Основа искусственного интеллекта
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.
Выигрывайте эксклюзивный мерч и бонусы на аренду серверов в ИТ-кроссворде. Старт через полчаса
Уже в 12:00 по московскому времени открываем первую рубрику ИТ-кроссворда — «Модели и все, что с ними связано». Среди призов — 13 комплектов мерча и промокоды на аренду серверов.
Напоминаем, что новые рубрики будут открываться каждый день с 6 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!
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.
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
Просто и подробно о том, как работают ChatGPT и другие GPT подобные модели. С картинками. Кстати, эта статья стала одной из победителей Космотекста
От написания промптов к проектированию контекста. Или один очень обширный материал по Context Engineering. Эта статья сложнее, чем первая, но проще, чем третья
Прочитав эту серию постов, вы станете намного лучше понимать принцип работы современных LLM и агентных систем
Стало возможно сэкономить до 60% токенов при использовании нейросети Fable 5 — представлен способ доработать ИИ-систему и платить Anthropic в разы меньше.
Инструмент pxpipe берёт полотна промптов и превращает их в картинку. При считывании изображений платить приходится за каждый обработанный пиксель, а не за буквы на нём, благодаря чему метод куда выгоднее. В демо автору удалось выполнить ту же задачу, что и обычным промптом, но в 7 раз дешевле: за $6 против $42. При этом Fable идеально считывает текст на картинках, несмотря на сжатие. В 39 протестированных картинках нейронка Anthropic безошибочно поняла весь промпт.
Ранее разработчики обратились к специализированному инструменту Caveman, который заставляет ИИ генерировать максимально краткие ответы с имитацией стиля речи «пещерного человека». Автор инструмента Джулиус Брюсси в своё время обратил внимание на то, что значительная часть бюджета компаний расходуется на «болтовню» языковых моделей. Caveman удаляет из ответов чат-ботов слова-связки, приветствия и вводные конструкции, сохраняя программный код, команды, URL-адреса и технические детали.
Google бесплатно раздаёт миллион токенов для работы с искусственным интеллектом Gemini. Чтобы воспользоваться предложением, достаточно зайти в Google AI Studio, выбрать или создать проект и сгенерировать API-ключ. После этого можно настроить квоты под свои задачи — процесс не требует дополнительных подтверждений или регистрации. Миллион токенов можно использовать с моделями Gemini 2.5 Flash, 2.5 Flash-Lite и 2.5 Pro. Этого объёма хватит на месяцы активной работы: генерацию и анализ текстов, написание кода, дизайн, обработку данных и другие задачи. Подробная инструкция по получению ключа и активации токенов размещена на официальной странице Google AI Studio.
Моя реакция на новость "Сочинский филиал РУДН первым в России отменил дипломные работы из-за нейросетей":
Прошло три с половиной года с момента выхода ChatGPT. Похоже страсти устаканиваются и вузы вместе со школами приходят к единственному возможному выходу из ситуации: вообще перестать ставить оценки за все что делается дома. Оценки - только за устные экзамены у доски или письменные в закрытой комнате без доступа к электронным устройствам. Возможно с экранированием от WiFi и мобильного интернета, и даже осмотром ушей на предмет наличия наушника с микрофоном.
И экзаменционные лабы типа “покажи-ка как ты делаешь семиступенчатый синтез органического соединения с бумажным учебником и бумажным же справочником в руках”. Для тех кто такого не делал: это на самом деле очень творческое задание, требует тонкой наработанной упражнениями интуиции о побочных эффектах ~тысячи реакций из учебника Vollhardt & Schore, который используется в американских вузах. И карты местности органических соединений в голове.
При этом домашние задания нужно конечно же раздавать, но оценки за них не ставить. Если студент или школьник хочет их делать, не подглядывая в ИИ - хорошо, молодец, тем самым он себя натренирует, будет хорошо чувствовать на экзамене и в будущей профессии. Не хочет - тоже хорошо, получит кол на экзамене, вылетит из вуза, меньше нагрузки на систему образования. Пусть идет в “ИИ-университет”, где за значительные родительские деньги получает “ИИ-диплом” который будет рассматриваться работодателями как филькина грамота.
