Искусственный интеллект

Инфраструктура для разработки на гиперскорости: сервисы самообслуживания и MCP в HyperDrive

ИИ уже помогает писать код за минуты. Но путь до рабочего сервиса по-прежнему занимает дни или недели — из-за ручных инфраструктурных процессов, тикетов и согласований.

На вебинаре покажем, как Internal Developer Platform меняет эту модель: разработчик получает готовую инфраструктуру через каталог стандартных сценариев, а DevOps-инженер управляет платформой, шаблонами и политиками.

Ключевые темы:

• Почему инфраструктура стала главным ограничением скорости разработки

• Почему модель «разработчик → тикет → DevOps» больше не масштабируется

• Что такое Internal Developer Platform на практике

• Как меняются роли DevOps и ИБ

• Как ИИ-агент безопасно и предсказуемо взаимодействует с инфраструктурой через Model Context Protocol

• Живое демо новой IDP-функциональности в HyperDrive: создание окружения, self-service, GitOps, встроенные политики безопасности и путь от запроса до готовой инфраструктуры

Кому будет полезно:

• CTO

• CIO

• Head of Platform Engineering

• Head of DevOps

• Руководителям разработки

• Platform Team

• DevOps-инженерам

Спикеры:

Павел Лавров
Лидер продукта HyperDrive, Orion soft

Даниил Рахновский
Архитектор продукта HyperDrive, Orion soft

Регистрация по ссылке

Локальный ИИ в компании - когда это оправдано

Читал недавно материал про то что локальный ИИ в 2026 году становится нормой для многих компаний. Хочу добавить продуктовый угол к этой теме.

Запускал несколько проектов где вопрос «облачная модель или локальная» стоял всерьёз. Вот когда локальный вариант действительно оправдан.

Работа с персональными данными. 152-ФЗ не оставляет выбора если у вас данные российских пользователей и вы хотите их гонять через LLM. Либо обезличиваешь до потери смысла, либо поднимаешь локально. Третьего нет.

Предсказуемые затраты при больших объёмах. Облачные API дешёвые пока объём маленький. При тысячах запросов в день считать токены становится болезненно. Локальная модель это капитальные затраты один раз.

Специфический домен. Если задача очень узкая - юридические документы конкретной компании, внутренняя документация, корпоративный стиль - дообученная локальная модель часто бьёт универсальную облачную по качеству на этой задаче.

Когда локальный вариант не оправдан: когда хочется попробовать и посмотреть. Разворачивать инфраструктуру под гипотезу которую ещё не проверили - дорого и медленно. Для экспериментов облако лучше.

Кто уже пробовал локальные модели в продакшене - какие задачи закрываете?

Как жить, когда всё вокруг меняет лицо

Мир не стоит. Он идёт, и идёт быстро. Машины берут на себя то, что прежде делал человек руками и головой. Многие пугаются и ждут, что завтра их труд станет ненужным. Но страх - плохой советчик. Правда проще.

Человеку нужно не угадывать будущее, а жить так, чтобы быть крепким при любом будущем. Иметь запас хлеба и денег на несколько месяцев. Не зависеть от одного хозяина и одной работы. Делать то, что требует совести, внимания и живого отношения к людям. Машина может считать и писать, но она не может отвечать за дело и любить.

Учись пользоваться новым орудием, но не отдавай ему своей головы. Сначала думай сам, потом спрашивай. Проверяй. Иначе ум ослабеет, как рука, которой перестали работать.

Береги здоровье - своё и семьи. Держи дом в порядке. Не копи хаос ни в бумагах, ни в душе. Учись долгому вниманию. Читай. Пиши. Разговаривай с людьми лицом к лицу. Все то человеческое простое, но именно оно не устаревает.

Прогресс неизбежен, его прекращение означало бы гибель цивилизации...

НО ... Детей не надо торопить к машинам. Дай им сначала твёрдую основу научи читать, писать, считать, думать до конца, отличать правду от лжи. Пусть сначала сами ищут ответ, а уж потом смотрят, что предложит машина. Так они вырастут не слугами инструмента, а хозяевами своей мысли.

Семье полезны простые правила: есть время без экранов, первый черновик - своими силами, каждое важное утверждение - проверять. В этом нет ничего нового. Так жили люди всегда, когда хотели сохранить ясность.

Внешний мир может стать беспокойным и чужим. Но внутренний порядок - работа, правда, забота о ближних, спокойствие духа всегда остаётся в нашей власти. Кто держит это, тот не пропадёт. Кто гонится за суетой и страхом, тот уже потерян, даже если у него всё ещё есть работа.

