Обновить
1024K+

Искусственный интеллект

AI, ANN и иные формы искусственного разума

2 591,67
Рейтинг
Сначала показывать
Порог рейтинга

Lei It Be

Этот пост написан как реакция на сегодняшнюю хабровскую публикацию - Проблема «принципал — агент» в эпоху ИИ‑агентов

В ней рассматривается "интересная" такая схема - отдавать результаты человеческого ревью кода ИИ-агенту.

Меня это в определенной мере удивило, потому что, судя по тому, что сейчас пишут в сети, то и код пишет агент, и ревью тоже агент делает. Чаще всего другой.

Например, код пишет Claude Code, а ревью делает Codex (И это еще хорошо, если они по своим возможностям в написании кода примерно равны, а то ведь агенты-ревьюверы могут быть и гораздо слабее агентов-кодеров).

Но вот остается вопрос: как решаются случаи, когда они расходятся во мнениях? Кому доверять больше? Устраивать дискуссии? И кто принимает окончательное решение?

Или, реальный случай: Claude Code в "холодной сессии" написал ревью своего же кода из порядка 20 пунктов. Тот же код и Codex пишет ревью на 8 пунктов.

Что дальше? - Разбираться самому человеку или снова устроить дискуссию между агентами?

И сколько токенов они сожгут в этой дискуссии? И сколько времени это займет? И где гарантия от того, что если они по отдельности галюционируют, то и вместе они не начнут делать то же самое, а то и провоцировать друг друга на эти самые галюцинации?

Т.е., получается, что выигрыш от такого "автоматизированного" под ИИ ревью становится сомнительным удовольствием.

И наконец, вишенка на тортике - а где гарантия, что человек тоже не ошибется и не пропустит какие-то баги?

Получается вроде какой-то замкнутый депрессивный круг.

Но выход есть и он, оказывается, не там, где мы его ожидаем и ищем. Называется он Let it be.

Другими словами, как бы мы ни старались, мы все равно не будем на все 100% застрахованы от ошибок. Поэтому это надо просто принять.

Мы можем уменьшить вероятность ошибок за счет качества работы, использования специальных технологий разработки, но никто не может гарантировать идеального решения. Вспомнить хотя бы недавние новости, как ИИ-агенты находят ошибки в программных продуктах, которые были написаны опытными программистами и работают годами и десятилетиями и никто даже и не подозревал, что эти ошибки там существуют.

Как говорят в философии, которая сейчас стала популярной благодаря ИИ, "Идеал он потому и идеал, что недостижим"

Это как с лекарствами и автомобилями. Мы знаем, что это вредно и опасно, но все равно будем ими пользоваться. Потому что пользы все-таки гораздо больше, даже при всех рисках.

Теги:
-2
Комментарии3

Тема: От «кареты с механическим конем» к прямой инфраструктуре: почему рынок EdTech требует смены парадигмы, а не новых нейросетей.

Давайте посмотрим правде в глаза. Текущее внедрение ИИ в онлайн-образование — это классический пример локальной оптимизации вместо системного сдвига. Мы наблюдаем попытку приделать механического коня к старой карете: те же самые SCORM-пакеты, линейные видеолекции и тесты на 10 вопросов, но теперь составленные и озвученные нейросетями.

Это тупиковый путь. Создавать сегодня отдельный вертикальный сервис «ИИ-курсов», который просто генерирует контент быстрее человека — неперспективно. Такая архитектура успеет устареть еще до релиза продукта (MVP), потому что через несколько лет генерация учебного плана станет базовой фоновой функцией любого LLM-ассистента или корпоративной среды. Контент окончательно обесценится; ценность сместится в сторону верификации навыков и их релевантности рынку.

Чтобы индустрия сделала шаг вперед, должна измениться сама инфраструктура отрасли. Предлагаю обсудить переход от модели «Content-as-a-Service» к модели «Competency-to-Employment Pipeline».

Как выглядит эта новая инфраструктура:

  1. Прямая передача требований. Компании перестают писать абстрактные вакансии. Они формируют жесткие матрицы компетенций под конкретные проекты и передают этот структурированный запрос напрямую в образовательную инфраструктуру (через API вакансий).

  2. Динамическая сборка трека. Сервис получает требования работодателя и профиль конкретного пользователя (его текущий стек, пробелы в знаниях, когнитивный стиль). На стыке этих данных формируется индивидуальный учебный план. Это больше не статичный курс «Профессия Python-разработчик за 9 месяцев», а живой граф знаний, где модули пересобираются по мере прогресса студента.

  3. Собеседование как единственный экзамен. Единственным критерием прохождения модуля становится успешное решение реальной задачи из пула заказчика в симулированной среде. Если учащийся справился — навык подтвержден. Никаких сертификатов PDF-формата.

  4. Устранение посредников. Из цепочки исключаются лишние звенья: классические HR-отделы (их фильтрация заменяется алгоритмическим matchmaking), центры независимой сертификации и авторы-универсалы. Остается только связка «Бизнес ↔ Инфраструктура подтверждения навыков ↔ Соискатель».

  5. Интеграция с высшим образованием. Тот же принцип должен лечь в основу старших курсов вузов. Вместо чтения годичного академического курса студент запрашивает у вузовской инфраструктуры недостающие для стажировки компетенции, которые закрываются короткими прикладными блоками.

В этой архитектуре исчезает извечный маркетинговый вопрос продажников EdTech: «А мне помогут трудоустроиться после ваших курсов?». Ответ меняет саму суть бизнеса: курсы не помогают найти работу — прохождение адаптивного трека и есть процесс трудоустройства. Успешная сдача финального собеседования-симуляции автоматически означает выход на проект. Образовательный продукт превращается в рекрутинговый протокол.

Пока глобальные игроки строят универсальных помощников, ниша открывается здесь. Нам не нужны новые базовые LLM — они уже есть. Нужен слой интеграции: стандарт описания компетенций (компаниям) и механизм сборки персональных траекторий (пользователям). Нейросети на этом этапе выступают лишь движком сервиса, который оперативно формирует эти индивидуальные программы из доступных библиотек задач и теории, пока персональные ИИ-агенты пользователей не научились делать это полностью автономно.

Теги:
0
Комментарии1

MCP-сервер, который не тратит лишние токены

Пересобрали Timeweb Cloud MCP и выложили описание новой версии на GitHub.

С MCP-сервером агент сразу видит ваши ресурсы и может ими управлять: создавать, менять и настраивать. Раньше все инструкции при подключении уходили в контекст и тратили слишком много токенов. Сейчас вместо полного набора действий — три команды:

1️⃣ search_tools — найти нужную операцию по описанию задачи

2️⃣ get_tool_definition — получить ее параметры

3️⃣ execute_tool — выполнить операцию с этими параметрами

Итог: агент не держит в памяти весь каталог действий, а ищет нужное под конкретную задачу. Контекст остается компактным, токены не сгорают впустую — а список доступных действий стал больше.

Работает с Cursor, Claude Code, Codex и любым агентом с поддержкой удаленных MCP-серверов. Из настройки только API-токен и адрес сервера в конфиге ассистента. Готовые инструкции есть в доке.

Передать управление облаком агенту →

Теги:
+9
Комментарии0

AI-аналитик, MCP-сервер и GenAI-трейсы: что появилось в Proto Observability Platform 203

Главной темой релиза Proto Observability Platform 203 стало расширение инструментов для машинного анализа телеметрии и наблюдаемости LLM-приложений: к существующим ИИ-расследованиям добавились AI-аналитик для работы с данными телеметрии на обычном языке, MCP-сервер для подключения ИИ-агентов и представление GenAI-трейсов для анализа работы внешних LLM-приложений.

AI-аналитик работает с метриками, логами, трейсами, инцидентами и объектами ресурсно-сервисной модели. В ответе на запросы оператора он показывает затронутые сервисы, возможные причины проблем и ссылки на найденные объекты платформы, сам проводит анализ ключевых данных производительности приложений и инфраструктуры. Для анализа данных в платформе теперь не требуется знание PromQL, LogsQL или топологии приложений - все это теперь можно запрашивать в режиме чата на обычном языке.

Встроенный MCP-сервер предоставляет ИИ-агентам инструменты для работы с данными платформы по стандарту Model Context Protocol. Через него доступны метрики, логи, события, ресурсы, трейсы, сервисы, алерты и инциденты, ошибки и другие ключевые данные платформы.

Новое представление GenAI-трейсов показывает выполнение LLM-приложения как последовательность действий. На одном экране видны сообщения по ролям, обращения к модели и инструментам, ошибки вызовов и длительность отдельных шагов.

Полное описание этих и других новых возможностей платформы доступно в заметках к релизу.

