Обновить
1024K+

Искусственный интеллект

AI, ANN и иные формы искусственного разума

2 349,46
Рейтинг
Сначала показывать
Порог рейтинга

Галлюцинация — это единственный режим функционирования нейронной сети, а не аномалия. Просто иногда она совпадает с реальностью, а иногда нет. Но лучше бы, конечно, совпадала.

В книге «Беседы с ГигаЧатом: о нейросетях и вообще» мы сравниваем человеческое мышление с машинным. И если человек не осознает альтернатив — он тоже галлюцинирует. Например, мы уверены в реальности сновидения, пока не проснемся. Или другой известный пример: уверенность очевидцев происшествия в своих показаниях, даже если у всех они разные.

С галюцинациями борется сомнение. Но трудно сказать, что первично: то ли наличие альтернатив порождает сомнение, то ли сомнение заставляет рассматривать альтернативы.

В любом случае, для борьбы с галлюцинациями нейросетей, необходимо закладывать в них функцию сомнения. И это тоже осуществляется двумя способами. Первый — сначала нейросеть генерирует альтернативы, а затем сравнивает их между собой. И для некоторых задач это оптимальное решение, вот только очень затратное.

Второй — нейросеть сразу подвергает свой ответ проверке, словно сомневаясь в нем, и уже по ее результатам генерирует альтернативную версию. Для таких проверок суждений и фактов существуют различные методы, к выбору которых можно и нужно подходить гибко, для экономии ресурсов.

Но все эти методы лишь увеличивают качество ответов. Галюцинация, как явление, непобедима в рамках одной нейросети. Даже проверяя саму себя — она галюцинирует. Нейросеть может лишь симулировать сомнение, для котооого необходим "взгляд извне": контроль со стороны или человека, или другой нейросети. Мне кажется.

Как же тогда работает сомнение у людей? Что в нас является таким "внешним наблюдателем"? Видимо, само осознание. А почему оно "внешнее"? Хороший вопрос.

Теги:
+1
Комментарии1

Как сделать первые шаги в программировании и вайбкодинге

Эта подборка поможет разобраться, что такое вайбкодинг и с чего начать, если вы только знакомитесь с разработкой. Рассказываем, чем вайбкодинг отличается от классического программирования, какие знания нужны для старта, какие инструменты выбрать и как формулировать запросы к нейросети, чтобы получать рабочий код.

Вайб-кодинг vs классическое программирование: что выбрать в 2026 году. Разбираем, чем различаются два подхода к разработке, где нейросети действительно ускоряют работу, а где без классических навыков не обойтись. Сравниваем плюсы и минусы каждого варианта и отвечаем на вопрос, можно ли заменить обучение программированию вайб-кодингом.

Как начать вайб-кодить с нуля: пошаговое руководство для новичков. Рассказываем, какие знания пригодятся для старта, как выбрать первый ИИ-инструмент и сформулировать задачу. Делимся пошаговым планом создания первого проекта и разбираем частые ошибки новичков.

Можно ли вайб-кодить без знания JavaScript, Python и HTML. Разбираем, что реально можно сделать без опыта программирования, а что всё равно потребует базовых знаний. Рассказываем про риски слепого доверия нейросети и о минимальной базе, которая поможет вайб-кодить эффективнее.

Лучшие инструменты для вайб-кодинга: Cursor, Copilot, ChatGPT, Claude и другие. Сравниваем популярные ИИ-инструменты для разработки и рассказываем, какие задачи каждый решает лучше всего. Даём советы, как выбрать подходящий вариант новичку.

Как писать промпты для генерации кода: примеры запросов к ИИ. Объясняем, из чего состоит хороший запрос к нейросети и как описывать задачу, контекст и ограничения. Показываем примеры удачных и неудачных промптов и разбираем частые ошибки при их написании.

Все статьи написаны простым языком и подойдут абсолютным новичкам. Также про вайбкодинг можно узнать из вводной части курса по вайбкодингу в Практикуме — это бесплатно, карту привязывать не нужно. Если понравится, можно продолжить обучение уже на основном курсе.