Живи просто. Делай своё дело честно. Учись. Люби. Не жди, что мир станет удобным. Стань сам твёрдым.

«Не верьте продавцам страха»: поговорили про ИИ и разработку с Тимуром UlbiTV

Недавно в гости на подкаст к нашему техлиду Саше Стародубцеву заглянул фронтенд-мастодонт и автор популярного YouTube-канала и Telegram-сообщества Тимур UlbiTV.

В выпуске ребята обсуждают:

• заменит ли ИИ разработчиков;

• агентов и автоматизацию разработки;

• вайб-кодинг и качество кода;

• найм, стажеров и джунов в эпоху ИИ;

• обучение с ИИ и пет-проекты;

• эволюцию и будущее разработки.

Смотрите на площадках: YouTube | VK Video | RuTube

От ядра Linux до дообучения языковых моделей: открытые вебинары недели

Как устроить обмен сообщениями между сервисами, найти причины сбоев в распределённой системе, превратить бизнес‑требования в понятные задачи или подготовить модель к работе в реальной среде?

С 3 по 6 августа эксперты OTUS проведут 24 бесплатных демо-урока по разработке, инфраструктуре, архитектуре, аналитике, машинному обучению и другим направлениям. Выбирайте интересующую область и присоединяйтесь.

Системное администрирование, сети и безопасность

• 3 августа, 20:00. «Что такое модуль ядра. Как его написать, собрать, запустить». Записаться

• 3 августа, 20:00. «MPLS для корпоративных сетей: мифы, реальность и практика». Записаться

• 3 августа, 20:00. «Какие результаты должен давать DevSecOps‑проект бизнесу и команде». Записаться

• 4 августа, 20:00. «OpenTelemetry — наблюдаемость на блюдечке». Записаться

Разработка и программирование

• 3 августа, 20:00. «Использование брокера сообщений Apache Kafka в распределённых очередях». Записаться

• 3 августа, 20:00. «Оживляем код: первые шаги в ООП на Python». Записаться

• 3 августа, 20:00. «Go: управляем памятью как профи. Массивы, слайсы и мапы». Записаться

• 4 августа, 20:00. «Многозадачность в Python: асинхронность, процессы, потоки». Записаться

• 4 августа, 20:00. «Секреты межсервисных запросов: как сделать приложение быстрым и надёжным». Записаться

• 5 августа, 20:00. «Битва нативных платформ: Spring Boot 4, Quarkus, Micronaut, KMP, Go и Rust». Записаться

• 5 августа, 20:00. «Как AI меняет работу C#‑разработчика». Записаться

Архитектура, системный и бизнес‑анализ

• 4 августа, 19:00. «Будущее корпоративного архитектора: навыки, тренды, технологии». Записаться

• 4 августа, 20:00. «Как аналитику работать с рисками». Записаться

• 5 августа, 20:00. «Влияние нефункциональных требований на архитектуру». Записаться

• 5 августа, 20:00. «MVP глазами бизнес‑аналитика: от идеи до первых функций». Записаться

• 6 августа, 20:00. «Пользовательские сценарии на реальном примере: от бизнес‑требования заказчика до формулирования задачи для разработчика». Записаться

Машинное обучение и работа с данными

• 4 августа, 20:00. «PostgreSQL как память ИИ‑агентов: MVCC, очереди и партиции под нагрузкой». Записаться

• 5 августа, 20:00. «Сделайте модель своей: дообучение LLM методом QLoRA без кода». Записаться

• 6 августа, 18:00. «Практика работы с Docker — ввод модели в эксплуатацию». Записаться

• 6 августа, 20:00. «Базовая структура ML: задачи, pipeline, метрики и функции потерь». Записаться

Битрикс24

• 3 августа, 20:00. «Кастомизация компонентов в Битрикс24». Записаться

• 4 августа, 19:00. «Эффективная работа с диском Битрикс24». Записаться

Управление проектами

• 5 августа, 20:00. «Оценка проекта: от интуитивных догадок к системному подходу». Записаться

Тестирование игр

• 4 августа, 20:00. «Как стать тестировщиком игр: первый шаг в GameDev». Записаться

Больше открытых вебинаров августа по разработке, инфраструктуре, аналитике, управлению и другим направлениям собрали в дайджесте месяца.

Открытый проект .MD this page позволяет преобразовать веб-страницу в чистый Markdown, готовый для ChatGPT, Claude, Gemini и других нейросетей. Решение очищает код сайта от рекламы, баннеров и другого мусора для отправки на обработку в ИИ. Есть предпросмотр, экспорт в .md и опция для мгновенного копирования сайта.

