Чтобы сделать дизайн интерьера нейросетью, не обязательно сначала строить 3D-модель квартиры. Для быстрой визуальной примерки достаточно сфотографировать комнату, загрузить снимок в AI-сервис и объяснить, что нужно изменить: стиль, отделку, мебель, свет или отдельные предметы.

Короткий ответ: Nano Banana 2 лучше всего подошёл для свободного редизайна с сохранением исходного ракурса, Homestyler — для быстрого варианта по готовому стилю, а Planner 5D — для перехода от картинки к редактируемому плану. GPT Image 2 уверенно передал настроение, но заметно изменил геометрию комнаты. 

Несколько удачных фотографий сами по себе ещё не становятся коллажем. Их нужно расположить на одном холсте, подобрать фон, выровнять размеры, добавить рамки и решить, какой снимок будет главным. В обычном редакторе всё это приходится делать вручную, а нейросеть может предложить готовую композицию по текстовому описанию.

В этой инструкции соберём классический фотоколлаж из четырёх женских портретов — каждый исходник останется самостоятельной карточкой, а нейросеть добавит компоновку, рамки, эффект бумажных слоёв и декоративные детали.

Вы: пытаетесь заснуть. Мозг: давай вспомним неприятный разговор с начальником. 

И ещё раз. И ещё. Ну и ещё чуть‑чуть.

А потом на часах 2:13, а вы уже пятый раз открываете холодильник в поисках вкусненького. И спать перехотелось. А завтра вставать в 7:20.

Если такое повторяется часто, привет бессонница и другие хронические подарки. Как себе помочь? Друзей и близких бесконечно своими проблемами грузить не будешь; понятное дело — нужна помощь психолога. Но кого выбрать? И где взять деньги? А может, сначала попробовать с ИИ?

Собственно: почему бы и нет?

Если коротко: формула с обращением к нейросети прямо из ячейки в 2026 году существует, но у каждого варианта свои ограничения, и упираются они не в качество модели. В Excel такой функции больше нет: 14 сентября Microsoft отключила COPILOT(). В Google Таблицах функция AI() работает даже на бесплатном аккаунте, но русский промпт не принимает и упирается в месячный лимит за несколько вызовов. Третий вариант это сторонняя надстройка со своей функцией, например плагин BotHub для Google Таблиц.

Дату я поставил не для красоты. Те, кто успел собрать на этой функции рабочий процесс, остались без него, и это хороший повод посмотреть, что на рынке есть кроме неё.

Ниже разбор всех трёх вариантов: что они умеют по документации и что показал мой собственный прогон на русской бухгалтерской выгрузке. В конце сводная таблица по лимитам и оплате.

Если регистрируетесь впервые, вот реферальная ссылка: по ней на счёт зачисляется 300 000 токенов.

Флейтистка разбирается, как музыкальные нейросети слышат ноты и читают промты. Пою для AssemblyAI, заказываю Suno ми минор и проверяю, что нейросети поняли, а что сыграли от себя.

Рынок труда 2026 года устроен так, что резюме сначала читает алгоритм и только потом человек, причём по диагонали. Системы фильтрации научились оценивать не только наличие ключевых слов и опыта, но и контекст их использования, а рекрутеры активно применяют ИИ — ChatGPT, Claude, Gemini, Grok или DeepSeek. Стандартное резюме, написанное один раз и разосланное по сотне вакансий, отсеивается на этапе автофильтра. Рекрутер получает от системы ранжированный список из нескольких кандидатов и обрабатывает их также через ИИ. Задача соискателя — попасть в этот список, пройти фильтры и обойти конкурентов.

Ситуацию усложняет то, что нейросетями пользуются обе стороны. Рынок труда стал похож на киберпанк-утопию, где ChatGPT сканирует резюме от других ИИ. В этих условиях выделиться можно единственным работающим способом — собирать резюме и сопроводительное письмо под конкретную вакансию из заранее подготовленной матрицы достижений. Ниже разберём, как использовать ИИ для создания резюме и как заставить нейросеть делать его под конкретную вакансию.