Теги:
+4
Комментарии0

Observability ИИ‑агентов: запустили Monium Traces в Yandex AI Studio

Теперь можно анализировать поведение ИИ‑агентов в Yandex AI Studio с помощью трейсов прямо в UI платформы. Трейсы показывают всю цепочку решений агента и контекст каждого шага — системные промпты, вызовы модели и инструментов, промежуточные результаты. Всё, что реально влияет на поведение агента.

Почему это важно
Observability для агентов устроена принципиально иначе, чем для обычных сервисов, где нам доступен дебаг по коду. В случае ИИ главный материал — большие тексты: системные промпты, сообщения пользователя, ответы модели, вызовы тулов. Даже когда инфраструктура может быть полностью «зелёной» — latency в норме, ошибок нет — агент может уверенно отдавать неверный ответ или уходить в бесконечный цикл вызовов. Классический мониторинг здесь не поможет: он не покажет, почему модель выбрала не тот тул или потеряла контекст.

Анализ трейсов:

  • помогает быстро понять причину конкретных ответов и поведения агентов

  • ускоряет отладку сложных сценариев

  • повышает прозрачность работы агента

  • позволяет точно локализовать узкие места в цепочке обработки запроса

В видео — как выглядит трейсинг в интерфейсе Yandex AI Studio:

Чтобы начать — откройте AI Studio, перейдите во вкладку «Логирование» и подключите отслеживание трейсов моделей и агентов.

Теги:
+9
Комментарии0

LLM, RAG, AI‑агенты и продакшн: открытые уроки по искусственному интеллекту

В AI‑разработке уже мало просто подключить модель по API. В реальных продуктах приходится понимать RAG, дообучение, мультимодальность, поведение LLM, инфраструктуру, качество ответов и вывод моделей в продакшн.

Собрали подборку беплатных уроков для специалистов, которые работают с LLM, ML‑моделями, AI‑агентами, компьютерным зрением и AI‑инфраструктурой. Выбирайте свою тему и присоединяйтесь:

LLM, RAG и адаптация моделей

AI‑агенты и архитектура ИИ‑приложений

ML/DL и компьютерное зрение

Инфраструктура и продакшн

Прикладные сценарии

Что почитать по теме

  1. Как создать своего первого ИИ‑агента за 30 минут

  2. Как работают ИИ‑агенты для разработки

  3. Почему AI‑агенты ломаются на длинных задачах

  4. Как прокачать ИИ‑агента без дообучения: Agent Skills

Больше открытых уроков июля смотрите в дайджесте.

Теги:
+4
Комментарии0

Нашёл робопалец и теперь включаю рабочий компьютер удалённо

Делюсь находкой, которая закрыла мою маленькую, но довольно надоедливую проблему.

Иногда мне нужно подключаться к рабочему компьютеру удалённо. И всё бы хорошо, но дистанционный доступ бесполезен, если устройство выключено. Технология Wake-on-LAN (удалённое «пробуждение» по сети) тоже не спасает: после отключения электричества компьютер полностью обесточивается. 

Раньше решение этой задачи превращалось в отдельный квест: попросить кого-то зайти в офис, объяснить, где стоит системник, какую именно кнопку нажать, дождаться неуверенного «вроде нажал». Но я нашёл вариант проще.

Есть маленький умный толкатель кнопок: пластиковый кубик примерно 4×4 см, внутри один рычажок, который ездит вверх-вниз и физически нажимает на то, к чему его приклеили. Ставишь такой кубик у кнопки питания и дальше включаешь компьютер голосом. Команда – и рычажок жмёт за тебя. Только важно не забыть про шлюз – небольшой хаб, который связывает кубик с интернетом. Настраивается быстро и один раз.

Подключать Алису не обязательно – можно управлять напрямую через приложение SmartLife. Но, если хочется поговорить, можно и управление голосом через Алису добавить :)

Что нравится: ничего не надо перенастраивать, вскрывать или паять. Просто приклеил, настроил и пользуешься. И главное – это универсальное решение для кнопок, которые иначе никак не автоматизировать. Рычажку всё равно, на что давить: старый выключатель, техника без Wi-Fi или любая другая кнопка, до которой неудобно добираться.