Андрей Карпаты рассказал о текущем состоянии работы нейросетей по промпту «нарисуй пеликана на велосипеде»:

Мы начинаем выходить за рамки тестирования LLM, например, с помощью запроса «создать SVG‑изображение пеликана на велосипеде». В качестве примера для обобщения, мне было интересно, что бы сделал Opus 5, если бы я дал ему первый абзац «Властелина колец», бюджет в 1 млн токенов (~$10) и попросил три рендера на JavaScript. Opus потратил около двух часов и написал 5500 строк кода, которые (процедурно) отрисовывали историю. Это немного коряво, но забавно. Но немного поразительно, что LLM должен размещать и координировать различные полигональные объекты в координатах (x,y,z) и писать код, который анимирует все это, и что он вообще что‑то делает.

Мне также нравятся подобные примеры, потому что никто в здравом уме не стал бы тратить время на написание чего‑то настолько уникального, но у LLM хватает выносливости и терпения, так что это пример того, как мы переходим от «никто бы этого не сделал» к «конечно, почему бы и нет, это же ~бесплатно». Возможно, таких примеров гораздо больше. Но меня вдохновляет создание гипер‑пользовательских миров, в которые можно было бы погружать игроков, например, чтобы они могли участвовать в истории «Властелина колец» в качестве NPC‑зрителя, или одного из персонажей, и так далее. Что‑то вроде эфемерной GTA X по запросу.

И последнее: область миров/игр выявляет слабость LLM: им трудно проверять свою работу, потому что они не способны эффективно и интуитивно воспринимать видео или играть в игры внутри них. В данном случае, Opus 5 пришлось очень медленно и кропотливо делать скриншоты в разных точках, и это несколько раз приводило к ошибкам и создавало кучу глюков. Пример тех самых возможностей (мультимодальные функции, игровой процесс), которым, на мой взгляд, пока ещё явно не хватает.

ChatGPT помнит меня. И это пугает

Недавно поймал себя на одном нехорошем ощущении.

ChatGPT теперь помнит не только содержание текущего чата. Он помнит мою машину, разговоры с врачами, проекты, над которыми я работаю, статьи, которые писал. Иногда достаточно намекнуть: «мы это уже обсуждали», — и он действительно продолжает разговор с того места, где мы остановились.

И вот тут становится не по себе.

ИИ знает обо мне уже очень много. Слишком много!

Где же приватность, конфиденциальность?

Не разговаривать с ним на эти темы? Шифроваться? Как вариант да. Но и комфортность общения пропадает, разговоры с оглядкой, конспирация…

А что будет через несколько лет? Не окажется ли так, что он будет помнить обо мне больше, чем я сам?

И сразу вспоминаются посты ИИ-энтузиастов, которые строят сложные системы из агентов, моделей, циклов, внешней памяти… А потом неожиданно начинают говорить о создании собственной цифровой копии.

Еще недавно это звучало как фантастика.

Но ведь подобные идеи появляются уже не впервые.

Когда вышел iPod, многие сравнивали плейлисты известных людей и пытались по ним делать выводы об их характере и привычках.

Потом журналисты называли iPhone «вторым Я», потому что в нем оказалась значительная часть жизни человека.

Однажды мой знакомый попросил помочь с компьютером. Больше всего он переживал за жесткий диск. Там были фотографии, музыка, письма — часть его жизни. Потерять диск означало потерять часть самого себя. И что останется без этой части?

Тогда мне пришла на ум еще одна ассоциация. Космонавты перед стартом идут к ракете, а в руках у каждого небольшой чемоданчик, соединенный со скафандром. В нем находится система жизнеобеспечения.

Похоже, человечество постепенно носит такой «чемоданчик» уже много лет. Сначала фотографии и документы. Потом смартфон. Теперь — ИИ, который начинает помнить не только наши файлы, но и наши мысли, проекты, привычки и историю общения.

Возможно, это просто очередной этап развития технологий.

А возможно — начало совсем другой эпохи, в которой цифровая память станет продолжением человеческой личности.

В общем, ассоциаций много, а вопрос один - неужели мы действительно движемся в эту сторону?

«Скажите спасибо, что с хлебом останетесь»: почему авторы ИИ-гайдов переходят к снобизму в комментариях?

Знаете ощущение когда сказать, что я "****л" это ничего не сказать?
Такое ощущение у меня возникло от статьи https://habr.com/ru/articles/1064580/ и комментариев автора @Alexey_Begin

При прочтении статьи и комментариев видно как автор унижает разработчиков в ключе "вы ещё не доросли до вайбкодинга". Почему это остатёся на хабре?