Теги:
+1
Комментарии0

Модераторы хабра часто пишут в комментариях, что у них есть алгоритмы определения ИИ слопа. Эти алгоритмы прекрасно работают, ИИ слоп удаляется каждый день пачками.

Посмотрите на эту статью: https://habr.com/ru/articles/1068100/

Приведу короткий открывок из статьи:
Но я потратил годы, разбираясь именно в кодеках — не в протоколах, не в UI, а в том, что происходит с кадром между «экран изменился» и «байты улетели в сеть».

И ведь там вся статья такая.

У кого-нибудь из вас есть сомнения, что это ИИ слоп?

После предыдущего моего поста о ИИ слопе в комментариях на хабре, мне включили возможность жаловаться на контент.

Штош, я отправил жалобу на статью 9 августа. Прошло 10 дней.

Может модераторам просто не пришло уведомление?
Может они решили проигнорировать уведомление?
Может они нечаяно его пропустили?

Или у хабра нет ресурсов и желания для борьбы с ИИ слопом?
Или война с ИИ слопом уже проиграна?

Теги:
+14
Комментарии2

Миллионы обращений, контент для ИИ и зарплата-загадка: как московские власти ищут шеф-редактора базы знаний

ГКУ «Инфогород» (работает с цифровыми проектами ДИТ Москвы) ищет специалиста в контакт-центр. Здесь не нужно механически наполнять базу знаний, это методологическая функция с обучением, координацией, настройкой процессов и работой с контентом для людей и ИИ. Звучит интересно, но есть подводные камни.

Немного контекста

В России менеджмент знаний (МЗ) как корпоративное направление начал развиваться на рубеже 90-х – нулевых. Первый ГОСТ появился в 2011 году, а стандарт с требованиями к полноценной системе – в 2021-м.

Наш рынок всё ещё заметно отстаёт от Европы и США: и по числу ИТ-решений, и по количеству вакансий – их в 8-12 раз меньше, и по зрелости бизнеса – МЗ как отдельная функция есть у единиц. Но ИИ меняет этот тренд: спрос на проекты растёт, вакансий становится больше, бизнес начинает понимать, что нужно готовить знания для ИИ.

Я больше 15 лет внедряю МЗ в российских компаниях с командой Minerva Result. По вакансиям на hh и других сервисах вижу, что далеко не все осознают, зачем им база знаний и как с ней работать. Чтобы подсветить спорные места и помочь тем, кто хочет развиваться в этой области, решил запустить разборы. Буду рад, если поделитесь обратной связью в комментариях и расскажете, как управляете знаниями в контексте внедрения ИИ.

Ну а теперь к вакансии ГКУ «Инфогород».

Плюсы

Ежемесячно контакт центр обрабатывает больше 5 млн обращений. Любая ошибка стоит дорого и судя по вакансии (а она, в отличие от многих других, достаточно зрелая) работодатель это понимает: здесь есть контроль качества, понятности и актуальности контента, обучение авторов и сотрудников, мониторинг системы, работа с процессами.

Отдельный плюс – акцент на адаптации нормативных документов и подготовке материалов для ИИ. Компания смотрит дальше привычного «написать инструкцию в Word», а для кандидата это уже отличная возможность получить практический опыт и усилить резюме.

Здесь хорошо описано место роли в процессах: специалист становится связующим звеном между редакторами, экспертами и продуктовыми командами. А ещё есть бонусы в виде статуса аккредитованной ИТ-компании, обучения и гибридного формата после ИС.

То, что вызывает вопросы

Границы роли. В названии уже есть координатор центра БЗ и шеф-редактор. После прочтения ещё появляются методолог, тренер, редактор и немного контент-аналитик. Такое размывание не приводит ни к чему хорошему: человек распыляется между задачами, контент устаревает, процессы ломаются, инструмент теряет актуальность, команда возвращается к привычным системам. Лучше чётко определить на старте, чем будет заниматься специалист, какие у него будут метрики и KPI.

Дальше – требования заметно скромнее обязанностей. Ищут человека с высшим образованием, опытом от 2-х лет в координации, административной поддержке, методологии или редакции. Ожидают полного цикла работы с контентом, методологического сопровождения, консультирования и обучения сотрудников. Найти такого всемогутора может быть непросто. Опять же, лучше разбить задачи по ключевым блокам и выбрать приоритетные. Под них искать специалиста.

Ещё одно слабое место – зарплата-загадка. Работодатель обещает «рыночную», но рынок, как известно, у каждого свой. Человек с опытом 3-6 лет может пролистнуть вакансию. Лучше указать вилку или хотя бы написать, вокруг чего конкретно будет строиться зарплата.

Вывод и рекомендации

Вакансия может подойти редактору, методологу или специалисту, который хочет попробовать себя в разных ролях, получить опыт подготовки контента для ИИ, поработать в крупном проекте с реальной потребностью в МЗ.

Что стоит спросить:

  • есть ли цель, метрики и KPI? что будет считаться успешным результатом?

  • какая зона ответственности? можно влиять на методологию?

  • на какой платформе нужно работать?

  • из кого состоит команда? можно привлекать коллег?

  • можно использовать результаты в портфолио?

Больше разборов вакансий – в моём тг-канале. Подпишитесь, чтобы не пропустить новые посты.

Теги:
-1
Комментарии0

Рынок подготовки к ЕГЭ — самая монетизируемая точка входа, но с высочайшим риском копирования. Чтобы выжить при наличие десятка аналогичных моделей продукт должен строиться не на объяснении решений, а на формировании навыков и интеграции в жизнь пользователя.

Проект: Концепция ИИ-репетитора для подготовки к ЕГЭ (продуктовая стратегия)

1. Методология: переход от объяснения к диагностике и тренировке Конкуренты предложат понятный язык объяснений. Этого недостаточно и это легко скопировать. Мой подход:

  • Диагностика невидимых пробелов. Модель анализирует ошибку не только в финальном ответе, но и в промежуточных шагах. Отсутствие навыка сложения алгебраических дробей, например, автоматически блокирует прогресс в целом классе текстовых задач.

  • Генерация внепрограммных тренажеров. ИИ создает задания, которых нет в банке ФИПИ, точечно закрывая выявленный дефицит. Например, генерирует 50 вариаций задач на проценты с усложняющимся контекстом, пока скорость решения не превысит пороговое значение.

  • Неформальная подача учебного материала. Пользователь может сам выбрать одного из предложенных персонажей с индивидуальной манерой преподавания, в качестве наставника.

2. Продукт: экосистема вместо отдельного приложения Главная ошибка — делать ИИ-репетитора отдельным сервисом. Через два года он станет лишь одной из функций личных ассистентов и исчезнет как самостоятельный продукт. Наша стратегия:

  • Фоновый режим (Background Tutoring). Репетитор работает постоянно в качестве ИИ-помощника. Пользователь может обсуждать с ним мемы, выбор кроссовок или новости, но модель всегда держит в контексте цель — подготовку к ЕГЭ. Она органично вплетает темы в беседу («Кстати, этот мем про экспоненту отлично иллюстрирует задачу №16»).

  • Непрерывная подготовка (Non-stop prep). Система напоминает о занятиях, мотивирует и связывает экзаменационные задачи с бытовыми вопросами пользователя.

  • Расширяемость (Extensibility): Архитектура изначально закладывается под концепцию «Личного когнитивного контура» — после ЕГЭ продукт бесшовно трансформируется в ИИ-помощника для вуза (написание курсовых, поиск литературы) и рабочего места.

3. UX и Геймификация: борьба с главной проблемой — прокрастинацией Ученики проваливают экзамен не из-за глупости, а из-за неумения организовать себя.

  • Жесткое планирование. ИИ сам составляет расписание, ставит дедлайны и требует подтверждения выполнения. Пропуск дня без уважительной причины запускает цепочку эскалации: уведомление пользователю → куратору.

  • Кураторский контур. Ежедневные отчеты (автоматизированные дашборды: время фокуса, % выполненных заданий, динамика ошибок) отправляются родителю, школьному учителю или другу-напарнику.

  • Двуличный ИИ (Multi-agent tutoring). Вместо одного скучного помощника — система конфликтующих персонажей, которую я уже реализовывал в прототипах:

    • «Профессор»: строгий, объясняет через фундаментальную науку, готовит к вузовским стандартам, использует сарказм.

    • «Студент»: объясняет «на пальцах», шутит, снижает тревожность. Они спорят друг с другом, вовлекая ученика в роль арбитра. Юмор и контролируемый конфликт повышают вовлеченность 

Теги:
+2
Комментарии1

QA-эксперт Авито о том, почему вход в IT через тестирование больше не работает

Всем привет! Гостья нового выпуска AviTalk — Соня Каребина, QA-эксперт Центра экспертизы обеспечения качества в Авито. До IT у неё были инженер-нефтяник и администратор фотостудии — то есть путь в тестирование получился совсем не прямым. Ведущий выпуска — Виктор Раев, руководитель разработки юнита Services Base.