Если вам тоже регулярно приходится включать/выключать какие-то устройства, – скорее всего, вы можете отдать эту задачу рычажку. Так что забирайте идею – работает)

Больше интересных постов можно найти в моём телеграм-канале. Там я пишу про управление знаниями и делюсь разными ИИ-находками для дома и не только. Подписывайтесь, чтобы не пропустить новые тексты.

Теги:
0
Комментарии20

При внедрении ИИ-технология вторична: сначала нужно договориться о реальности

Алексей Мезенцев, руководитель AI Lab ОТП Банка, выступил на Молодежном дне международной конференции «Теория игр и Менеджмент» (GTM 2026). В конференции также принял участие известный российский математик Алексей Савватеев и представители других банков и компаний. Спикер ОТП Банка рассказал, почему хорошие ИИ‑инициативы терпят крах на старте и какую ошибку совершают компании при автоматизации.

Мезенцев заявил, что технология искусственного интеллекта может быть выбрана самая совершенная, но это не гарантирует результат. По его словам, ИИ оказывается «слепым», если опирается на неполные или устаревшие данные.

«Сначала нужно договориться о реальности, правилах и выигрыше. Проблема не в модели, а в том, сколько реальности ей доступно», — отметил он.

Опасной зоной руководитель AI Lab ОТП Банка назвал расхождение между официальными регламентами и реальной работой сотрудников. Слепое программирование формальных инструкций может не улучшить, а наоборот, ускорить неверные маршруты.

«Люди не помеха процессу. Они его скрытая „операционная система“. Автоматизация бумажной нормы без контекста живой работы — это путь к тому, чтобы передать ИИ ошибочное решение», — подчеркнул Мезенцев.

Отдельное внимание он уделил выбору приоритетов. На примере известного сервиса Алексей рассказал про лучший способ разрешить спор о развитии продукта: вместо использования сложных фреймворков провести небольшой тест.

«Приоритет — это очередь гипотез, которая оценивается в деньгах. Задача — за минимальные деньги проверить эффект для бизнеса. Если мы не можем доказать ценность идеи, мы должны расставлять приоритеты не по масштабу будущего проекта, а по скорости проверки гипотезы», — объяснил представитель ОТП Банка.

Главное условие успеха: внедрение ИИ работает только тогда, когда выгоду получает каждый участник процесса от клиента до ИТ‑департамента.

«Мы внедряем не модели. Мы меняем правила игры. Идею нужно продать каждому участнику игры», — резюмировал он.

Теги:
+4
Комментарии0

Согласно новому исследованию, ИИ лучше человека в переписке с человеком проходит тест Тьюринга.

При предложении принять человекоподобный образ, GPT-4.5 был признан человеком в 73% случаев. Это значительно чаще, чем участники опроса выбирали реального человека.

Исследование: C.R. Jones, & B.K. Bergen, Large language models pass a standard three-party Turing test, Proc. Natl. Acad. Sci. 2026. DOI: 10.1073/pnas.2524472123

Источник: https://www.facebook.com/4everscience/

Теги:
+4
Комментарии0

Прежде чем тащить ИИ в процесс, сначала разберись что вообще происходит

Приходил недавно в одну компанию. Ребята хотели автоматизировать обработку заявок от клиентов. Уже выбрали инструмент, уже договорились с подрядчиком, уже почти подписали.

Попросил показать как сейчас работает процесс.

Оказалось что заявки приходят в три разных места: почта, телеграм и форма на сайте. Каждый менеджер забирает откуда хочет. Статусы никто не ведёт в режиме реального времени, только отчёты за месяц. Дубли не отслеживаются. Как итог клиентов обзванивают по несколько раз, тратя время и нервы.

Я спрашиваю: а что именно хотите автоматизировать? Они говорят: ну вот этот весь процесс, чтобы было чётко.

Это не автоматизация. Это ускорение хаоса.