Жалоба в саппорт подана. Но удивляет равнодушие и не способность ответить агрессивному инфоцигану. Всем добра и справедливости.

С structural уязвимостью оберточного AI-бизнеса: почему следующий уровень — это агрегаторы

Сейчас на рынке AI происходит массовое явление, которое можно описать мемом про «волка в бикини». Один видит успешный продукт, другие начинают слепо копировать его форму, не меняя суть.

Но в случае с ИИ это явление приобрело масштаб эпидемии не из-за человеческой глупости, а из-за падения стоимости разработки до нуля. Давайте разберем, как это меняет структуру рынка и где здесь возникает бизнес-уязвимость.

Шаг 1. Что скопировали все (базовая архитектура)

Посмотрите на 90% AI-сервисов, появившихся за последний год. Их бизнес-модель выглядит максимально просто:

Пользователь → Чат-бот (обертка) → Одна модель (GPT / Claude / DeepSeek)

Предприниматель не строит инфраструктуру. Он делает удобную оболочку, берет API и продает доступ.

Шаг 2. Почему это произошло именно сейчас

Раньше создание такого сервиса требовало денег на разработчиков. Сегодня сам ИИ (тот же Claude) пишет фронтенд, бэкенд и дизайн за неделю. UX паттерны чат-ботов стандартизированы, их легко скомпилировать.

В результате на рынок вылилось переизбыток абсолютно идентичных продуктов. Стоимость входа упала, барьеры исчезли.

Шаг 3. Появление структурной уязвимости

Когда рынок перенасыщен идентичными одноуровневыми продуктами, всегда открывается структурная уязвимость. Она заключается в том, что становится выгодным создать следующий уровень абстракции.

Архитектура меняется с этой:

Пользователь → Чат-бот → (GPT или Claude)

На эту:

Пользователь → Чат-агрегатор → Множество чат-ботов/моделей → (GPT, Claude, DeepSeek, Gemini)

Шаг 4. Почему агрегатор забирает рынок

Пользователю в 2026 году уже в большинстве случаев плевать, какая именно модель работает под капотом. Ему не нужен «доступ к Claude» или «доступ к GPT». Ему нужно решить задачу: написать код, перевести текст, сделать анализ.

Агрегатор снимает с пользователя необходимость выбирать. Он работает по принципу ИИ-агента (то, что сейчас продвигает Microsoft): пользователь не открывает разные программы, он отдает команду, а система сама решает, куда ее направить:

Запрос на код → уходит в Claude.

Поиск и анализ → уходит в Gemini.

Локальная быстрая задача → уходит в локальный DeepSeek.

Пользователь сидит за одним столом и заказывает всё что угодно из всей отрасли.

Шаг 5. Аналогия с парком аттракционов

Представьте парк развлечений.

Текущие оберточные боты — это люди, которые стоят у каждого аттракциона и продают отдельный билет: на колесо обозрения, на тир, на карусель.

Агрегатор — это единое приложение парка. Вы покупаете абонемент, заходите и просто говорите: «Хочу покататься». Система сама ведет вас на свободный аттракцион.

Когда на входе в парк стоит 500 продавцов отдельных билетов (оберточных ботов), спрос на них падает, потому что появился один человек у входа, продающий удобство выбора.

Итог

Бизнес-уязвимость «волка в бикини» на рынке AI не в том, что клоны делают плохой продукт. А в том, что массово копируя устаревающую одноуровневую архитектуру Пользователь-Бот-Модель, они сами подготавливают почву для своего собственного поглощения агрегаторами нового типа.

Строить еще одну обертку под одну модель — это продавать билет на карусель, когда напротив уже открывается касса всего парка. Пишите что не умеет ИИ в 2026 - году).

Апдейт карты AI safety грантов и программ (1 августа)

Прилетел свежий апдейт.

Живой документ.

Что горит в августе

• 2 авг - FASR: fully funded резиденция в Cambridge, security + hardware verification

• 6 авг - FAST (SASH): 5 дней в Сингапуре, AI control и open-weight security

• 8 авг - DeepMind x Schmidt x CAIF x ARIA: пул до $10M на multi-agent safety

• 8 авг - TARA: бесплатно, ARENA-курс, APAC

• 9 авг - Better Futures Fellowship: удаленка, AGI preparedness

• 9 авг - Sentient Futures Incubator: welfare / digital minds

• 16 авг - Longitude DC Intensive: техническая safety в policy

• 16 авг - GovAI Research Scholars: открылась, London / DC, 1 год

• 17 авг - AIAF Fellowship: $12k + компьют, удаленка, техническая alignment

• 18 авг - SPAR (менти): part-time, удаленка

• 23 авг - Lightcone Commons и Corrigibility Research Fund

Что добавилось нового

Программы и феллоушипы: AIXI Labs, AIAF Fellowship, FASR, FAST, Syntony, TARA, Sentient Futures, Longitude, Iliad Intensive, AISB, Better Futures, Frame, Generator, BASE, Atlas Computing.