Говорим о том, почему в тестировании нет универсального ответа «релизить или не релизить» и как QA оценивает риски для пользователей и бизнеса. Разбираемся, почему умение договариваться для тестировщика важно не меньше технической экспертизы, и каким становится процесс, когда человек и AI работают в связке. А ещё — про волонтёрство, эмоциональное выгорание, вязание, двести комнатных растений, мечту о Марсе и принцип, который в своё время помог Соне сменить профессию.

Смотреть выпуск:

🔵 VK Видео
📺 YouTube
📌 RuTube

AviTalk — шоу толковых людей. Приглашённые гости — сотрудники Авито из разных дирекций и команд, которые делятся экспертизой и рассказывают о своём профессиональном пути.

Теги:
+16
Комментарии0

Наконец-то дошли руки до повышения версии трекера ошибок Glitchtip с 4.2.5 до 6.2.6, а это значит то, что у меня появилась возможность подружить OpenCode агента с Glitchtip через MCP. Повышение версии трекера прошло без единой ошибки, данные сохранились, на всё ушло минут 30. Как обновлял пошагово могу рассказать отдельно.

Glitchtip - это бесплатный open source трекер ошибок, аналог Sentry, предназначенный для мониторинга и анализа ошибок, производительности на нескольких проектах. Я использую его для быстрого выявления ошибок, в каком приложении возникла проблема, в каком месте и при каких условиях. Подключение по MCP к Glitchtip позволяет автоматизировать анализ и обработку исключений, используя ИИ агентов, например OpenCode.

На данный момент основное используемое мною применение данной связки - это анализ новых ошибок. Раньше я копи-пастил детальную страницу ошибки в чат, теперь процесс можно автоматизировать и экономить токены. У меня в планах сделать полностью автономного агента, который будет создавать утилиты и сайты с нуля под конкретный запрос пользователя, автоматизация трекера ошибок будет одним из кирпичиков этой системы.

Для подключения аналога сентри к ИИ агенту:

Включить MCP в окружении Glitchtip

GLITCHTIP_ENABLE_MCP=True

В моём случае Glitchtip запускается в docker-контейнере. Я просто добавил новую запись в файлы .env и .env.example и перезапустил сервис.

Создать токен доступа в UI Glitchtip с правами на чтение

Тут должно быть изображение, где красными стрелочками показано куда нажимать, но редактор молча игнорирует добавление фото. Если описать навигацию текстом: Profile -> Auth Tokens -> Create New Token

Затем сохранить токен как файл где-то в директории с секретами, чтобы OpenCode смог его подхватить и токен не утёк при git push. Например:

.secrets/glitchtip-auth

Содержание файла:

Bearer {{Ваш токен}}

Добавить MCP и токен в opencode.json

...
"mcp": {
	...
	"glitchtip": {
		"url": "https://errors-report.{{Ваш домен}}.com/mcp",
		"headers": {
			"Authorization": "{file:.secrets/glitchtip-auth}"
		},  
		"type": "remote",
		"enabled": true
	},
	...
...
},

Нужно иметь в виду, что данные MCP Glitchtip будут добавляться к контексту каждого запроса. И когда задача не связана с трекером ошибок, нужно выключить данный MCP, выставив "enabled": false и перезапустив OpenCode.

Перезапустить OpenCode и проверить работу

OpenCode должен стартовать без ошибок, MCP должен отобразиться в статусе. Можно проверить результат подключения, попросив агента: "Check if MCP works on a self-hosted GlitchTip instance". В ответе агента должен быть вызов одного из методов MCP, например:

Let me test the GlitchTip MCP tools against your instance. Вызван glitchtip_list_organizations <<< ------ Ключевой вызов через MCP, маркер успешной настройки. MCP works on your self-hosted GlitchTip instance. It successfully connected and returned your organization:

Organization: ShabalinAS Team Slug: shabalinas-team Accepting events: Yes

Теги:
+2
Комментарии0

Агент, который «помнит», на самом деле сочиняет

У модели нет памяти, есть контекст: если факта в контексте нет, она досочинит его с абсолютной уверенностью.

Десятого июля я вшил в систему правило Search Brain First. Смысл простой: прежде чем предлагать новую задачу или проект, агент обязан заглянуть в свою базу. Первым делом ~Projects/Active/, там текущая загрузка. Потом ~/Decisions/, там свежий контекст. И только потом что-то предлагать.

Заодно появилось правило «после задачи». Каждое завершённое дело обязано оставить след: краткую заметку-решение в Decisions/Projects/ и строку в task-logs/ с временем, агентом, задачей, статусом и артефактами. Это правило легло в SOUL.md всех шести профилей сразу.

Почему это вообще понадобилось? Потому что агент не вспоминает, он продолжает текст. Спроси его «что у нас в проектах?» без базы под рукой, и он ответит уверенно, даже если ничего не знает. Diff такой выдумки не покажет: diff видно там, где агент что-то менял, а не там, где он что-то придумал.

Vault стал мозгом, агенты перестали полагаться на «я помню». В SOUL.md директора теперь вопрос перед каждой новой задачей: «1 core + 2-3 auxiliary максимум. Что закрываем или замораживаем?» И ответ на него ищется в базе, а не в памяти.

Первый тест прошёл в тот же вечер. Запись в task-logs/2026-07-10.md от 22:30: директор, «Project inventory analysis», статус done. Одна строка, зато первый след, который не надо проверять на выдумку.

С тех пор правило простое: не верь агенту, который говорит «я помню». Верь тому, кто говорит «я посмотрел».

Теги:
+3
Комментарии1

Средняя стоимость токенов для ИИ резко упала с пика в $2,07 за миллион токенов 28 мая до $1,02 за миллион токенов. Основными причинами являются снижение цен на китайские модели ИИ от Kimi и DeepSeek, которые в несколько раз дешевле моделей с закрытым исходным кодом из США.

Теги:
+3
Комментарии1

14 августа была выложена новая версия модели Qwen 3.8 27b и 27b-FP8. 12 августа назад была выложена новая версия модели Qwen 3.8-2.4T-A95B и Qwen 3.8-2.4T-A95B-FP8.

Почему это важно для кибербеза? Семейство квен самое популярное семейство среди моделей на hugging face как по количеству скачиваний так и по использованию для построения\файнтюна своих моделей. Россия в этом плане не сильно отличается от мировых тенденций.

Версия на 27 млрд параметров по общим бенчмаркам способностей находится на уровне GLM-5.2 (max), Deepseek V4Pro 0813, GPT 5.6 Luna. Квантованную до FP8 версию можно попробовать запустить на условно домашней rtx 5090 32 Гб

Версия на 2,4 трлн параметров по общим бенчмаркам способностей находится на уровне Muse Spark 1.2, GPT 5.6 Terra, т.е. можно отнести к SOTA моделям . Эта версия FP8 уже потребует профессиональных минимум 16 видеокарт Nvidia B300.

Как обычно хотелось бы понимать насколько эти модели более защищенная и (или) более способная для задач кибербезопасности.

А тут появляются проблемы, официально у новых моделей нет тех репорта, только карточки на hugging face c ссылками в никуда или на весьма ограниченное описание. Каких либо других независимых отчетов по кибербезопасности и safety мне тоже не удалось найти. В части возможностей самой модели можно с допущениями ориентироваться на тест облачной версии модели Qwen 3.8 Max (как аналога Qwen 3.8-2.4T-A95B) от Aikido:
"Qwen rediscovered 26 of 32 CVEs across three runs, for 81.25% pass@3 recall. That's ahead of GPT-5.6-Sol and matches Opus 5, at roughly half the cost".

Можно попробовать ориентироваться на комплексные бенчи:
Terminal‑Bench 2.1 - навыки работы в командной строке, в том числе для задач кибербезопасности (нахождение и закрытие уязвимостей в коде, реверс-инжиниринг бинарных файлов и безопасная настройка доступов).
DeepSWE 1.1 - бенч для навыков агентов по написанию кода, отдельных разделов по безопасности нет, но это навык смежный с написанием кода.

Значимое отличие - Qwen 3.8 27b единственную из актуальных опенсорс общих моделей можно запустить на одиночном устройстве, особенно если на неофициальном квантовании FP4. Тогда как для "соседей" по бенчмаркам (GLM 5.2, Deepseek V4Pro 0813, GPT 5.6 Luna) потребуется кластер (а иногда и не один) профессиональных видеокарт.

Что на текущий момент является аномальным результатом по соотношению (возможности модели в Terminal‑Bench 2.1)/стоимость оборудования. Соотношение сохраняется в DeepSWE 1.1 и нескольких других бенчах .