Я уже видел такое несколько раз за последний год. Компания чувствует что что-то идёт не так, слышит везде про ИИ, решает что это и есть ответ. Но ИИ не чинит кривой процесс. Он его копирует и делает быстрее.

Правило которое я для себя вывел: если не можешь объяснить процесс новому сотруднику за 10 минут так чтобы он пошёл и сделал, не ломая при этом общую структуру, то автоматизировать ещё рано. Сначала объясни людям, выстрой свою систему, а потом уже автоматизируй.

ИИ хорошо берёт задачи которые уже работают но отнимают время. Повторяющиеся, понятные, с чётким результатом. Всё остальное это не автоматизация а эксперимент за твой счёт.

Кто сталкивался с таким, когда приходили автоматизировать а оказывалось что сначала надо просто навести порядок?

Теги:
+4
Комментарии0

В Anthropic раздают бесплатно доступ на полгода к Claude Max для разработчиков, кто делает коммиты и занимается Open Source проектами. Если поддерживаете важный пакет или сервис или активно участвуете в жизни открытых проекта, то можете подать заявку.

Требования к участникам открытых проектов, которые могут отправить заявку на получение бесплатной 6-месячной подписки Claude Max 20x:

  • Авторы и сопровождающие открытых библиотек, пакеты с которыми насчитывают более 200 тысяч загрузок из каталогов, таких как npm, PyPI, crates.io и RubyGems, или которые используются как минимум в 500 репозиториях или в 100 зависимых пакетах.

  • Ключевые разработчики крупных открытых проектов, имеющие право коммита или входящие в число сопровождающих. В качестве примеров уровня проектов упомянуты CPython, Rust, Node.js, Apache, CNCF, Kubernetes, ядро Linux, Django и Rails.

  • Активные участники разработки, от которых было принято более 100 pull‑запросов в не аффилированные с ними проекты.

  • Создатели сообществ, в разработке которых участвуют 20 и более сторонних разработчиков, от которых принимались pull‑запросы за последний год.

  • Репозитории, применяемые в работе критически важной инфраструктуры (вес 0.4+ в рейтинге OpenSSF).

Теги:
+5
Комментарии0

Манифест контент-опса

Развивая тему ContenOps, я попробовал написать какой-то программный манифест. В DevOps философия базируется на принципах Agile, модели CALMS и концепции непрерывной поставки ценности. Если просто: писать код важно, нужно ещё важнее доставлять надёжно и отвечать за доставленное. Для контента развилка та же, только доставляем мы не код, а то, чему должны верить читатель и модель.

Что мы ценим. По мотивам Agile-манифеста разработки программного обеспечения

🔹Проверяемость важнее объёма.

🔹Правка системы важнее правки текста.

🔹Голос как контракт важнее голоса как чутья.

🔹Ответственность за выпущенное важнее скорости выпуска.

🔹Формализованное знание важнее знания в голове у редактора.

🔹Доверие читателя и модели важнее охвата.

При всей ценности того, что справа, левое мы ценим больше.

Три пути

Джин Ким свёл DevOps к трём принципам: поток, обратная связь, обучение. Они переносятся на редакцию не по аналогии, а по устройству: как только скилл становится кодом, у контента появляются те же поток, дефекты и техдолг, а значит и те же правила.

Поток. В инженерии дефект, ушедший вниз по потоку, дорожает на каждом следующем шаге и портит всё, что строится поверх него. С контентом то же самое, только дефект здесь — непроверенный факт. Пропущенный на своём этапе, он не остаётся ошибкой в одном черновике: его вплетают в аргумент, публикуют под брендом, на него ссылаются — и с каждой ссылкой он всё больше похож на правду. Поймать его при генерации почти ничего не стоит, а отозвать после того, как его опубликовали, уже невозможно. Отсюда правило: факт проверяют на том шаге, где он появился, и без проверки не пропускают дальше, как бы ни горели сроки. И оптимизируют весь поток целиком, а не отдельный скилл, потому что выигрыш на одном участке оборачивается узким местом на следующем.