Фонды и гранты: Iliad RFP, AIAF grant, Paradigm 3, Halcyon Futures, Lightcone Commons, IFP Launch Sequence, AI Safety Research Fund, Corrigibility Research Fund, микрогранты Leo Gao, CLR Fund.

Суммы и дедлайны меняются, так что перед подачей всегда проверяйте официальную страницу.

---

Mrs Wallbreaker or: How I Learned to Stop Worrying and Love the AGI. 
About AI Risk, AI Alignment, AI Safety, AI Ethics
https://t.me/MrsWallbreaker

Как кусок ламината помогает не сжечь насос

Продолжаю делиться небольшими решениями для умного дома, которые спасают не столько время, сколько технику и нервы.

В доме у меня стоит накопитель для воды. Вода сначала поступает в него, а уже потом распределяется по системе. Это помогает пережить отключения: даже если подачу временно перекрыли, в запасе остаётся некоторый объём.

После накопителя установлена насосная система, которая поддерживает нормальное давление в доме.

Я столкнулся с проблемой: если воды долго нет, запас в накопителе постепенно заканчивается. Насос при этом продолжает гонять воздух и работать всухую. Соответственно, возникает риск: насос перегревается и в какой-то момент может просто напросто сгореть.

Чтобы не следить за уровнем воды вручную, я поставил на накопитель датчик. А насос подключил через умную розетку.

Получился довольно простой сценарий:

– датчик следит за уровнем воды; 
– когда вода опускается ниже минимальной отметки, система получает сигнал; 
– умная розетка отключает насос; 
– когда вода возвращается, насос можно снова включить.

Правда, без небольшого креатива не обошлось.. Закрепить датчик прямо на накопителе не получилось, потому что крышка была неровной. В итоге установил его на кусок ламината и уже эту конструкцию разместил сверху.

Выглядит, конечно, не как заводское решение, но зато 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.

В конце июля 2026 года Google выкатила возможность генерировать по промпту с помощью ИИ для генерации изображений Nano Banana разные объекты на картах Google Earth. Инструмент позволял приблизить любую точку на карте и создать там новый снимок по текстовому запросу. В Google предлагали использовать эту опцию для визуализации исторических событий, инфографики, архитектуры и планирования строительства. Инструмент был доступен пользователям по всему миру.

Пользователи сразу начали создавать на картах взрывы ядерных бомб в разных местах и различные разрушения. После этого в Google через пару часов поняли, что натворили и быстро убрали опцию из общего доступа.

В Google подчеркнули, что сгенерированные изображения были помечены как созданные ИИ и не отображались в основной версии Google Earth для других пользователей. Однако после волны критики компания решила временно полностью отключить эту функцию.

Появилась возможность получить доступ к Google AI Plus на 1 год в рамках партнёрской программы Internshala для работы, учебы и других задач.

После регистрации получите БЕСПЛАТНУЮ подписку на Gemini, NotebookLM, Flow и 400 ГБ облачного хранилища.

Что нужно сделать:

• зайти по адресу https://internshala.com/;

• создать учётную запись;

• найти предложение Google AI Plus для аккаунта;

• нажать на предложение и активировать план;

• Прикрепить карту. С карты ничего не спишут, а дадут подписку бесплатно на целый год. Изначально акцию сделали для студентов, но пользователи утверждают, что она активируется и на обычных аккаунтах.

Мы выпускаем образовательный ресурс open-explainable-ai.  

Котятки, образовательный ресурс open-xai. 

Ресурс построен как единая точка, где можно учиться просто всему, что есть в интерпретируемости. От классических методов, до геометрии и математики в моделях.

Сейчас в нем:
 ⁃ 2 трека. XAI Practitioner — объяснять поведение моделей руками, от классики до LLM. Math of LLMs — математика и mechanistic interpretability изнутри модели, на уровне весов и схем.
 ⁃ 17 тематических блоков — сквозняком от линейной регрессии до Sparse Autoencoders.
 ⁃ 50+ методов интерпретируемости в одной программе.

