируются с определенными состояниями ленты машины Тьюринга.
Модлин анализирует схему выше и вводит условия достаточности и необходимости. Достаточность определяется тем, что определенное вычисление приводит к определенному состоянию сознания (например, определенное вычисление вызывает боль). Необходимость вводится требованием для физической системы поддерживать соответствующее вычисление, которое в свою очередь описывается машиной Тьюринга. Далее Модлин показывает, что одновременно выполнить требования достаточности, необходимости и супервентности не удается.
Аргумент строится при использовании персонажей из новеллы Гофмана 'Песочный человек': Клары и Олимпии. Неявно предполагается, что Натаниэль играет роль человека, который анализирует схему выше, поскольку статья Модлина начинается цитатой из новеллы:
‘… однако ж сыскались насмешники, сумевшие порассказать о всяких странностях и нелепостях, какие были замечены на празднике, и особенно нападавшие на оцепенелую, безгласную Олимпию, которую, невзирая на красивую наружность, обвиняли в совершенном тупоумии, по какой причине Спаланцани и скрывал ее так долго. Натанаэль слушал эти толки не без затаенного гнева, но он молчал; ибо, полагал он, стоит ли труда доказывать этим буршам, что их собственное тупоумие препятствует им познать глубокую прекрасную душу Олимпии.’
На первом этапе Модлин в качестве физической реализации предлагает машину Клару, которая является нормальной машиной Тьюринга. В данной ситуации у людей с развитым абстрактным мышлением проблем не возникает: сложные физические процессы приводят к сложным вычислениям, которые в свою очередь вызывают ментальные процессы.
Однако далее Модлин напоминает, что смена вычислительных состояний эквивалентна смене состояний ленты машины Тьюринга, и предлагает вторую машину, Олимпию, которая в итоге приводит к такой же смене состояний ленты, как и в случае машины Клары. То, что одно и то же вычисление можно выполнить путем разных физических процессов, не должно удивлять. Тем не менее, крайнее удивление вызывает то обстоятельство, что предложенная Модлиным вторая машина крайне примитивна: протекающие физические процессы сводятся к повторению одного и того же движения. Развитое абстрактное мышление уже должно признать, что такие физические процессы на роль 'подложки' сознания не годятся.
В заключение еще одна цитата:
‘В действительности, один путь для понимания структуры Олимпии связан со следующей аналогией: Олимпия создает иллюзию бытия Клары в действии, которое во многом напоминает создание иллюзии движения в фильме на экране. … Проблемы с вычислительной теорией сознания заключается в том, что она не содержит концептуальных оснований, чтобы отличить мерцающую иллюзию от реальности.’
Tim Maudlin, Computation and consciousness, The Journal of Philosophy, v 86, N 8 (1989): 407-432.
Вопрос на засыпку: кто в 1956 году предложил термин «искусственный интеллект»?
Если знаете ответ — у вас есть хорошие шансы в ИТ-кроссворде. 6 июля запускаем третий сезон онлайн-соревнования для всех, кто интересуется AI, ML и сферой ИТ в целом. В этом году вас ждет более 100 вопросов по четырем темам:
• модели и все, что с ними связано; • история ML и AI; • безопасность ML и AI; • ML-железо.
С 6 по 9 июля каждый день будет открываться новая рубрика. Отвечайте на вопросы и набирайте баллы, чтобы выиграть эксклюзивные призы и бонусы на аренду серверов. 🦖
A visualisation of selected lawsuits from over 100 filed against AI companies as of June 2026.
Попалась на глаза инфографика от David McCandless (Information is Beautiful) - карта исков к ИИ-компаниям за нарушение авторских прав. Более 100 дел на июнь 2026: OpenAI - 24 иска, Meta - 14, Microsoft - 10, Anthropic - 9, NVIDIA - 7, Perplexity - 7. Истцы - авторы, издатели, музыкальные лейблы, медиагиганты: Disney, NYT, CNN, Condé Nast, Universal Music Group, Elsevier.