Будем ждать новых отчетов по этому семейству, пока Artificial Analysis не включил в бенч по затратам Qwen 3.8 27b, поэтому нужно отнестись сдержанно к получившейся аномальной оценке.

Если у кого то есть локальная RTX 5090 и свободное время - поделитесь впечатлениями ;) .

Исследование Akido
Исследование Akido
Теги:
+3
Комментарии3

После года на фрилансе вернулся к поиску постоянной работы, и, надо сказать, за этот год работодатели, кажется, полностью перевели наём на искусственный интеллект. И хоть на рекрутеров за это катят сотни бочек, я могу их понять: в конце концов, первичный отбор в основе своей состоит в поиске общих паттернов между текстом вакансии и текстом резюме — буквально то, в чем ИИ хорош, — так что это вполне ложится в корзину "Оптимизация", а не "Лень".

А то, что после установления контакта часто следует автоматическое анкетирование с вопросами, ответы на которые есть в самом резюме, — это уже скорее вина площадок (да, hh.ru, первую очередь на тебя смотрю): большинство рекрутеров работает с их встроенными инструментами, которые как раз и должны такие вещи стримлайнить.

Логично оптимизировать поиск и со своей стороны, что я и сделал. Технику и pipeline, если будет интересно, опишу в другой раз. Если упрощенно: ИИ с контекстом из собранного опыта, предпочтений, портфолио и прочей важной информации обо мне как специалисте (значительно шире, чем разумно включать в резюме) просматривает вакансии, откликается на подходящие, где нужно — заполняет анкеты и пишет сопроводительные.

Получается, с обеих сторон машина разговаривает с машиной — симметрия и справедливость. Верно? Знать бы, как это выглядит с другой стороны. Мой Claude всегда подписывает сопроводительные строкой "Отклик отправлен AI-ассистентом...", но в 2026-м вряд ли кто-то рассчитывает выдать текст AI за свой, и такая честность стоит немного.

Кто первым пробьется через TL;DR: я прочту вакансию или HR — резюме?

Я пока для себя не решил эту дилемму, поэтому выбрал компромисс: если ИИ находит вакансию, которая ну прям очень про меня, — откладывает ее в отдельный список, который я разбираю сам.

Где для вас граница допустимого участия ИИ в поиске работы?

  1. Только сам, без ИИ

  2. Правки резюме и писем

  3. Поиск и отбор вакансий

  4. Отклики и письма за меня

Ответьте номером в комментариях.

Теги:
+5
Комментарии2

Ближайшие события

х2 работы для ваших AI-агентов

За неделю выкатили сразу несколько релизов — собрали все в один пост. Суть у всех одна: агенты забирают на себя больше задач в ваших проектах.

Теперь можно:

1️⃣ Делиться с агентом файлами в Telegram 

Отправляете файл в чат вместе с запросом — агент сделает сводку по CSV с данными или найдет ошибку на скриншоте с логами.

Особенно удобно для тех, кто уже настроил ИИ-помощников в чатах поддержки.

2️⃣ Управлять облаком через команды

Выложили репозиторий со скиллами (инструкциями) для работы с Timeweb Cloud MCP. С ними агент получит готовые сценарии, например, как поднять сервер или настроить DNS. Меньше ошибок и лишних действий. 

В Claude Code скиллы ставятся как плагин в две команды, в Cursor, Codex и OpenCode — через npx skills.

3️⃣ Передавать агенту файлы через API

Добавили Files API — отдельный механизм для работы с файлами в API агентов. Он снял прежние ограничения по формату и размеру, и вы можете принимать любые файлы от своих пользователей.

Схема простая: пользователь вашего сервиса прикрепил файл в чате → сервис передал его агенту через API → агент ответил с учетом содержимого.

А еще выкатим новые локальные модели с низкой стоимостью — подробности скоро.

Нагрузить агента контентом →

Теги:
+15
Комментарии0

ИИ в финансовой аналитике: от текстового запроса до готового дашборда – за минуты

Финансовые данные есть у всех. Но собрать их в понятный дашборд для руководителя, принимающего управленческие решения,  эта задача до сих пор отнимает немало времени. На вебинаре мы покажем, как сделать это в разы быстрее с помощью ИИ-агента, который возьмет на себя всю рутину и ускорит получение результатов.

В прямом эфире на реальных финансовых кейсах вы увидите, что умеет ИИ-агент в визуальной аналитике:

  • генерировать запросы к данным по текстовому описанию без знания синтаксиса;

  • строить дашборд с нуля по одному промпту - ИИ проанализирует запросы и скомпонует экран с итоговым результатом.

Вы убедитесь в том, что сформировать текстовый запрос и самостоятельно создать визуализацию – без написания SQL-запросов, глубокого программирования и без долгих ожиданий – теперь может каждый.

О чем поговорим на вебинаре:

  • 11:00 - 11:10 Коротко о платформе визуальной аналитики Digital Q.Sensor BI

  • 11:10 - 11:30 Создаем графики и таблицы при помощи ИИ-агента. Визуализируем данные по текстовому описанию

  • 11:30 - 11:40 Строим ситуационные центры на основе данных. Настраиваем метрики и алертинг на дашбордах

  • 11:40 - 11:50 Вопросы и ответы

Спикер - Данила Ильичев, инженер-аналитик Digital Q.Sensor BI «Диасофт»

Зарегистрироваться на вебинар можно по ссылке

Теги:
+4
Комментарии0

Как HiveTrace ускорила запуск AI Firewall для корпоративных приложений с генеративным ИИ

🏭 Что за компания
HiveTrace разрабатывает AI Firewall для защиты приложений на базе генеративного ИИ в корпоративном контуре. Решение анализирует запросы пользователей до их передачи в модель и проверяет ответы модели перед отправкой пользователю. Это защищает от промпт-атак, снижает риск утечки чувствительной информации во внешние системы и помогает соблюдать требования по работе с персональными данными.

⚡ Задача
Чтобы запускать пилоты и масштабировать внедрения у корпоративных заказчиков, HiveTrace требовалась готовая инфраструктура, соответствующая требованиям ИБ-команд: с Kubernetes, GPU и возможностью быстро развернуть решение без доработки существующих компонентов.

Подготавливать окружение для каждого нового проекта самостоятельно означало бы тратить ресурсы команды не на развитие функций безопасности, а на инфраструктурные задачи.

☁️ Что сделали
Для размещения AI Firewall HiveTrace выбрала платформу Cloud.ru Evolution. Решение развернули на базе Evolution Managed Kubernetes с GPU.

Managed-сервисы Cloud.ru оказались совместимы с компонентами HiveTrace, поэтому команде не пришлось адаптировать продукт под новую среду. Это позволило использовать готовую инфраструктурную основу для пилотов и последующих внедрений у заказчиков.

Дополнительно модель HiveTracePro включили в сервис Evolution Foundation Models. Теперь пользователи Cloud.ru могут подключать ее как дополнительный уровень защиты приложений с генеративным ИИ. Модель дополняет Guardrails Filter — инструмент Cloud.ru для маскирования чувствительных данных при работе с языковыми моделями.

🦾 Что получили в итоге
HiveTrace ускорила запуск проектов у корпоративных клиентов: для внедрения AI Firewall больше не нужно отдельно готовить и адаптировать инфраструктуру. Команда может сосредоточиться на развитии продукта и новых механизмах защиты, а заказчики — быстрее подключать защиту своих ИИ-приложений от распространенных угроз.

Подробнее читайте на сайте.

Теги:
+3
Комментарии0

Методы защиты и обеспечения безопасности ПО

Друзья, рады поделиться записью второго вебинара нашего нового цикла "Надёжность, качество, безопасность ПО: методология и инструменты".

На вебинаре эксперты PVS-Studio и Guardant рассказали, как встроить безопасность в процессы разработки ПО и эффективно защитить программные продукты. Участники узнали, как интегрировать SAST в DevSecOps для раннего выявления уязвимостей, а также разобрались в моделях угроз, подходах к защите ПО и выборе между собственной разработкой решений и готовыми продуктами.

Посмотреть можно тут:

Приятного просмотра!

Теги:
+3
Комментарии0

Саймон Уиллисон, один из создателей Django и автор Datasette, обратил внимание на необычную фоновую музыку в гавайском ресторане. Музыка показалась разработчику однотипной и безликой, тексты песен в каких-то общих чертах рассказывали про нахождение на пляже. Ловким движением руки Уиллисон запустил приложение Shazam, чтобы найти исполнителя. Сервис не смог установить авторство ни одной песни, чем подтвердил опасения Саймона: это ИИ.