В этой статье - как составить резюме в 2026 году, которое пройдёт ATS и ИИ-скрининг: матрица достижений, лексическое зеркало, 9 готовых промптов для ChatGPT, Claude и DeepSeek.

Среди большого потока резюме сопроводительное письмо помогает выделиться и повышает шансы, что рекрутер хотя бы обратит внимание на отклик. Особенно если на вакансию много кандидатов с похожим опытом. А если опыта мало или он нерелевантный, в письме можно объяснить свою мотивацию, переход в новую сферу и то, почему именно вы подходите на эту позицию.

Но писать отдельное сопроводительное под каждую вакансию вручную долго, особенно когда для поиска работы приходится отправлять десятки, а то и сотни откликов. 

ИИ заметно упрощает эту задачу: ему можно передать ваше резюме, текст вакансии и, задав грамотный промпт, на выходе получить письмо с нужными параметрами и акцентом на наиболее подходящих навыках и опыте. Главное — правильно поставить задачу и не позволить модели придумывать то, чего в резюме нет.

Дальше коротко разберём, зачем нужно сопроводительное письмо и что в нём должно быть, какие данные передать ИИ и какой промпт использовать. Затем протестируем несколько моделей на резюме и реальной вакансии, сравним результаты и сделаем выводы.

Кажется, что GenAI сделал производство контента почти бесплатным: открыл ChatGPT — готов сценарий, открыл генератор картинок — есть визуал, добавил видео, голос и музыку — и вот голливудская студия помещается в браузере.

На практике всё сложнее: у каждой нейросети свой интерфейс, тариф, лимиты и представление о задаче. Поэтому я решила посчитать, сколько реально стоит сделать 25-секундный рекламный ролик с помощью ИИ.

Рекламировать решила гербарий. Никаких скрытых интеграций, заказчиков и продуктовых размещений. Просто буквально рекламируем осень. Задача была следующей: создать ролик, используя генеративные модели для сценария, изображений, видео, озвучки и музыки.

В эксперименте использовались: GPT-6 Astra, Nano-banana-2, Kling v3, ElevenLabs Flash v3 и Suno v5-5. И да, в конце я посчитала деньги.

Короткий ответ на вопрос из заголовка: открываете сервис синтеза речи, вставляете текст, выбираете модель и голос, скачиваете файл. В 2026 году это занимает минуту. В синтезе речи BotHub весь процесс это одно поле, два выпадающих списка и кнопка.

Проблема в том, что первый файл почти всегда идёт в мусор.

Не потому, что модель слабая. С моделями как раз всё хорошо: они ставят паузы, тянут интонацию, отличают вопрос от утверждения, а некоторые ещё и принимают текстовую инструкцию вроде «прочитай устало, как будто это пятый созвон за день». Ломается другое. Синтез читает «замок» не в ту сторону, выговаривает «ГОСТ Р 34.10-2012» как «гост эр тридцать четыре точка десять тире две тысячи двенадцать», глотает букву ё и превращает 1 250 000 ₽ в невнятную цепочку цифр. Слушатель спотыкается на первой же ошибке, и дальше уже неважно, какая там была интонация.

Так что дальше по порядку: как готовить текст, чтобы этого не было, какую модель брать под какую задачу, сколько это стоит в рублях и что делать с правами, если аудио уходит в коммерческий проект. В конце сводная таблица по ценам, лимитам и длине куска, который модель проглатывает за один раз.

В 2023 году RAG был единственным способом засунуть знания в LLM — контекстное окно было маленьким, часто были галлюцинации. RAG постепенно стал одной из самых популярных технологий, чтобы получить базу знаний, по которой можно искать данные через натуральный язык.

Но с другой стороны — RAG-пайплайн тяжёлый и трудозатратный. Компания хочет чат по своей документации. Разработчик говорит: нужен пайплайн — чанкинг, эмбеддинги, векторная база, реранкер. Два-три месяца работы плюс сервис, который надо вечно поддерживать, ради 400-страничной документации. И всё это занимает месяцы, тратит ресурсы ради не такой уж и большой выгоды.