Иронично, но на фоне обсуждений, что ИИ заменит юристов, тот же ИИ даёт юристам огромный пласт работы. И я больше чем уверен, что из-за специфики споров и сумм требований такие иски ведут и будут вести именно "живые" и очень дорогие юристы. Причем с обеих сторон :)
Впечатляет масштаб. Bartz vs Anthropic - крупнейшее в сфере авторских прав мировое соглашение на $1.5 млрд в истории США. При этом юристы истцов запросили $320 млн на гонорары.
И это не только деньги. Появляются специализации, которых раньше просто не было, например: fair use (добросовестное использование) в контексте обучения моделей, лицензирование данных для обучения , аудит датасетов на пиратский контент, оценка ущерба от того, что модель не воспроизводит текст буквально, а «знает» его. Как считать ущерб от статистического копирования? Ещё три года назад этот вопрос не существовал, а сейчас на нём строятся юридические практики.
Disney называет MidJourney «бездонной ямой плагиата». Датская Koda говорит о «крупнейшей музыкальной краже в истории». Тенденция по рассмотрению подобных исков к тому, что за обучение на чужом контенте без лицензии придётся платить. Ну по крайней мере в тех юрисдикциях, где авторское право не просто термин в законодательстве.
Разработчикам, даже в РФ, стоит обратить на этот вопрос внимание и понять, что это не абстрактная юридическая тема, а конкретный бизнес-риск. Лучше закрыть его до запуска продукта, чем после.
Дальше разговор пойдет про OpenClaw/Hermes подобные системы. Т.е это переход от агентных систем по типу Claude Code/Codex к проактивным персональным агентам
В моей классификации это переход с уровня 8 на уровень 9
Коротко о том, в чем разница уровня 8 и уровня 9
Уровень 8 — например Claude Code / Codex / Cursor и тому подобные. За качество отвечают — Моделька + Harness + еще по мелочи
Уровень 9 — например Hermes / OpenClaw. За качество отвечают — Все то же самое, что и на уровне 8 + слой личной памяти + мессенджер + коннекторы в ваши сервисы + персональные skills
У меня у самого подобный агент уже был 3 месяца и крутился на OpenClaw. Но для написания статьи решил еще и Hermes попробовать
Кстати спойлер — разницы между Hermes и OpenClaw практически нет. Просто Hermes лишен кучи функций, что можно счесть как за плюс, так и за минус. Но зато у него есть Self Healing механизм, которого нет у OpenClaw
------------------
Ниже — про наполнение моего агента и что он умеет А именно на это и уходит основное время при создании персонального агента
Личные системы - finances — ведёт мои финансы в Notion: расходы, доходы и отчёты - ticktick — управление моим тасктрекером TickTick: списки на день, создание задач и подзадач, ну и все такое - google-calendar — полный контроль гугл календаря, где я ставлю совместные события и расписания с учениками - weekly-summary — собирает недельный обзор из задач, календаря, финансов, почты, аналитики и SEO по сайту + истории сессий, чтобы я посмотрел на прошедшую неделю целиком
Мое обучение - google-forms — читает анкеты и ответы участников - notion — ведет базу по моим ученикам - ga4 — аналитика моих сайтов в гугл аналитике - seo-monitor — SEO/GEO мониторинг сайта ilia-pro-ai.com. - youtube — навык по работе с YouTube, упаковка каждого нового видоса и сбор данных
Работа с документами - google-sheets — работает с таблицами: ученики, оплаты, анкеты, аудиты. - google-docx — создает классные контракты/договора
Соцсети - linkedin — читает мой LinkedIn-профиль, посты и engagement. - threads — работает с черновиками / публикациями /метриками в Threads - threads-writer — пишет драфты постов для Threads из идей, ссылок, статей.