Обратная связь. В DevOps смысл петли в том, что исправление возвращается к источнику ошибки, а не гасит её последствия. Иначе источник спокойно повторит тот же дефект завтра. У агента источник ошибки — это скилл, поэтому и правку возвращают в скилл, а не в текст. Поправить текст — разовый патч, работа на выброс: сам агент об этой правке не узнает и завтра ошибётся снова. Поправить скилл — значит замкнуть петлю, чтобы ошибка не вернулась. По той же причине проверку встраивают прямо в поток, как CI, а не оставляют на финальную вычитку: чем ближе к источнику пойман дефект, тем дешевле он обходится.

Обучение. В основе третьего пути простое наблюдение: если наказывать людей за сбои системы, они начинают эти сбои прятать, и система ломается незаметно. На редакцию это переносится дословно. Сбой агента — это дефект правила, а не вина редактора, поэтому его и разбирают без поиска виноватых: стоит начать наказывать и о сбоях просто перестанут докладывать. Дальше та же логика тянет за собой остальное. Скиллы копятся и конфликтуют друг с другом, как код, а значит, у контента появляется собственный техдолг и время на его разбор — это работа, а не отвлечение от неё. Устойчивость проверяют раньше читателя: агента нарочно гоняют на граничных случаях, потому что сломать систему самому всегда дешевле, чем ждать, пока это сделает аудитория.

И небольшой вывод

Ничего из вышеописанного не про то, как быстрее генерировать. Это делают все, поэтому объём и обесценивается. Манифест про то, как отвечать за сгенерированное: за цифру, которую не проверили, за голос, который поплыл, за материал, вышедший под твоим брендом.

Кто освоит контентопс в новом смысле, тот и будет редакцией через год. Остальные останутся фабрикой. А фабрика делает то, что дешевеет.

Подписывайтесь на канал, там пишу больше и чаще.

Теги:
+2
Комментарии0

Выигрывайте мерч и бонусы на аренду серверов — сегодня стартует рубрика об истории AI и ML

В 12:00 по московскому времени открываем вторую рубрику ИТ-кроссворда — «История AI и ML». В публикации вас будут ждать вопросы о ключевых событиях, знаковых моделях и личностях, которые повлияли на формирование ИИ.

Зарегистрироваться →

👉 Отвечать на вопросы можно с 12:00 до 18:00 (МСК). Среди призов — комплекты эксклюзивного мерча Selectel и бонусы на аренду серверов.

Напоминаем, что новые рубрики будут открываться ежедневно по 9 июля. Отвечайте на вопросы и набирайте баллы, чтобы выиграть призы. 🦖 Не обязательно бороться за первое место в общем зачете. Победители и номинанты будут в каждой из четырех рубрик!

Теги:
+12
Комментарии0

Промпт‑инженер: почему это уже не «просто писать в чат» - и что это значит для маркетинга

Недавно разбирал, как работодатели описывают роль промпт‑инженера, и поймал себя на стереотипе: я думал, что это человек, который просто формулирует запросы к нейросетям. Оказалось, картина сложнее.

Например, в требованиях часто встречается не только работа с LLM, но и навыки доработки контента. Потому что генерация - это половина дела: чтобы получить результат под реальные задачи, нужно уметь быстро «докрутить» картинку в графическом редакторе, причесать текст, адаптировать под тон бренда. То есть промпт‑инженер - это не только про слова, а про умение доводить генерацию до продакшн‑качества.

Ещё интересный момент про стек: в российских вакансиях заметно смещение в сторону локальных решений. Компании хотят строить процессы на инструментах, которые гарантированно доступны внутри инфраструктуры и не зависят от внешних ограничений. Для маркетинга это значит, что шаблоны, чек‑листы и рабочие процессы всё чаще будут «заточены» под локальные модели и интеграции.

Роль молодая, требования ещё формируются, и это создаёт и возможности, и неопределённость: сегодня нанимают под расплывчатые ожидания, а завтра могут появиться чёткие профили компетенций.

Для маркетолога это сигнал: навык «промпт + быстрая постобработка» становится конкурентным преимуществом. Это не про то, чтобы стать инженером, а про то, чтобы быстрее закрывать типовые задачи и не зависеть от подрядчиков.