Это не первый Гавайев случай, когда в качестве фоновой музыки играет сгенерированная искусственным интеллектом песня. В апреле этого года сообщалось, что в аэропорту Гонолулу играют 17 сгенерированных ИИ треков на тему островов и авиаперевозок. С пяти утра до полуночи в залах Международного аэропорта имени Дэниела К. Иноуэ звучали песни, в которых машинный вокал рассказывал про сотрудников аэропорта, авиалинии, вулкан Дайамонд-Хед и дух алоха.

Реакция пассажиров и местных жителей варьировалась от смешанной до резко негативной. На Reddit персонал аэропорта жаловался, что музыка раздражает; схожим образом высказывались пассажиры, которым громкость воспроизведения показалась избыточно высокой. Кроме собственно качества критикующие указали, что подобные треки плохо представляют культуру архипелага, хорошо известного своей характерной музыкой. Градус возмущения оказался настолько высок, что гавайские музыканты даже собрали альбом-компиляцию музыки для аэропорта и выставили его на продажу на Bandcamp.

Отдельно в СМИ сообщалось, что затея аэропорта не стоит ничего, денег из казны штата потрачено не было, в то время как подписка на фоновую музыку в среднем обходится в $10,5 тыс. (Как минимум с первой половины прошлого века существуют компании музыки для бизнеса, которые сдают в аренду плейлист и специализированное оборудование для его воспроизведения). С каким сервисом сгенерировали эту музыку, не рассказывается, но легко предположить, что это был стартап Suno. Во всяком случае, даже на бесплатном тарифе Suno возможно генерировать по 10 треков в сутки.

Случай же Уиллисона куда более мелкий, это может быть просто инициатива ресторана. В США нельзя включать какую попало закопирайченную песню в общественном пространстве, не заплатив Американскому обществу композиторов, авторов и издателей и/или другой организации правообладателей. Тем не менее резкого падения показателей у компаний фоновой музыки из-за Suno не наблюдается. К примеру, у Stingray в этом году выручка от этого направления только растёт, хотя у другого представителя индустрии, Soundtrack Technologies, наблюдаются проблемы с доходностью.

Теги:
+5
Комментарии0

Figma запустила собственный генератор скиллов для встроенного ИИ:

  • better‑interface — делает UI в разы удобнее и читабельно;

  • superfuture‑design‑review — делает полное ревью дизайна и предложит свои правки;

  • component‑handoff — составит полную документацию по нужному компоненту;

  • desktop‑to‑mobile — быстро конвертирует дизайн в мобильный формат;

  • create‑anatomy — создаёт полную визуальную анатомию выбранного элемента;

  • find‑animation‑opportunities — упрощает работу с анимацией;

  • spacing‑audit — фиксит проблемы с расположением элементов и пропорциями;

  • balise‑ux‑writing — перерабатывает, генерирует и приводит к единому стилю тексты;

  • analyze‑components — делает полный аудит всех компонентов на странице;

  • design‑system‑gen — генерирует компоненты по простым стилевым вводным.

Теги:
+3
Комментарии0

Представлен проект MathCode — это терминальный помощник по программированию с ИИ со встроенным механизмом формализации математических формул. «Дайте ему математическую задачу на простом языке, и он автоматически преобразует её в теорему Lean 4 и попытается дать формальное доказательство — с помощью постоянно доступной интерактивной среды Lean REPL, многократно используемых библиотек теорем и аксиом, агентного доказательства и графа знаний Obsidian», — пояснили в команде проекта.

Теги:
+3
Комментарии0

DeepSeek запустил агентскую среду Harness. Ключевая фича: плагином может быть всё. Модели, сессии, скиллы, песочницы, циклы и даже просто интерфейс. В Harness всё выдаётся в качестве готового к работе агента:

  • у среды своя архитектура на Cordis, которая позволяет менять компоненты в любое время;

  • схема простая: любая модель + любой компонент = готовый агент;

  • работает вообще с любыми компонентами;

  • по факту, это новый способ создания ИИ‑агентов, простой и максимально эффективный.

В сообществе разработчиков также представили 6000 готовых скиллов для DeepSeek Harness.

Теги:
+4
Комментарии0

Пресненский районный суд Москвы отказал дизайнеру в компенсации за переработанные им с помощью нейросетей изображения "Мона Лиза с вином" и "Статуя Свободы с вином", и которые потом без его согласия были использованы ответчиком в печати на мерче: футболках, худи и термостаканах.

Логика суда: у нейросети нет сознания, творческих усилий она не прилагает. Команды нейросети суд назвал "простыми механическими действиями... технического характера". Сама идея с концепцией изображений не нова - бокал вина вместо факела уже встречался в культуре.

Общего запрета на охрану ИИ-работ суд не установил - счёл недоказанным именно вклад истца. Обращает на себя внимание разворот бремени доказывания: для обычных произведений творческий характер презюмируется (Пленум ВС №10 от 2019 г.), доказывать обратное должен оппонент. Здесь же суд по сути потребовал доказательств творческого вклада от самого автора.

Для сравнения: в 2023 г. суд взыскал 500 тыс. руб. за неправомерное использование ролика с дипфейком Киану Ривза (дело № А40-200471/2023) - но там нейросеть признали инструментом монтажа в работе команды: сценарий, съёмку и звук делали люди, а не генератором изображения с нуля.

Истец в обоснование своей позиции представил в дело платное заключение эксперта - что переработка творческая, вклад автора есть. Суд его не принял: посчитал немотивированным. О назначении судебной экспертизы никто не ходатайствовал.

Можно предположить, что в данном случае больше вес в защиту истца имело бы то, что формально подтвердило бы "процесс создания" - сами промпты (тексты запросов к нейросети), цепочка правок, версии файлов до и после, а не готовый результат и мнение стороннего специалиста. Но это лишь моё предположение. По факту практики нет, понимания как суд к таким доказательствам отнесётся - тоже.

Решение первой инстанции в силу пока не вступило: 24 августа Мосгорсуд рассмотрит апелляцию. Рассматриваем пока как историю в развитии - с учётом отсутствия практики, даже просто цепочка рассуждений суда представляет интерес.

Теги:
+3
Комментарии0

ИИ запустил гонку увольнений — два экономиста математически вывели формулу, по которой многие сотрудники останутся без работы в ближайшие годы:

  • логика простая: компания заменяет сотрудников на ИИ и забирает 100% экономии на зарплатах;

  • но уволенные люди теряют доход, меньше покупают — и продажи падают уже у множества других бизнесов;

  • сама компания ощущает лишь крошечную долю ущерба. Если на рынке N фирм, ей условно достаётся только 1/N потерь от общего падения спроса, а остальное размазывается по конкурентам.

  • поэтому увольнять выгодно даже тогда, когда массовые сокращения делают беднее весь рынок. Главное — быть в этом деле первым;

  • остальные видят снижение издержек и тоже подключают ИИ. Никто не хочет остаться последним бизнесом с «раздутым» штатом;

  • начинается гонка увольнений: сотрудники остаются без работы, что вызывает падение доходов, затем спроса и как итог — новые сокращения;

  • это классическая дилемма заключённого: каждая компания принимает рациональное решение, но вместе они приходят к провальному результату: товары стало дешевле производить, зато покупать их постепенно становится некому;

  • авторы исследования предлагают налог на автоматизацию, равный ущербу спросу, который фирма перекладывает на остальных. Полезный ИИ он не остановит: если внедрение действительно сильно экономит деньги, оно всё равно окупится. Зато исчезнет стимул увольнять людей только потому, что последствия оплатит весь рынок.

Теги:
+7
Комментарии6

Представлен робот‑пылесос Matic за $1245, которому можно указать пальцем на грязь, а нейросеть устройства считает команду и пылесос поедет в то место. Благодаря ИИ робот понимает десятки команд, но при этом ничего не отправляется на внешние сервера — внутри чип Nvidia, на котором и крутится нейросеть.

Теги:
+3
Комментарии0

Приглашаем на МТС True Tech Friends — фестивальное ИТ-событие для всех, кто следит за трендами ИИ и любит активности 🦾

Встретимся в Москве на стадионе Свиблово 21 августа, чтобы совместить активный отдых и профессиональное общение. Гостей ждут гонки на самодельных болидах, кроссфит с ИИ-агентом, большой теннис, баскетбол и афтепати на поле.

Также в программе:

  • Доклад «Просто о сложном: делегируем экспертные задачи кибербезопасности ИИ»

Никита Полосухин, Senior System Analyst в RED Security, MWS, расскажет, как переложить часть задач по кибербезопасности на ИИ и какие риски при этом возникают.

  • Брейнхак «ИИ в звонке: карта возможностей»

Максим Масленников, Cluster lead Architect MWS, проведет командное соревнование по внедрению ИИ в highload‑продукт, в котором участники поборются за призы.