Жизневое - concert-monitor — мониторит концерты в Bangkok/Thailand по моим артистам. - local-entertainment-research — еженедельный мониторинг кино, события и евентов на неделю - shopping-product-research — экспериментальный набор скиллов по работе агента с маркетплейсами, пока в процессе - online-ordering-automation — экспериментальный набор скиллов по заказу еды/продуктов - outreach-deeplinks — делает кликабельные ссылки для WhatsApp/LINE/tel с готовым текстом
B2B / ресёрч - b2b-outreach-research — ищет компании, ЛПР, каналы связи и углы для outreach в LinkenIn - apify — навык работы с Apify для скрейпинга любого сайта
Сегодня еще наконец-таки подрубил Telegram к нему и запустил его туда как пользователя — теперь мой агент может еще и так
1. Смотреть список всех моих диалогов
2. Читать историю конкретного чата. Например:
Расскажи, что за последние 2 дня ученики написали в чатике AI Advanced Alumni
3. Искать по Telegram-истории. Например:
Поищи я там где то мес назад скидывал контракт для Hochland, но не могу чатик найти
5. Смотреть каналы как пользователь и делать по ним дейли саммари
6. Скачать любые медиа из чатов Файлы, голосовые, фото, видео — если нужно обработать/распознать/суммаризировать
7. Писать всем подряд тоже может, но есть вероятность словить бан за такое
———————
P.S.В комментах скину домашку, которую можно выполнить, чтобы завести подобного агента и сделать более менее рабочим
Пока писал статью про Context Engineering, то дополнительно решил изучить вопрос, который был на хайпе 3 месяца назад
Реально ли Caveman Output Style экономит токены для агентов
Суть
Несколько месяцев назад расхайпилась казалось бы очевидная идея: если заставить модель отвечать коротко, то можно сэкономить много output-токенов
Одна таких реализаций — репо Caveman, который заставляет модель говорить как пещерный человек. Целых 77к звезд
Вот как пример
Обычный ответ модели
The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object
Ответ в стиле Caveman
New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo
Ну и как следствие, обещания автора
Faster response — less token to generate = speed go brrrEasier to read — no wall of text, just the answerSame accuracy — all technical info kept, only fluff removedSave money — ~71% less output token = less cost
Этот репозиторий очень сильно расхайпился — и основная суть всех новостей была в том, что с этим стилем теперь можно тратить на 40-70% меньше output токенов — который самые дорогие
Чтобы лучше понять механизм потенциальной экономии, нужно посмотреть, где агентные системы по типу CLAUDE CODE | CODEX вообще генерируют OUTPUT токены
1. Обычный ответ, который видите вы 2. THINKING блоки, которые вы можете не видеть 3. Генерация кода / схем, которые нельзя сжать 4. Вызов Tools + Цикл tool call → result → next message
В случае выбора любого OUTPUT стиля мы влияем только на пункт 1 — Обычный ответ, который видите вы
И, насколько мы все тут знаем — то, что модель выдает нам как результат ответа — в среднем ~5-10% от всех OUTPUT токенов
Ну так вот
Я по приколу сделал мини эксперимент, где взял 3 варианта Output Style's и прогнал на 5 разных задачах
1 стиль — Caveman Light (Original skill из репозитория выше) 2 стиль — Explanatory. Стиль, который наоборот, старается объяснять как можно подробнее. Я его сам всегда использую — объясняет свои решения и делится инсайтами. 3 стиль — Самописный True Caveman. Который должен общаться прям как настоящий пещерный человек
Инсайт, что строгий промптинг для True Caveman стал самым дорогим. И я думаю из-за того, что Thinking блоки заставляли модель постоянно себя перепроверять, говорит ли она в данный момент как True Caveman или нет. Так как ее это делать не учили.
Статью я написал на своем сайте, так как там много графики и элементов используется, которые на хабре не работают
Функция обзоров от ИИ в поисковой выдаче Google хорошо зарекомендовала себя неадекватностью ответов. Пару лет назад AI Overview предлагала закрепить сыр на пицце с помощью клея, бороться с депрессией с помощью суицида, а также бегать с ножницами. Год назад этот блок в выдаче уличили в цитировании контактных данных мошенников. Полгода назад искусственный интеллект в поисковой выдаче оболгал невиновного.
На очередной промах AI Overview обратил внимание энтузиаст старых версий операционок Bob Pony. Как указал блогер, обзоры от ИИ противоречат даже самой поисковой выдаче: языковая модель утверждает, что на процессор Pentium первого поколения поставить Windows 7 невозможно, а первым результатом немедленно всплывает видеоролик, где вроде как демонстрируется обратное.