А как у вас в работе? Используете ли вы промпты как часть регулярного процесса (контент, креативы, аналитика)? Что реально экономит время, а что пока выглядит как «ещё один инструмент ради инструмента»? Поделитесь в комментариях. 👇

Теги:
+3
Комментарии1

Решил я значит попробовать вайбкодинг всерьез. Не поиграться, а реально взять рабочую задачу и пройти от идеи до переноса, почти без ручного написания кода.

Взял небольшой pet-проект: утилита для мониторинга изменений в директории с уведомлениями в Telegram. Задача понятная, ограниченная, без хитрой бизнес-логики. Первые два дня были магией. Описываешь что хочешь, получаешь код, он работает. Скорость ощущается раза в три выше обычной. На третий день начались проблемы. Модель начала путаться в контексте проекта. Предлагала решения которые противоречили тому что уже было написано двумя часами ранее. Пришлось самому держать в голове всю архитектуру и постоянно напоминать что куда подключено. К концу недели понял главное: вайбкодинг не убирает необходимость понимать что происходит. Он убирает необходимость это печатать. Если не понимаешь архитектуру, инструмент начинает строить что-то своё, и разбираться потом дольше чем написать самому.

Утилиту довёл до конца. Работает. Но половину кода всё равно переписал руками.

Кто использует вайбкодинг в реальных проектах, как решаете проблему с контекстом на больших задачах?

Теги:
+3
Комментарии4

Ближайшие события

Технологии позволят банкам устранить «недолюбленность» клиента

Илья Чижевский, Президент ОТП Банка, принял участие в дискуссии «ИИ в банковском риск‑менеджменте: источник антихрупкости или новый класс уязвимостей» на Международном финансовом конгрессе 2026. На сессии он рассказал о подходе ОТП Банка к внедрению искусственного интеллекта и результатах его применения, а также оценил перспективы его развития на горизонте 3–5 лет.

Глава ОТП Банка подчеркнул, что осторожность банка не означает выжидательную позицию: «Осторожность — это когда банк стоит в стороне и наблюдает. Это, наверное, не про нас». Речь идет о другом — о готовности применять инструмент только там, где он показывает надежный результат.

Как пример того, где взвешенный подход к ИИ уже дал реальный результат, спикер привел практику применения ML‑моделей в риск‑менеджменте. Сегодня в банке работает несколько десятков таких моделей, 36 из них — в рисках. «Эти модели дают нам порядка от 5 до 20% преимущества по Gini в розничных моделях, а экономический эффект по итогам прошлого года исчисляется 2% от чистой прибыли банка», — привел цифры И. Чижевский, отметив, что все инвестиции банка в ИИ оцениваются через измеримый возврат, а не «слепую веру» в технологию.

Вместе с тем была отмечена область, где технология пока не оправдывает ожиданий: модели оценки состояния корпоративных заемщиков на основе открытых источников.

«Мы увидели, что эти модели показывают очень неконсистентные результаты, требуют перекалибровок, — рассказал спикер. — Сейчас они помогают лишь с агрегацией данных, формируют аналитические выжимки, а финальное решение остается за человеком».

Схожая сдержанность сохраняется и в автоматизации немассовых, нетиповых процессов — в отличие от розницы и МСБ, где большое количество повторяющихся операций делает применение ИИ математически более простой задачей. По словам Ильи Чижевского выбранная стратегия не оборачивается для банка потерями: «С точки зрения проигрыша, искренне, абсолютно нет — не видим, что в чем‑то из‑за этого уступаем».

Переходя к теме регулирования отрасли, президент ОТП Банка напомнил, что российский банковский сектор стал одним из лучших в мире благодаря тому, что регулятор давал сектору возможность внедрять инновации, сохраняя при этом разумные ограничения. «На мой взгляд, банковский сектор сейчас является безусловным лидером по внедрению искусственного интеллекта как индустрия внутри нашей страны», — подытожил И. Чижевский. На горизонте 3–5 лет, по его мнению, именно технологии позволят банкам точнее предвидеть потребности клиента и устранить его «недолюбленность».