Сегодня многие модели держат 1M токенов, а то и больше, а в это окно контекста чаще всего спокойно влезает вся документация. Но если не влезет — то обязательно ли сразу строить весь RAG самому? А как понять, когда есть альтернатива RAG, а когда нет?

В этой статье мы разберём, почему RAG стал выбором по умолчанию (и почему это было оправдано), посмотрим, как падает качество при Long Context, сравним подходы и узнаем, что, как и когда использовать.

Давайте проверим возможности искусственного интеллекта на реальном кейсе. Чтобы не выбирать один ИИ на все случаи жизни, мы будем работать в BotHub, где можно переключаться между моделями. Для каждой задачи будем использовать наиболее подходящую модель: например, мощной Claude Opus 5 мы поручим разбор объемного ТЗ, а быстрой Claude Sonnet 5 — генерацию CSV для дальнейшей работы с план-графиком. 

Hacker News — это пульс мирового технологического сообщества. Тысячи разработчиков, основателей стартапов, инженеров из крупных компаний ежедневно делятся здесь инсайтами, проектами, новостями и мемами. Но есть проблема: качественный контент тонет в шуме, или интересные тебе темы тонут в неинтересных тебе темах.

Но из-за большого потока постов, качественные статьи по нужной теме теряются среди других, и если нужно найти какие-то системные тренды, увидеть как меняется отношения к Rust, AI или Open Source, а не просто “почитать что-то интересное” - это сделать сложно. Можно да, скопировать кучу ссылок и отправить в LLM, попросив отсортировать, но это занимает время и не так удобно, если нужно проанализировать большое количество тем.

И тут мне пришла идея - создать программу на Python, которая будет парсить через официальный API Hacker News, строить эмбеддинги постов с комментариями, кластеризовать посты и при помощи LLM суммаризировать этот кластер по ссылкам.

Сказано - сделано. Я смог спарсить 100 000 постов с Hacker News за последние 693 дня, получив более 1000 кластеров, более 10 миллиона апвоутов, более 27 тысячи авторов и всего 0.1% выбросов. В этой статье мы разберем, какие тренды были активны в мировом IT-сообществе последние два года.

Представьте себе систему, которая позволят собрать разных ИИ‑агентов в команду и дать им задачу, над которой они будут работать вместе. Каждый агент будет делать то, в чем лучше всего разбирается. Это называется ИИ‑оркестрацией.

Сегодня мы поговорим о том, что такое ИИ‑оркестратор. И чем он реально полезен.

Ответим на главные вопросы:

Чем оркестратор отличается от обычного агента? Как устроены мультиагентные системы? Где оркестраторы работают хорошо — и где не очень?

Как использовать ИИ в бизнесе?

Представьте гипотетический запрос клиента: «Где мой заказ и когда он будет доставлен?». Чтобы ответить на него, одной ИИ-модели мало. Сначала нужно найти клиента в базе, получить информацию о заказе, при необходимости обратиться к другому сервису, и только затем сгенерировать и отправить ответ. Приходится задействовать множество систем, которые как-то должны работать в унисон, и всей системе желательно быть гибкой и легко масштабируемой.

Обычный чат-бот тут не справится. Дело для серьезного дяди n8n.

Если вы искали инструмент с открытым исходным кодом, с помощью которого производится визуальная оркестрация рабочих процессов, и всё это происходит на основе графа — заканчивайте поиски.

Сегодня мы поймем как работать с одним из самых популярных ИИ-оркестраторов, в чем он хорош и как может помочь вам уже сейчас.

В предыдущей статье мы обсудили откуда берутся галлюцинации LLM и что может их спровоцировать. В этой поговорим о последствиях и методах борьбы.