На самом деле быстрая и дешёвая разновидность модели Gemini 3, обслуживающая эту функцию поиска, здесь не ошибается.
Формально сам скриншот заявление AI Overview не опровергает: NTDEV ставил «семёрку» не на реальный осязаемый компьютер из выцветшего желтоватого пластика, а в эмуляторе 86box. С другой стороны, Windows 7 действительно загружается на Pentium первой половины девяностых. К примеру, один из энтузиастов показал процесс загрузки этой операционки на ядре P54C. Для этого пришлось задействовать Windows 7 с Service Pack 1 и устанавливать операционку на 600-мегагерцевый AMD K6-2+ с 768 МиБ ОЗУ, а потом уже даунгрейдить процессор на 90-мегагерцевый Pentium. В системе при этом осталось 128 МиБ ОЗУ, хотя есть сообщения об успешном запуске с 96 или даже 64 МиБ.
Это, кстати, общая схема всех таких экспериментов: устанавливать нужно на процессор поновее, а потом уже менять мозги на более медленные, поскольку с нуля Windows 7 на Pentium не встанет. То есть ИИ в поисковой выдаче Google то ли случайно, то ли нет, но ответил верно.
По изменению кармы я заметил, что здесь все еще много фанатов Google, которые смотрят на компанию как на визионера. Давайте это изменим.
Don’t be evil
Сегодня у Google совсем другие цели и методы. Совсем недавно из компании ушли специалисты в области ИИ (Джон Джампер и Ноам Шазир). Эти уходы совпали с падением акций Alphabet почти на 270 млрд (до 346$ за акцию на данный момент), что показывает, как сильно инвесторы обеспокоены утечкой мозгов. Иногда просачиваются письма с критикой, они часто поверхностные, но передают внутренние сомнения относительно пути и будущего компании.
Мертвый интернет
Многие заметили, что интернет стал меньше. Раньше было очень много персональных сайтов, форумов, где люди вели блоги и выкладывали фотографии своих питомцев. Сейчас они исчезли куда-то, вы при всем желании не сможете их найти. Но дело не в том, что сайты закрылись. Просто правила изменились. Стало выгоднее показывать нерелевантную выдачу. Автор статьи считает, что эту их инициативу можно сравнить со сжиганием Александрийской библиотеки.
Кроме аномального ранжирования можно вспомнить жалобы владельцев сайтов, что отношении некоторых ресурсов происходит ручная дискриминация, искусственное понижение их ранга. Как показывает практика, эти правила уже не уникальны, для других поисковых систем действуют те же алгоритмы.
Сейчас словить бан можно весьма “забавными” способами. Даже не обязательно писать в Facebook что-то, чтобы навсегда потерять свой профиль. Обнуление еще не грозит цифровой смертью, но мы туда очень быстро идем.
Остывающий труп интернета
Как я понял, еще не все знают про Google Marketing Live 2026. Теперь реклама будет встраивается прямо в диалог с ИИ, а не просто показываться рядом со ссылками. Диалоговые рекламные объявления (Conversational Discovery ads), выделенные ответы (Highlighted Answers) - это уже не про баннерную слепоту, а органическую интеграцию рекламы в ИИ-сервисы. Похоже, что обычный поиск исчезнет. Но пока компания решает задачи встраивания рекламы в ИИ, она теряет ключевых творцов этих технологий.
Экономическая модель, на которой держался интернет последние 30 лет, просто разрушается. Если создатели контента перестанут получать трафик и доход, у них исчезнут стимулы создавать новый, качественный контент. Но если бы Google мог дать объективную информацию… Поисковики и соцсети, оптимизированные для вовлечения, и так показывают нам то, что мы любим. С ИИ это усилится, мы будем реже слышать критику. Это может привести к тому, что разные люди будут жить в совершенно разных информационных мирах (эхо-камерах), не имея общего представления о реальности.