Мы (t.me/MrsWallbreaker и t.me/jdata_blog, спасибо ей еще и за этот текст) открываем ресурс и открываем первые два (часть ресурса будет бесплатной и такие блоки будут открываться первыми сейчас). 

Открытые с сегодня блоки погружают в термины и мир интерпретируемых моделей. После модулей вы никогда больше не сможете смотреть на них прежними глазами)  

Это только начало галактики — и новые модули будем докатывать. Для понимания апдейтов можно завести аккаунт: https://open-xai-platform.web.app/register (письмо-подтверждение может упасть в спам — гляньте туда, если не пришло).

Тыкать, пробовать и делать баг-репорты (мы надеемся, что последнего будет мало) сюда: https://open-xai-platform.web.app

Сколько на самом деле стоит локальная LLM?

Привет, Хабр! Я Дмитрий Емец, тимлид отельного поиска в Островке.

Как и многие, до какого-то момента я воспринимал локальные LLM как «свои»: модель скачана, компьютер уже куплен, API-ключ не нужен. Запустил — и работаешь.

Но с чем я сравниваю локальный запуск — с API или с нулём?

Решил прикинуть: привести оба варианта к одной метрике — стоимости 1 млн выходных токенов. 

Сразу оговорюсь: это не сравнение качества моделей. Одинаковый объём генерации не означает одинаковое число решённых задач.

Розетка — не главное

Для расчёта беру домашнюю сборку с RTX 5080. Заявленное потребление видеокарты — 360 Вт, поэтому для грубой оценки закладываю 500 Вт на всю систему под нагрузкой.

Тариф — 10,4 ₽ за кВт·ч, верхняя граница из моих московских тарифов.

0,5 кВт × 10,4 ₽/кВт·ч = 5,2 ₽ в час.

Электричество стоит меньше шести рублей в час. Но API продаёт токены, поэтому важна скорость генерации. 

Возьмём три условных сценария: 10, 20 и 40 токенов в секунду. Конкретная скорость зависит от модели, квантизации, размера контекста и движка.

Один миллион токенов при таких скоростях генерируется примерно за 28, 14 и 7 часов. Значит, электричество обойдётся в:

• 145 ₽ при 10 ток/с;

• 72 ₽ при 20 ток/с;

• 36 ₽ при 40 ток/с.

И это всё ещё не основная статья расходов.

Железо меняет картину

Моя сборка стоит около 370 тыс. ₽. Чтобы оценить её стоимость, предположим, что она куплена преимущественно ради локального инференса и амортизируется три года без учёта остаточной стоимости: 250 рабочих дней в году по восемь часов.

370 000 / 3 / 250 / 8 ≈ 62 ₽ в час.

При полной полезной загрузке амортизация на 1 млн выходных токенов составит:

• около 1710 ₽ при 10 ток/с;

• около 860 ₽ при 20 ток/с;

• около 430 ₽ при 40 ток/с.

С учётом электричества получаем примерно 1860, 930 и 460 ₽ соответственно.

Расчёт предполагает, что все учтённые часы GPU действительно генерирует полезные токены. Если система простаивает, фактическая цена токена растёт. Если компьютер уже был куплен для других задач, наоборот, полную стоимость сборки относить на LLM некорректно: тогда имеет смысл считать только дополнительные расходы и стоимость занятого GPU-времени.

С чем сравнивать API

У провайдеров входные и выходные токены обычно оплачиваются отдельно. Для сопоставимости я беру только выходные токены. Время обработки входного контекста локально тоже не учитываю, поэтому для длинных запросов этот расчёт будет нижней оценкой.

По открытым тарифам порядок цен такой: 

• бюджетный сегмент (GPT-5.4 nano, Gemini 3.1 Flash-Lite) — 50–150 ₽ за 1 млн выходных токенов;

• средний сегмент (GPT-5.6 Terra, Gemini 3.5 Flash) — 450–1000 ₽;

• верхний сегмент (Claude Opus 5, GPT-5.6 Sol) — 1500–3000 ₽.

Цены округлены по официальным тарифам и курсу на 31 июля 2026 года. 

Получается:

• при 10 ток/с локальный запуск по цене попадает в верхний сегмент API — 1860 ₽;

• при 20 ток/с он сопоставим со средним — 930 ₽;

• при 40 ток/с начинает выглядеть конкурентно — 460 ₽, но только при высокой загрузке и без учёта различий в качестве моделей.

Когда локальный запуск оправдан

Локальная LLM не становится бесплатной только потому, что счёт за API не приходит. Главные параметры — стоимость железа, скорость генерации и загрузка.