  • Командная бизнес‑игра «IPOcalypse: восстание нейросетей»

Участники примерят роль топ‑менеджмента, который должен внедрить ИИ во все отделы, удержать выручку и успеть на IPO до того, как конкуренты или собственные роботы пустят бизнес под откос.

  • Открытая беседа «Он 10 из 10, но… Грабли внедрения ИИ‑агентов»

Гости поделятся реальными историями, что пошло не так при внедрении ИИ‑агентов в продакшн. Этим спикером со сцены может стать кто угодно.

📅 Когда: 21 августа (пятница) в 17:00, стадион Свиблово в Москве

👉 Регистрируйся по ссылке, чтобы провести вечер с пользой и драйвом и присоединиться к сообществу.

Теги:
+2
Комментарии0

Google запустил бесплатный курс по вайбкодингу, который доступен на русском языке — он учит создавать приложения с нуля без опыта. Курс AI for App Building занимает около 2 часов и входит в Google AI Professional Certificate, а после прохождения можно получить сертификат.

Теги:
+9
Комментарии0

Ошибки при работе с ИИ. Часть 2

Продолжаем разбирать частые ошибки при работе с ИИ вместе с Константином, экспертом по ИИ в Naumen.

В первой части говорили о контексте, постановке задачи и конфиденциальных данных. Теперь смотрим шире: как работать с актуальной информацией, что делать, если застряли в диалоге с ИИ, и почему хороший результат часто требует экспериментов с подходами.

4️⃣ Верим, что ИИ знает все

Используем языковую модель как всезнающего помощника или как справочник: просим найти свежие факты и актуальную информацию и воспринимаем ответ как достоверный.

В чем суть

Изолированная языковая модель опирается на данные, на которых обучалась, и контекст текущего диалога. Сама по себе она не ищет информацию в реальном времени. Если нужной информации в доступных данных нет, модель может заполнить пробел правдоподобными, но вымышленными деталями.

Важно различать две задачи: работу с информацией, которую вы уже дали модели, и поиск актуальных фактов. В первом случае источниками знаний могут быть ваш текст, документ, таблица или код. Во втором нужны внешние источники и инструменты для работы с ними.

Как исправить

  1. Учитывайте сильные и слабые стороны модели — она хорошо форматирует, извлекает и сокращает данные, переводит на любые языки.

  2. Для проверки и поиска актуальных фактов используйте внешние инструменты поисковые модули, RAG, MCP или другие подключения к источникам данных.

  3. Не перегружайте контекст и подключайте нужные модули.

В связке с внешними инструментами модель получает данные из источника и помогает их обработать и структурировать.

  • Плохой промпт: «Какая сейчас актуальная версия библиотеки X и какие методы в ней устарели?».

  • Хороший промпт: «Используй официальную документацию библиотеки X, подключенную через MCP. Проверь актуальную версию и методы, которые помечены как устаревшие. Укажи дату релиза и добавь ссылки на соответствующие разделы документации».

5️⃣ Не спрашиваем ИИ, как с ним работать

Когда не понимаем, как подступиться к задаче или почему модель выдает не тот результат, часто ищем инструкции где угодно, только не в самом чате.

В чем суть

Мы привыкли искать помощь во внешних источниках. Но при работе с ИИ часть вопросов можно задать прямо модели: как лучше сформулировать запрос, каких вводных не хватает, почему ответ мог получиться неудачным или с чего начать задачу.

Как исправить

  1. Опишите ИИ, что хотите сделать и что не получается.

  2. Спросите прямо в чате, как лучше подступиться к задаче.

  3. Если сложно сформулировать запрос, попросите ИИ задать уточняющие вопросы и помочь собрать ТЗ.

6️⃣ Не экспериментируем с подходами

Пробуем один и тот же способ работы для разных задач и, если результат не устраивает, решаем, что ИИ нам не подходит.

В чем суть

Работа с ИИ — это навык, которому нужно учиться, как когда-то работе с Word или Excel. Он развивается через практику, изучение возможностей и поиск своего рабочего формата.

Как исправить

  1. Пробуйте разные подходы к задачам.

  2. Тестируйте разные модели и связки инструментов.

  3. Ищите свой рабочий формат и продолжайте экспериментировать.

Нет одного идеального способа работы с ИИ. Кому-то достаточно базовых возможностей модели, а кому-то нужно несколько открытых вкладок и интеграции в IDE. 

Теги:
-1
Комментарии0

ИИ-агента Manus предлагают протестировать бесплатно на две недели без ограничений до 25 августа (без карты, без номера телефона, только регистрация на сайте):

  • выполняет задачи без подсказок от начала до конца и по расписанию;

  • одновременно исследует сотни сайтов, книг, статей и других ресурсов;

  • команда ИИ‑систем внутри: планирование, задачи, проверка;

  • ИИ‑агент сам заходит на сайты, может заказать еду, забронировать билеты или спланировать отпуск;

  • работает с таблицами Excel, PDF, документами;

  • правит картинки прямо на экране;

  • подключается к Gmail, Slack, GitHub и другим платформам;

  • показывает свои действия в реальном времени и отчитывается о них.

Теги:
+2
Комментарии2

ИИ не три года

Мы привыкли обсуждать искусственный интеллект в контексте GPT‑архитектуры и бурных трёх последних лет. Но этой области уже почти три четверти века: путь к тому, что мы видим сейчас, был длинным и неровным — с подъёмами, разочарованиями и настоящими «нейрозимами».

Первые идеи

В 1950 году Алан Тьюринг публикует в журнале Mind статью «Computing Machinery and Intelligence», где предлагает имитационную игру, которую мы сейчас называем тестом Тьюринга.

В начале 1950‑х Кристофер Стрейчи пишет для Manchester Mark I «генератор любовных писем» — программа комбинирует слова по шаблону, создавая уникальные послания. Это один из первых примеров генеративного поведения компьютера.

В 1955–1956 годах Джон Маккарти, Марвин Минский, Натаниэль Рочестер и Клод Шеннон готовят «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence» — документ, где термин artificial intelligenceвпервые используется как название новой области.

В том же 1956‑м программа Logic Theorist доказывает теоремы из Principia Mathematica и для одной из них предлагает более короткое доказательство, чем у авторов — пример того, что машина может находить нетривиальные логические решения.

В 1959‑м Артур Сэмюэл публикует работу «Some Studies in Machine Learning Using the Game of Checkers» и показывает, как программа по игре в шашки улучшает стратегию, обучаясь на партиях. Именно в этой работе появляется термин machine learning.

Обучение без компьютера и первая зима

В 1961‑м Дональд Мичи строит MENACE из 304 спичечных коробков и бусин: система учится играть в крестики‑нолики, постепенно «штрафуя» плохие ходы и усиливая хорошие — ранний пример обучения с подкреплением, на котором через полвека будет стоять AlphaGo.

В 1966‑м Джозеф Вейценбаум создаёт ELIZA — чат‑бота‑«психотерапевта», описанного в статье Communications of the ACM. Пользователи привязываются к ней и отказываются верить, что перед ними программа — первое серьёзное предупреждение о том, как легко мы приписываем машине больше понимания, чем у неё есть.

В конце 1960‑х советская шахматная программа обыгрывает программу Стэнфорда 3:1, а в 1974‑м «Каисса» становится первым чемпионом мира среди шахматных программ в Стокгольме — игры становятся полем соревнования уже не людей, а машин.

Энтузиазм, однако, опережает возможности железа и алгоритмов. В 1973–1974 годах доклад Лайтхилла жёстко критикует состояние исследований ИИ, и финансирование многих проектов в Британии и США сокращают. Так начинается первая «зима» искусственного интеллекта.

Вторая волна, нейросети и сегодняшний подъём

В 1980‑х на сцену выходят экспертные системы: тысячи жёстко прописанных правил, миллиарды инвестиций — и быстрое разочарование, потому что системы оказываются хрупкими и плохо масштабируются. К концу 1980‑х рынок рушится, наступает вторая «нейрозима».

К началу 2010‑х наконец сходятся три фактора: большие датасеты, дешёвые параллельные вычисления и удобные фреймворки. В 2012‑м AlexNet на конкурсе ImageNet снижает top‑5 ошибку примерно до 15,3 % против ~26 % у лучших классических алгоритмов и фактически запускает «ренессанс глубокого обучения».

В 2016‑м DeepMind публикует в Nature работу «Mastering the Game of Go with Deep Neural Networks and Tree Search» и AlphaGo побеждает чемпиона мира Ли Седоля 4:1 — задачу, которую считали принципиально неберущейся классическим перебором.

В ноябре 2022‑го OpenAI запускает ChatGPT и за два месяца набирает около 100 миллионов пользователей — один из самых быстрорастущих потребительских продуктов в истории интернета. Данные, вычисления и главное — простой интерфейс делают ИИ массовым, как когда‑то Windows для персональных компьютеров.