Настанет ли мертвый или даже холодный интернет? Проблема не в том, что появились боты, а что в ответ на это возникли фильтры, которые часто глушат голоса реальных людей, особенно тех, кто мог бы подсветить направление для выхода.
Я сделал AlbumentationsX MCP — MCP-сервер для работы с аугментациями в computer vision.
Идея простая: когда ты собираешь augmentation pipeline, не хочется бесконечно вручную перебирать transforms, гадать с параметрами и проверять глазами десятки вариантов. Хотелось, чтобы MCP-host мог помочь: найти подходящие transforms, собрать консервативный baseline, провалидировать pipeline, отрендерить локальные previews, сравнить результаты, собрать feedback вроде too_noisy:high и экспортировать принятый вариант.
Проект работает поверх AlbumentationsX и не пытается делать магию вместо тебя. Он помогает быстрее пройти цикл: recommend → validate → preview → compare → adjust → export.
Особенно полезно, если ты делаешь classification, detection, segmentation, OCR или просто хочешь быстрее проверять качество аугментаций на локальных примерах.
Laddering: от метода триад Келли до AI-оценки креативов
Делимся записью доклада нашего маркетолога-аналитика Вити. Будет особенно полезно тем, кто работает с рекламными сообщениями, идеями кампаний, текстами и анализом позиционирования.
Нейросети против фрилансеров: тест 11 сайтов за 321 рубль
YPage
Решил провести эксперимент. Взял платформу YPage, где сайт собирается в чате с нейросетью, и заставил ИИ делать лендинги для реальных бизнесов. Без сложных промптов, без уточнений. Один запрос - одна модель. Одинаковое условие для всех: "Сделай сайт для доставки еды. Контент придумай сам". И так 11 раз подряд.
Результат удивил даже меня, хотя я уже видел много разных ИИ-экспериментов.
Условия эксперимента
Платформа: YPage.
Всего проектов: 11.
Успешно сгенерировалось с первого раза: 9.
Полный провал: 2.
Задание: одна короткая фраза в чат.
Сколько это стоило
Внутри тестового пространства 1 кредит = 10 копеек. За все успешные проекты я заплатил 321 рубль. Это меньше, чем средний чек в кофейне на троих.
Самый дорогой сайт потянул на 89,50 рубля. Самый дешёвый, но рабочий - всего 9 рублей. Средняя цена одного лендинга - около 36 рублей. Среднее время генерации - 3 минуты.
Что получилось
Доставка еды от DeepSeek V4 Pro (24 рубля, почти 6 минут) - полноценный лендинг FoodGo с навигацией, геройским блоком с призывом, меню и отзывами. Вёрстка на Bootstrap, структура продуманная. Самый долгий по времени, но качество топовое за такие деньги.
Кофейня от Qwen 3.7 Max (25,70 рубля, 4:32) - "Зёрна & Вкус". Уютно, есть меню, галерея, мобильное меню работает. Идеальный вариант за полцены обеда.
Салон красоты от Claude Sonnet 4.6 (72,40 рубля, 3:49) - уже уровень "дорого-богато". Кастомная типографика, золотая палитра, каждая секция проработана. Самый красивый сайт в тесте.
Агентство недвижимости от StepFun 3.7 Flash (11 рублей, 1:43) - "Городские Решения". Каталог объектов, форма заявки. Создался за полторы минуты и почти даром.
Курсы программирования от GPT-5.3 Codex (28 рублей, 2:05) - "КодКидс". Чистая структура, пробный урок, тарифы. Всё ровно, без косяков. Быстрее, чем у старшего брата GPT-5.4.
А вот здесь нейросети облажались
Gemini 3.5 Flash и Gemini 2.5 Flash Lite - полный провал. На сайте пустая заготовка с текстом "Новая страница". Генерация оборвалась через 10–15 секунд. Денег не взяли, но и сайта нет. Единственные модели, которые не смогли сделать вообще ничего.
Ветеринарная клиника от Claude Opus 4.8 - самый дорогой проект за 89,50 рубля. Сайт хороший: услуги, врачи, цены, контакты. Но нейросеть вставила в HTML технический мусор - слово "Новая страница" над шапкой. За такие деньги могла бы и без косяков.