Экономика может сойтись, если GPU уже куплен, регулярно используется и локальная модель решает нужную задачу не хуже доступной альтернативы. Если железо приобретено специально и большую часть времени простаивает, «свои токены» просто скрывают расходы внутри покупки.

Но цена — не единственный критерий. Приватность, офлайн-работа, предсказуемость и полный контроль могут оправдать локальный запуск даже без выигрыша в рублях.

Для ряда моих задач локальные LLM пока не выстрелили. В сложной разработке с большим контекстом быстро упираешься в объём памяти, а подходящее железо стоит несопоставимо дороже подписки за условные $20 в месяц. 

А для вас локальная LLM уже стала рабочим инструментом — или пока остаётся дорогим хобби? Расскажите в комментариях.

Подключайся к онлайн-митапу MWS — эксперты поделятся опытом организации стабильных Go-сервисов ⚙️

MTC Web Services (MWS) приглашает на митап для Go-разработчиков. Подключайтесь онлайн к встрече 11 августа в 15:00, чтобы узнать, как эксперты из MWS и Cloud.ru строят высоконагруженные системы. Спикеры разберут три ключевых слоя Go-сервисов на реальных кейсах и продакшн-опыте.

Вас ждет три технических доклада:

1. «Построение агентов на A2A с изолированным исполнением на Go»

Go-разработчик Вера Касьяненко из MWS расскажет, как построить ИИ-агентов  с выполнением потенциально опасных действий в изолированной среде, используя A2A и Client-go, и какие ограничения необходимы для этой изоляции. Она разберет модель угроз, жизненный цикл задачи и ограничения для безопасного исполнения.

2. «Как разрабатывать эффективные и экономичные Kubernetes-операторы на Go»

Алексей Ковалев из Cloud.ru на примере реального cluster-wide оператора покажет, как снизить потребление памяти с 7,5 ГБ до 400 МБ, а P95 цикла согласования —- со 150 до 40 мс. Он расскажет о кешировании, индексации и балансе между производительностью и стоимостью.

3. «Точный Rate Limiting на API Gateway в мульти-ЦОД инфраструктуре»

Андрей Пушкарев из MWS Octapi расскажет, почему готовые решения Redis, In-Memory Data Grid и Gossip-протокол — не выдерживают требований по нагрузке и латентности в их инфраструктуре, и как они написали собственную систему шеринга состояния и алгоритм ограничения нагрузки на бэкенд.

📅 Когда: 11 августа (вторник) в 15:00, онлайн

👉 Регистрируйся, чтобы послушать про опыт инженеров, задать вопросы и обсудить собственные кейсы.

Увольте дизайнера, избавьтесь от Figma

10+ лет я просил дизайнеров делать clickable prototype, чтобы потом, спустя спринт или два, не переделывать. Но им было некогда.

Теперь дизайнер не нужен: любой Front любой сложности LLM собирает за минуты, и если нужны два варианта — посветлее и потемнее, — то это еще 2 минуты.

Но самое главное — мысль, которая возникла в голове у Product Owner, сразу материализуется. 

И это не просто clickable prototype, это рабочий продукт, который можно наживую править. 

Первая версия всегда говно. Я так за один день сделал 30+ изменений и наконец увидел то, что было у меня в голове. 

И самое главное: мысль в голову Product Owner может прийти в 6 утра, и не надо ждать, пока все проснутся и заведут свою Figma. 

К 8 утра ты уже получаешь материализованную мысль, которая выглядит отлично и работает, остается только докрутить Backend до идеала.

Как вы поняли, аналитиков в этом loop тоже нет — они тоже не нужны 🙂

Больше по теме тут.

Как подключить брокерский счёт к ChatGPT и другим ИИ-сервисам?

«Финам» интегрировал платформу FinamTrade с искусственным интеллектом через стандарт MCP (Model Context Protocol). Теперь любой пользователь может “подружить” свой брокерский счёт с ИИ-ассистентом — ChatGPT, Claude или любым другим сервисом, который поддерживает MCP. Всё настраивается за пару минут через веб-версию FinamTrade: выпускаете токен, подключаете — и можно получать аналитику и ответы на свои инвестиционные вопросы обычными текстовыми запросами, прямо в чате.

Что умеет Finam MCP уже сейчас:

• Моментально показывает состояние всех счетов, баланс, актуальные котировки, структуру портфеля.

• Принимает текстовые запросы вроде «Покажи список моих позиций», «Какая сейчас цена GAZP?» или «Что у меня в секторе “Технологии”?».

• Помогает анализировать портфель: выделяет риски, концентрацию, динамику изменений.