Одна маленькая даже не ошибка, а скорее особенность нейросетей пока мешает им развиваться и внедряться в жизнь куда более бурными темпами, чем сейчас. Хотя, казалось бы, — куда ещё быстрее? Но нет. Эта особенность стоила юристам отстранений от практики, авиакомпании — проигранного суда, а для Google стала поводом к потере примерно ста миллиардов долларов капитализации за один день. Слово «галлюцинация» станет словом года сразу в двух словарях.

Как же так? Почему модель, которая помнит дату Грюнвальдской битвы, выдумывает номер ГОСТа? Откуда вообще взялся термин и почему он изначально был преимуществом ИИ? Правда ли, что новые «рассуждающие» модели врут больше старых? И можно ли это вылечить?

Ответы ниже. Спойлер: полностью — нельзя. И у этого «нельзя» есть чёткое объяснение.

Пользователь пишет отзыв о магазине и заодно пытается распоряжаться нейросетью. Почему чужая фраза внутри отзыва вдруг получает силу команды? Разберу промт-инъекцию через адресата, речевые акты и смешение ролей. А потом дам Gemini одну и ту же инъекцию в разных языковых формах и проверю, какая из них заставит модель сменить задачу.

В первой статье цикла мы гоняли по нашим тестам Opus 4.8, GPT 5.5 и Gemini 3.1 Pro, во второй устроили дуэль тяжеловесов Claude Fable 5 и GPT 5.5 Pro, в третьей спустились в средний класс, а в четвёртой вывели на ринг китайские флагманы. В комментариях к прошлой части нас спросили о том, что происходит этажом ниже: флагманы флагманами, а работать людям приходится на моделях попроще. Справедливо. Сегодня спускаемся на пару ступеней ниже.

Словосочетание «Нейросетевая обработка фото» звучит красиво и технологично. А кое-кто от неё уже даже устал, ибо ассоциирует её с потоком нейрослопа.

Но вот проблема. Что вообще значит обработать фото нейронкой? Слово «нейросеть» здесь слишком общее понятие, сродни слову «электромотор». А последний, как известно, работает и в электромобиле, и в зубной щётке.

В предыдущих двух частях мы очень подробно погрузились в теорию и разобрали, как вообще ИИ работает с изображением и какие у этого есть подводные камни. В этой статье мы чуть всплывём из глубины теорий и посмотрим на то, как решаются реальные задачи.

Для иллюстрации всего описанного я буду использовать фото, которые сделал сам в разные года. Кроме того, мне помогут несколько ИИ-инструментов. В моём арсенале примерами послужат Adobe Photoshop и его дополнение Camera Raw, плагины PortraitPro и Retouch4me, а также перспективная разработка Evoto.

Важно! Это не самоучитель по этим инструментам и уж точно не подборка «что нужно молодому нейросетевому художнику». В этой статье мы классифицируем реальные инструменты по принципу их работы. А ПО из списка выше поможет нам проиллюстрировать работу.

Итак. Что общего у шумодава и дорисовки? Почему маску проверить легко, а результат генерации — нет? И что за модель, в которую нужно загрузить пять тысяч ваших кадров, прежде чем она начнёт приносить пользу? Все ответы ниже.

В последнее время ИИ-сфера не просто падает, а даже входит в активную стадию конкурентности между несколькими фронтами — корпоративные ИИ (OpenAI и Anthropic, которые тоже между собой соревнуются) против открытых моделей (Qwen, GLM, DeepSeek).

Цены за токен иногда падают, а когда не могут уменьшить цену — создают лёгкие модели с низкой стоимостью. Снижение стоимости вывода (инференс) перестало быть просто побочным эффектом оптимизации и превратилось в главную ось конкуренции. Решение OpenAI снизить цены на GPT 5.6 Sol минимум до ноября 2026 года — это попытка восстановить свою долю на рынке через демпинг. Открытые модели больше не догоняют закрытые по качеству, а даже иногда опережают их в экономике использования, делая доступ к ИИ коммунальной услугой.

В этой статье мы разберём влияние Qwen, GLM и прочих опенсорсных моделей, конкуренцию на рынке ИИ и наконец разберём, куда свернула ИИ-гонка на этот раз.