Теги:
+4
Комментарии1

Что такое SpikeDecoder? Разбираемся вместе с лабораторией искусственного интеллекта «Криптонита».

ChatGPT, Gemini, DeepSeek и другие большие языковые модели (LLM) построены на архитектуре трансформеров. Они тратят много вычислительных ресурсов и, как следствие — энергии, обрабатывая каждый запрос.

Ранее предпринималось множество попыток оптимизировать LLM. Один из популярных подходов заключается в использовании для отдельных компонентов LLM спайковых нейросетей (SNN — Spiking Neural Networks), снижающих объём самых энергозатратных вычислений — с плавающей запятой. Особенно это касается операций перемножения матриц, которые характерны для трансформеров.

При этом разные SNN-адаптации предлагались в основном для энкодеров. Другую часть трансформеров — декодеры, оказалось адаптировать сложнее.

Команда исследователей из Мюнхенского технического университета недавно представила SpikeDecoder — спайковый декодер для LLM. Это полностью спайковый декодер, который обучается напрямую.

В SpikeDecoder используются спайковые нейроны типа LIF (Leaky Integrate-and-Fire). Они перенесены на входы блоков, чтобы полностью исключить умножения с плавающей запятой в остаточных связях (residual connections).

Авторы проанализировали различные варианты нормализации и остановились на степенной (power) достигнув точности 81,7%. Они объединили нормализацию с предшествующими ей линейными слоями, что устранило необходимость выполнять отдельные ресурсоёмкие операции нормализации над спайками.

Разработчики заявляют, что SpikeDecoder снижает потребление энергии до 93% по сравнению с декодером классической архитектуры. Их работа показывает, что архитектуру трансформера можно реализовать полностью на спайках с сохранением обучаемости и драматическим выигрышем в энергоэффективности.

Теги:
+5
Комментарии0

YouTube научили проверять факты прямо во время просмотра — представлено бесплатное расширение для Chrome под названием Popup Fact Check, которое анализирует субтитры с помощью ИИ и сразу сверяет спорные утверждения с надёжными источниками. Пока что проект лучше всего работает с английскими субтитрами. Также решение умеет работать с прямыми эфирами.

Теги:
+5
Комментарии1

Что изучить на неделе: 13 открытых уроков по LLM, Go, QA, ЦОД и управлению

С 6 по 13 июля проведём серию бесплатных уроков для тех, кто занимается разработкой, архитектурой, ИИ, инфраструктурой, безопасностью, тестированием и управлением.

Это темы, которые помогут в решении реальных рабочих задач: от LLM‑приложений и RAG до метрик CTO, балансировки трафика в ЦОД и чистой архитектуры на Go.

ИИ и LLM

  • 6 июля, 20:00 «Как сделать LLM-приложение, которое отвечает клиентам по базе знаний компании». Записаться
    Разберём, как устроить приложение, которое ищет ответы в корпоративной базе знаний и помогает автоматизировать клиентские коммуникации.

  • 7 июля, 20:00 «Обучение с подкреплением — гибкий подход для сложных задач. Создаём собственные окружения». Записаться
    Поговорим о том, как работает reinforcement learning и как создавать собственные окружения для экспериментов и обучения агентов.

  • 7 июля, 20:00 «OWASP Top 10 для LLM-приложений: карта угроз, которую должен знать каждый». Записаться
    Разберём основные риски LLM-приложений: prompt injection, утечки данных, небезопасные плагины и другие типовые угрозы.

  • 13 июля, 18:00 «LoRA и RAG: как адаптировать LLM под свои данные и задачи». Записаться
    Покажем, чем отличаются подходы LoRA и RAG и как использовать их для настройки LLM под конкретные бизнес-сценарии.

Разработка и архитектура

  • 8 июля, 20:00 «Чистая архитектура на Go без карго-культа: слои, DTO и интерфейсы». Записаться
    Разберём, как применять принципы чистой архитектуры в Go-проектах без лишних абстракций и усложнения кода.