• Поддерживает работу с несколькими токенами и ИИ одновременно, всё под контролем пользователя.

• Интеграция возможна не только с популярными чат-ботами, но и с любыми приложениями, работающие со стандартом MCP.

На данный момент сервис предоставляет быстрый и удобный доступ ко всей ключевой информации по инвестициям, а также позволяет работать со списками избранного и заметками через ИИ-интерфейс. В ближайших обновлениях команда планирует добавить возможность просмотра истории операций и расширить инструменты для управления алертами.

Где узнать больше?

30 июля в 18:00 (мск) состоится бесплатный вебинар, на котором команда FinamTrade продемонстрирует:

• Как быстро получать аналитику по счёту, позициям и котировкам через обычные текстовые запросы.

• Как вести списки наблюдения и делать персональные заметки, не тратя время на рутину.

• Как формулировать запросы к ИИ и получать мгновенные, понятные ответы.

• Как использовать фильтры по портфелю, искать прибыльные и убыточные бумаги, сравнивать результаты, управлять наблюдением за инструментами.

• Ответят на вопросы в прямом эфире.

Участие бесплатное по регистрации

Будем рады видеть всех, кто интересуется современными инструментами для эффективной работы с инвестициями!

AI-Иллюзия: Фейковый успех в NYT и надувающийся пузырь на Уолл-стрит

Мы живем в эпоху AI-помешательства. С одной стороны, СМИ рисуют сказки о миллиардных империях, построенных одним человеком за ночь. С другой крупнейшие аналитики бьют тревогу: индустрия превратилась в финансовый пузырь, обреченный на коллапс. Две стороны одной медали: отсутствие проверок ради хайпа.

Сказка про $1.8 миллиарда

В апреле The New York Times опубликовала вдохновляющий текст о MEDVi: телехелс-стартап с двумя сотрудниками и кучей нейросетей якобы сделал $401 млн выручки с прогнозом в $1.8 млрд. Подача живое подтверждение слов Сэма Альтмана про «компанию на миллиард от одного основателя».

Проблема в том, что NYT забыла погуглить факты. За шесть недель до публикации FDA пригрозило MEDVi конфискацией за незаконный маркетинг лекарств. За 13 дней подали коллективный иск за спам-рассылки. А тысячи рекламных объявлений компании велись от имени вымышленных врачей (включая «Professor Dongledore»).

Более того, $1.8 млрд — это не оценка компании (valuation), а самозваный прогноз выручки без единого аудита. NYT намеренно утопила эту оговорку в конце текста ради кликабельного заголовка.

Опасный миф «один человек заменил команду»

История MEDVi идеальная иллюстрация того, как СМИ не понимают суть технологий. ИИ это мультипликатор. В MEDVi он умножил не эффективность, а хаос: чатбот выдумывал цены на лекарства, нейросети генерировали фейковых врачей, автоматизация стала спам-машиной.

Галлахер не заменил врачей или юристов он просто отключил контроль качества. Это не новая бизнес-модель, а классический обман, масштабированный ИИ. Точно так же, как "вайб-кодинг" дает приложение без тестов, которое развалится при первых ста пользователях.

От микро-обмана к макро-пузырю

Эта микро-история симптоматична для макро-рынка. Goldman Sachs, McKinsey и Gartner уже признают: AI-пузырь — надвигающаяся катастрофа.

Факты сухи: по данным BCG, лишь 5% компаний получают от ИИ реальную выгоду, половина GenAI-проектов проваливается. Возникла круговая схема: инвесторы дают деньги Big Tech те инвестируют в стартапы (OpenAI) стартапы покупают мощности у Big Tech акции растут. Конечного потребителя, готового окупить эти триллионы, в цепочке нет.

Индустрия села на иглу долгов. Oracle влезла в дата-центры на сотни миллиардов и потеряла половину капитализации. OpenAI рапортует о $20 млрд выручки, но скрывает хроническую убыточность. Участники гонки не могут остановиться: чтобы оплачивать старые долги, нужно брать новые, убеждая инвесторов, что «завтра всё окупится». Аналитики открыто сравнивают это с ипотечным кризисом 2008 года.

Скучное будущее

Первая волна любой революции токсична. Pets.com обанкротилась, но пришел Amazon. Настоящие успешные AI-компании не попадут на обложки NYT. Они будут скучными: с жестким комплаенсом, кросс-модельными проверками, тестами и независимым аудитом.

Итог один: авось не стратегия. AI мощный инструмент, но без контроля он становится не магией, а ускорителем катастрофы. Проверяйте факты, даже если источник — The New York Times.