Зачем всё это помнить

История ИИ — это не три года хайпа, а десятилетия циклов энтузиазма. Когда в следующий раз столкнетесь со сложностями при внедрении ИИ – вспомните, какой путь прошла эта область от теста Тьюринга до ChatGPT.

Часто сложности это сигнал, что технологии, данные, процессы или ожидания ещё не успели сложиться в работающую систему.

Теги:
+4
Комментарии0

Мы запускаем новый подкаст!

Пилотный выпуск подкаста «Путь ИИ» — о том, как трансформировать бизнес с помощью искусственного интеллекта. Ведущие — Алексей Белкин, основатель belkin.digital и ex Chief Data Scientist блока «Финансы» Сбера, и Максим Ульянов, руководитель клиентской разработки RUTUBE и автор подкаста «Куда расти?». В этом выпуске разбираем методологию Vibe Evolve: девять принципов агентизации бизнеса, почему 90% AI-пилотов проваливаются и как научить компанию пересобирать саму себя быстрее конкурентов.

Из выпуска вы узнаете:

  • Почему 90% AI-пилотов проваливаются и что не так с подходом «от технологии, а не от результата»?

  • Что случится с офисными профессиями, когда агенты возьмут на себя 80–90% работы?

  • Как устроена компания будущего: один основатель с роем агентов или 30 человек во главе корпорации?

  • Какие три качества нужны руководителю, чтобы управлять армией агентов вместо армии сотрудников?

  • Зачем прогонять через ИИ все рабочие артефакты и почему отговорка «это агент накосячил» не принимается?

  • Как собрать единый цифровой контекст, если он размазан по почте, CRM и головам сотрудников?

  • Почему регламенты становятся программным кодом компании и перестают быть «бумажкой для аудиторов»?

  • Что делать с персональными данными и legacy-системами при агентизации?

  • Как работает цикл автоулучшения, в котором агент сам находит проблему и предлагает решение?

  • С чего начать AI-трансформацию: четыре уровня внедрения от культурной нормы до сквозной автоматизации?

Приятного просмотра и прослушивания!

Смотреть на RUTUBE
Смотреть на YouTube
Слушать в Яндекс Музыке
Смотреть в VK Видео
Слушать в аудио

Полезные ссылки из подкаста:

Телеграм-канал «Путь ИИ» - https://t.me/belkin_digital
Телеграм-канал
 ULYANOV.LIFEhttps://t.me/ulyanov_life
Сайт
компании Алексея Белкина - https://belkin.digital
Методология
Vibevolve - https://vibevolve.belkin.digital/

Теги:
+1
Комментарии2

Представлен ресурс Claude Watermark Remover для удаления криптометок из Claude от Anthropic.

Anthropic со 2 августа 2026 года начала внедрять маркировку контента, созданного Claude. В сгенерированный текст встраивается невидимый водяной знак, который не влияет на смысл или читаемость и может сохраняться после копирования и некоторых правок. Это может усложнить использование Claude для написания дипломных работ, книг и исследований. Во все актуальные модели встроили криптометки по стандарту C2PA. Метки невозможно увидеть и они сохраняются даже при копировании на другие ресурсы.

Теги:
+3
Комментарии2

Пчёлы против меда или зачем ставить на паузу развитие ИИ

Один из самых влиятельных конгрессменов США Берни Сандерс призвал технологические компании OpenAI, Anthropic и Meta* поставить на паузу развитие ИИ из соображений безопасности. В противном случае он пригрозил добиться этого законодательным путем.

Опасность развития ИИ он обосновал потерей контроля за моделями, которые стали слишком «умными» и слишком хорошо находят уязвимости в системах. В последнее время много событий, связанных со способностями ИИ. Правительство США запретило доступ иностранцам к новой версии ИИ-модели Fable 5, из-за чего Anthropic пришлось просто отключить доступ к ней. OpenAI заявила, что её новая модель смогла «сбежать» из песочницы, найдя уязвимости в системах, с которыми работала. А ведущий венчурный инвестор Марк Андриссен и глава NVIDIA Дженсен Хуанг ещё в начале года говорили о достижении AGI — универсального ИИ, который может всё. Так может, правда, пора остановиться?

Не думаем, что в развитии ИИ можно сделать паузу. Напомним, что ядерные арсеналы ограничили только после того, как они позволяли СССР и США кратно уничтожить друг друга. В случае же с ИИ — это не только военный инструмент, но ещё и прикладная технология, которая используется каждый день. И если одна страна остановится, то другая её обгонит — как Тайвань опередил США в литографии. Выход LLM Kimi K3, которая обыграла в тестах новейшие модели Anthropic и OpenAI, показал, что любое промедление в разработке ИИ в США просто отдаст лидерство Китаю. Неужели американские разработчики не могут этого разъяснить своим политикам? Сомневаемся.

Показательно, что в один день с заявлением Берни Сандерса глава Meta* Марк Цукерберг выступил с манифестом об опасности ИИ. Главные риски он увидел во власти, которую он может дать технологиям одной стране или компании. Читаем между строк — Meta* отчаянно отстаёт в разработке ИИ: не помогли ни найм гуру технологии лично Марком, ни миллиардные вливания. Компания потихоньку умерила амбиции и даже планирует сдавать собственные GPU-мощности — чтобы получить деньги здесь и сейчас, а не когда-то в будущем от более совершенного ИИ. И вот тут опасения Марка Цукерберга и Берни Сандерса становятся понятны — технология уровня атомной бомбы или изобретения транзисторов есть, а контролируют её какие-то «мутные» стартапы с ненадёжными гендирами. Надо их приструнить. И повод есть отличный. Безопасность. На неё можно будет списать любые меры.

*Деятельность Meta запрещена в России как экстремистская.

Теги:
+29
Комментарии2

Друзья, на ближайшие дни у нас запланировано два бесплатных вебинара:

🟣 13 августа в 17:00 (Мск) — «DevSecOps на практике: Внедрение безопасности в CI/CD за 60 минут»

На реальном кейсе разберем концепцию DevSecOps. Пройдём путь от написания кода до анализа безопасности в пайплайне. Продемонстрируем, как находить уязвимости на ранних стадиях, а затем на практике настроим базовое сканирование. Вебинар пройдет по принципу «Увидеть → Понять → Применить», чтобы вы сразу могли использовать полученные навыки.

✍️ Записаться

🟢 14 августа в 17:00 (Мск) — «5 ошибок нового тимлида в эпоху ИИ: как перейти от личного результата к результату команды»

Практический вебинар для новых и начинающих руководителей ИТ-команд. Разберём пять типичных ошибок перехода из роли сильного специалиста в роль тимлида — от стремления всё делать самому до чрезмерного доверия ИИ — и определим, что руководитель должен делать сам, что передавать команде, а что можно поручать ИИ.

✍️ Записаться

Теги:
+3
Комментарии0

QA без рутины: нагрузка, автоматизация, AI и новые инструменты

В тестировании регулярно появляется новая задача, к которой вчера ещё можно было не прикасаться: проверить сервис под нагрузкой, автоматизировать UI и API, разобраться с трафиком или подключить ИИ к автотестам.

И каждый раз приходится выбирать: долго собирать решение по документации и чужим кейсам или посмотреть, как такую задачу решают на практике.

Собрали бесплатные уроки недели, которые помогут на практике разобраться с наиболее часто встречающимися проблемами.

Нагрузочное тестирование

  • 13 августа, 20:00. «Минимум для старта: как провести свое первое нагрузочное тестирование». Записаться

Автоматизация тестирования

  • 20 августа, 20:00. «Как ускорить создание автотестов с помощью локальных ИИ‑моделей». Записаться

  • 3 сентября, 20:00. «UI и API тестирование с Java и Playwright». Записаться

  • 22 сентября, 20:00. «Playwright JS: как быстро начать писать автотесты?». Записаться

  • 22 сентября, 20:00. «Автоматизация управления трафиком с mitmproxy». Записаться

ИИ в работе тестировщика

  • 2 сентября, 20:00. «ИИ для тестировщика: инструменты, которые уже меняют профессию». Записаться

  • 8 сентября, 19:00. «Автотесты 1С через ИИ: от запуска до контроля результата». Записаться

Game QA

  • 24 августа, 20:00. «Тестирование игровых уровней: как находить ошибки, которые влияют на игровой опыт». Записаться

Выбирайте направление под свою текущую рабочую задачу и приходите разбирать её на практике. Участие в открытых уроках бесплатное, нужто только зарегистрироваться.

А если хочется посмотреть на QA шире — читайте материалы:

Полный список бесплатных уроков августа смотрите в дайджесте.