  • 8 июля, 20:00 «Продвинутое использование отладчика GDB». Записаться
    Поговорим о возможностях GDB, которые помогают глубже анализировать поведение программы и быстрее находить сложные ошибки.

  • 8 июля, 20:00 «Новшества языка ArchiMate 4.0». Записаться
    Посмотрим, что изменилось в ArchiMate 4.0 и как эти изменения могут пригодиться при описании архитектуры.

Инфраструктура и ЦОД

  • 7 июля, 20:00 «Особенности балансировки трафика ЦОД, чтобы не случилось “всё упало, всё пропало”». Записаться
    Разберём, как устроена балансировка трафика в дата-центрах и какие ошибки могут привести к отказам и перегрузкам.

QA, управление и процессы

  • 7 июля, 19:00 «Как читать баги: метрики для руководителей команд тестирования (QA Lead)». Записаться
    Покажем, какие метрики помогают QA Lead видеть реальное состояние продукта, команды и процесса тестирования.

  • 7 июля, 20:00 «Операция "Воркшоп": как получить поддержку руководства для новой инициативы». Записаться
    Разберём, как подготовить инициативу, провести воркшоп и аргументировать идею так, чтобы её поддержали стейкхолдеры.

  • 8 июля, 20:00 «Метрики CTO: как доказать бизнесу, что инженерная команда работает эффективно». Записаться
    Обсудим, какие инженерные метрики понятны бизнесу и как с их помощью показывать вклад команды в результат.

  • 8 июля, 20:00 «Как писать PRD, ТЗ и user stories с помощью ИИ — быстро, структурно и без мусора». Записаться
    Разберём, как использовать ИИ для подготовки требований, пользовательских историй и технических заданий без потери смысла и структуры.

HR и стратегия

  • 9 июля, 20:00 «HR на языке цифр: от кадров к стратегии». Записаться
    Поговорим о том, как HR-метрики помогают переходить от операционной работы с кадрами к стратегическому управлению людьми.

Больше открытых уроков июля смотрите в дайджесте.

Теги:
+7
Комментарии0

Claude Code превратили в автомобиль — для него сделали механическую коробку передач Model Shift с ручным переключением между ИИ-моделями. Во время работы можно в любой момент переключиться на другую модель для простых задач, а затем вернуться обратно.

Теги:
+1
Комментарии0

Представлен лёгкий браузер для парсинга данных и ИИ‑агентов — открытый Obscura на Rust работает в разы быстрее подобных проектов и занимает меньше ресурсов, чем Сhrome или Firefox:

  • без графического интерфейса — максимальная автоматизация;

  • Stealth Mode, который скрывает признаки ИИ‑агентов. Так сайты не будут распознавать устройство как бота;

  • использует лишь 30 МБ оперативной памяти;

  • сам браузер весит около 70 МБ;

  • грузит страницы за 85 мс;

  • после запуска браузер готов к работе практически сразу без дополнительных настроек.

Теги:
+11
Комментарии2

Написал новую, третью статью из серии «Как работают большие языковые модели»

Почему дорогая LLM дороже: экономика инференса, которую видно в твоём 5-часовом лимите


Что внутри ⤵️

1. Про открытые модели и почему мы используем их как пример
2. Из чего складывается цена токена
3. Про Dense и MoE архитектуры
4. Как считается attention и активные параметры
5. Total ≠ active: тренд на MoE архитектуру
6. Почему output-токены дороже input
7. Reasoning-токены как невидимый output, за который тоже приходится платить
8. Context Window и KV-cache — почему длинный контекст дорогой
9. Как посчитать вес одного токена и из чего он складывается
10. В чем разница между KV-cache и prompt caching
11. За счет чего фронтир модели стоят в разы дороже
12. Почему дорогая модель чаще всего реально «умнее»
13. Как всё это итого собирается в 5-часовой лимит

14. И как бонус — сортировка open-weight моделей по active и total

---------------

Вот две предыдущие статьи из этой же серии

Прочитав эту серию постов, вы станете намного лучше понимать принцип работы современных LLM и агентных систем

Теги:
+4
Комментарии0