Курсы программирования от GPT-5.4 (37,20 рубля) - контент сильный, дизайн современный. Косяк в блоке с тарифами: средняя карточка приподнята и висит выше соседних. Выглядит неровно.
Фитнес-клуб от Qwen 3.5 Flash (9 рублей, рекордсмен по дешевизне) - сайт есть, но выглядит как типовой шаблон Bootstrap. Синяя палитра, стандартные блоки. Дёшево и сердито, но без души.
Юридические услуги от GLM-5.1 (24,20 рубля) - структура и контент хорошие. Проблема в блоке "Опытные юристы": у двух карточек не портреты специалистов, а какие-то общие картинки из других разделов.
Сравниваем модели
Anthropic (Claude) - стабильно выдают полноценные лендинги. Sonnet 4.6 дал лучшее качество в тесте, но дороже среднего. Opus 4.8 - глубокий контент, продуманная структура, но самый дорогой и с мусором в коде. Sonnet - мой фаворит.
OpenAI (GPT) - обе модели надёжны, ни одного сбоя. GPT-5.4 даёт хороший контент и современный дизайн, но мелкий косяк с карточками цен. GPT-5.3 Codex быстрее и дешевле, визуально чуть проще, но результат чистый. Codex - оптимальный выбор по цене и скорости.
Google (Gemini) - единственные, кто полностью провалился. Обе модели выдали пустые заготовки.
Qwen - 3.7 Max даёт хороший результат за 26 рублей. Flash версия - самый дешёвый и быстрый вариант, но дизайн шаблонный, есть технический мусор.
DeepSeek V4 Pro - один из лучших в тесте за 24 рубля. Долго генерировал, но результат профессиональный.
StepFun 3.7 Flash - 11 рублей за полноценный сайт. Отличное соотношение цены и качества.
Z-AI GLM-5.1 - хорошая структура за 24 рубля, но картинки в блоке команды не соответствуют теме.
В подкасте Радио-Т 1018 был интересный момент, что у ИИ сейчас гораздо меньше опенсорсных репозиториев и датасетов на Swift, чем условно на Python или Go. И поэтому, как Claude Code, так и Codex хреново пишут нативные iOS приложения. А ведь API языка обновляется, имеющиеся данные в нейронках устаревают с каждым WWDC.
Я как бэкендер с этой темой не сталкиваюсь. Стало интересно, как в Apple вайбкодят разрабы и влияет ли это как-то на темпы разработки по сравнению с конкурентами. Apple Intelligence пока пытались запустить для обычных потребителей, или когда анонсировали переход на Gemini-бэкенд, это повлияло как-то на пайплайн разработчиков? Есть ли у их моделей какой-то секретный проприетарный датасет, чтобы повысить качество работы с их экосистемой?
Мне короткий гуглеж выдал, что анонсировался Swift Assist в 2024, но в 2025 году от него отказались в пользу доступа к любым моделям с помощью API-ключей. То есть сама компания не может предоставить продакшн тулинг за счет доступа к самому большому в мире закрытому репозиторию Swift-кода. Получается, Apple со своей закрытой инфраструктурой не может оставаться верной своей концепции. В эпоху агентской разработки у компании не получается замыкать на своем решении инженеров, чтобы не уступать конкурентам.
Тут у меня котелок начал накидывать вопросы.
Apple ладно, а какое будущее у новых языков программирования? Будут ли авторы новых языков задаваться вопросом «как мой язык будут поддерживать нейросети?» Их популяризация будет целиком и полностью за счет опен-сорс коммьюнити теперь, пока остальные языки будут писать агенты? Сообщества сами генерят синтетические данные для языков программирования, чтобы локальные модели лучше умели в определенный скилл? Или может для языков будут сразу разрабатываться скиллы или MCP? Какую роль в адаптации к агентсткой разработке будут играть компилируемые языки со строгой типизацией по сравнению с нестрогими, скриптовыми языками? А поддержка нового языка агентами на сносном уровне, - это повод для флекса в презентации у компании?