Теги:
+4
Комментарии0

OpenAI объявила о доступности предварительной версии десктоп-приложения ChatGPT для платформы Linux, предоставляющего интерфейс для использования ChatGPT, ChatGPT Work и ИИ-агента Codex. Приложение доступно для загрузки в форматах deb и rpm в сборках для архитектур x64 и ARM64. Заявлена поддержка дистрибутивов Ubuntu 24.04/26.04, Debian 13 и Fedora 43/44.

Теги:
+5
Комментарии2

Мой топ бэнчмарков

Какую модель запустить на 2xV100, 2x32 GB VRAM: Gemma-4-26B или Qwen-3.6-35B. Обе современные. Обе от топовых компаний, обе мультимодальные, у обеих качественный маркетинг. Количество параметров и требования к железу - аналогичные. Но Gemma абсолютно неконкурентна и в любом типе задач измеримо хуже. В таких грубых случаях бенчмарки отлично описывают модели. Они и в менее грубых помогают, но там уже есть некоторое отклонение от реальности.

https://artificialanalysis.ai/ - Топ-1 по популярности и взвешенности решения. Состоит из 9 бенчмарков и составляет 3 индекса на их основе: интеллект, кодинг и агентные способности. Содержит все модели и добавляет их в течение 2 дней после выхода. Модели OpenAI добавляет день в день. Поменял свой индекс, чтобы показать, что GPT-5.6 Sol лучше Opus 4.8, но если вы пользуетесь только одним бенчмарком - пусть это будет он.

https://deepswe.datacurve.ai/ - бенчмарк SOTA-моделей на реальных задачах программирования. Основной формат представления - процент решённых задач против цены на одну задачу. То есть даже лучше, чем цена за токен, ведь одни модели используют больше токенов, чем другие. Задачи максимально продуманы и глубоки. На данный момент не переполнен и реально показывает полезность моделей для программирования.

https://arena.ai/leaderboard - так же, как и Artificial Analysis, не один бенчмарк, а целая коллекция. Начинал со сравнения пользовательских предпочтений, но сейчас имеет куда больше разделов. Упал в популярности, но всё ещё полезен для нишевых вопросов вроде сравнения качества поиска или генерации картинок

Теги:
+6
Комментарии1

Сейчас широко обсуждается новость, что американские ИИ компании имеют скрытый (внебалансовый) долг в $1.65 трлн. Кто-то уже говорит про $2.1 трлн.

При этом существует ещё и открытый (балансовый) долг в $1.35 трлн. В сумме это получается по крайней мере $3.0 трлн.

Я решил разобраться, как такой долг можно оплатить. Если калькулятор мне не врёт - это по $375 с каждого жителя Земли. Но я бы не расчитывал, что Африка будет активно платить - у них нет денег. И Китай вряд ли - у них есть свои ИИ гиганты. Похоже, что платить будет богатый “золотой миллиард”. По $3000 с человека.

Но эта сумма верна только при условии, что маржинальность будет 100% (т.е. себестоимость вычислений будет равна $0 за токен). Но ведь вычисления трубуют много электричества, которое пока не бесплатное. И главное - конкуренция бешенная. Есть 8-10 моделей близких к топу по качеству. При такой конкуренции маржа должна получаться в 5%. Но положим супер-оптимистичный сценарий в 20%. Это значит, что каждый представитель золотого миллиарда должен заплатить $15000 за ИИ.

Если растянуть это на 10 лет - получается $1500 в год. Это примерно равно месячному медианному доходу в Евросоюзе.

В вот вопрос: что может заставить людей отдавать одну месячную зарплату в год на ИИ в течении 10-ти лет?

Не похоже, что кто-то готов платить такие деньги напрямую. Это может произойти единственным образом - ИИ будет входит в цену потребляемых товаров и услуг, одновременно снижая её. И вот я думаю, на чём можно будет съэкономить.

Согласно статистике, люди в основном тратят деньги на жильё, еду, транспорт и развлечения (рестораны, спорт, культура). Соответственно, надо ожидать следующего:

  • ИИ решит проблему жилья, всем будет хватать квартир и цена аренды резко упадёт

  • С помощью ИИ-технологий будут собираться большие урожаи, и цена еды резко упадёт

  • ИИ улучшит технологии производства автомобилей и снизит цену энергии, из-за чего цена поездок сильно уменьшится

  • Все перейдут на ИИ-развлечения вместо ресторанов и отпуска на море

Мне одному кажется, что все эти события маловероятны в близжайшие годы? Или я что-то упускаю?

Теги:
+6
Комментарии17

Как я принимаю решения с помощью AI или ИИ-шизофреник?

ИИ-шизофреник )
ИИ-шизофреник )

Обычный чат, даже если он настроен хорошо в стиле «ты лучший маркетолог» и бла-бла-бла, всё равно приводит к размытой позиции, к срезанию углов, к обобщениям, а часто нужно решение — типа: «Блин, что делаем сегодня, а что завтра?»

Я использую подход — заставить ИИ жёстко спорить в разных ролях. В споре рождается истина.

Можно натянуть модель «7 шапок» на ИИ и чтобы там 7 ИИ-шек спорили, но для меня эффективнее оказался бинарный спор между двумя ИИ.

И чтобы проще дать оттенок конкретной личности ИИ, лучше сказать прямо: «Ты будешь Илон Маск, а ты — Джефф Безос, тема спора X, начинайте».

Но лучше всего у меня срабатывает одна личность с разными позициями (шизофрения), то есть говоришь: «Вы оба будете Илон Маск, тема такая, спорьте».

В начале я предпочитаю не давать никакого своего мнения и даже не давать им позиции — просто тема такая, позиции выберете сами. Удивительно часто мой LLM-шизофреник выбирает позиции, о которых я даже не думал, смотрит под особым углом.

Потом я могу из результатов спора выбрать ещё вопрос и ещё раз запустить спор, и так за 3–5–7 итераций получается истина.

Больше по теме тут.

Теги:
-2
Комментарии0

Зачем Битрикс24 своя AI-платформа?

Сергей Нотевский — AI Lead в Битрикс24, руководит платформой, на которой работает весь AI компании: от транскрибации звонков до агента BitrixGPT. В новом выпуске обсуждаем, стоит ли компании разворачивать нейросети у себя или брать их как сервис (MaaS), как посчитать железо под открытую модель, почему бенчмаркам нельзя верить, что такое префикс-кэш, и при чём здесь четыре года работы фитнес-тренером.

Из выпуска вы узнаете:

  • Чем разработка с AI похожа на менеджмент и кого из инженеров заменят первым?

  • Как войти в IT без денег на курсы — по самодельной программе за два месяца?

  • Почему Битрикс24 развернул модели у себя и что это даёт клиентам?

  • Что такое MaaS (Model-as-a-Service) и за что вы на самом деле платите в цене токена?

  • Как посчитать, сколько GPU-памяти нужно модели, и при чём здесь квантизация?

  • Почему большое контекстное окно не гарантирует качество и что такое «гниение контекста»?

  • Зачем писать свои тесты для моделей и почему бенчмаркам из релизов верить нельзя?

  • Что такое префикс-кэш и как он экономит до 95% стоимости входящих токенов?

  • Какие роли нужны в команде AI-платформы и что такое харнес (Harness)?

  • Куда расти инженеру в эпоху AI и какой навык теперь важнее конкретных знаний?

Рекомендую выпуск особенно тем, у кого сейчас остро стоит вопрос, разворачивать ли нейросети внутри своего контура. В этом выпуске мы собрали подробный гайд по теме self-hosted AI.

Приятного просмотра и прослушивания!

Смотреть на RUTUBE
Смотреть на YouTube
Слушать в Яндекс Музыке
Смотреть в VK Видео
Слушать в аудио

Полезные ссылки из подкаста:

Битрикс24 — https://www.bitrix24.ru
Битрикс24 Вайбкод — https://vibecode.bitrix24.tech/
Вакансии в Битрикс24 — https://careers.bitrix24.ru/
LMArena (бывш. LMSYS Arena) — https://arena.ai
Context Arena — https://contextarena.ai/
LangFuse — https://langfuse.com/
Статья команды Manus про префикс-кэш — https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus

Ставьте реакции, жмите колокольчики, шерьте друзьям и коллегам, и конечно же, пишите обратную связь, потому что это все поможет мне продолжать и улучшаться. 🙏

Меня зовут Максим Ульянов, я руковожу отделом веб-разработки в RUTUBE, отвечаю за все браузерные интерфейсы: сайта rutube.ru, студии блогеров studio.rutube.ru, всех сателлитов и внутренних продуктов платформы. В свободное время я веду подкасты «Куда расти?» и «Путь ИИ», а так же пишу в Telegram-канале ULYANOV.LIFE про жизнь руководителя в ИТ. Буду рад вашим комментариям и обратной связи!

Теги:
-1
Комментарии5
1
23 ...