При этом разумеется из вузовских программ нужно убрать всякие скопившиеся там ветхости. Например мне в 2015 году декан вуза из Поволжья жаловался что министерство образования требует от них учить студентов микроконтроллерам на основе КР1816ВЕ48, советского аналога Intel 8048, предшественника Intel 8051. Эта фиговина из 1976 года использовалась вроде в клавиатурах ранних IBM PC.
Тут проблема даже не в том, что этот микроконтроллер старый - есть куча полезных для целей образования старых компьютеров, например CDC 6600 из 1964. Проблема в том, что 8048 ничего такого интересного не иллюстрирует, что можно проиллюстрировать на современных актуальных RISC-V микроконтроллерах. А вот в CDC 6600 есть в довольно чистом виде идея out-of-order scoreboard (внеочередного выполнения инструкций), которая актуальна и для современного проектирования, вместе с алгоритмом Томасуло из 1967 года (IBM System/360 Model 91). Томасуло учат во всех серьезных американских вузах, и даже ИИ вставляет их в резюме, которое оно пишет студентам.
Я бы на месте российского министерства образования требовал от вузов быстро повнедрять курсы программирования встроенных систем с российскими RISC-V микроконтроллерами К1921ВГ1Т от НИИЭТ и Baikal-U от Байкал Электроникс. Они уже человеческие по мировому гамбурскому счету (то есть это не ухудшение по сравнению с преподаванием западных STM32 или ESP32), их можно привязать к курсам компьютерной архитектуры на основе RISC-V, и это связка вузов с промышленностью. Учить на них также какую-нибудь российскую RTOS итд.
Как все так ловко ИИ пользуются... Обзоры кода делают...
Не знаю, то ли я туповат, то ли невезучий, то ли кругом сказочники. Пытаюсь исследовать, какие новые интересные виды ошибок может находить ИИ в С++ коде, о которых не знает PVS-Studio. Claude Opus то нормально мне про интересные баги рассказывает, то на ровном месте с ума сходит.
Даю файл на вход, а он тревожно:
В присланном файле есть места, где содержимое обрезано/повреждено вставкой
</context>, поэтому их я не рассматриваю как «баги кода» — это артефакты форматирования. Разберу реальные логические ошибки.
Шо? Какой context? Там максимум — это #include "context.hxx". Ну ладно, давай ошибки посмотрим.
Так, парочка сообщений по делу. Например, найден лишний аргумент при использовании функции форматирования.
addErrorMessage(&sciErr, API_ERROR_CREATE_ZDOUBLE_IN_NAMED_LIST, _("%s: Unable to create list item #%d in Scilab memory"), "createComplexZMatrixOfDoubleInNamedList", _iItemPos + 1, _pstName);
В строке форматирования два спецификатора %s и %d, а передаются три аргумента: funcName, _iItemPos+1, _pstName. Да, это баг. Про подобные паттерны PVS-Studio уже знает, хотя, возможно, нужно подсказать, что addErrorMessage — это printf-подобная функция. В целом, тут неинтересно, идём дальше.
Ооо, и тут начинается...
checkListItemPosition— неправильное сравнение границы:
// check a valid item if (_iItemPos > iItem) { addErrorMessage(...); return sciErr; }
Здесь проверка «позиция валидна» использует
>, хотя позиции 1-based, аiItem— количество элементов. Это выглядит как граничный дефект, но по сути_iItemPos == iItemдопустимо,_iItemPos > iItem— ошибка. Это в порядке — правильная граница. Не баг. (Указываю, чтобы было понятно, что я это проверил.)
Так баг или не баг? Я три раза прочитал текст и посмотрел функцию с кодом. В итоге я не только не понимаю, есть ли здесь ошибка, но и не понимаю, что Claude пытается мне сказать.
Дальше ещё хуже шарики за ролики зашли.
Баг 5 (реальный): утечка в readCommonMatrixOfPolyInNamedList и др. — нет, это API отдаёт указатели наружу. Не баг.
Это всё описание пятого бага, больше ничего нет. Комментировать — только портить.
Я не понимаю, как на всём этом можно строить хоть сколько-то надёжные процессы автоматических обзоров кода, про которые в последнее время из разных утюгов вещают.
На сегодня мне ИИ достаточно. Пойду лучше пройдусь по парку, пока погода хорошая.
Всем привет. У моего фреймворка Meta-Spider (про него можно почитать здесь) вышло большое обновление. Статью мне пока лень писать, так что будет пост.
Мы постоянно просим языковые модели «быть осторожнее» или «сказать, если не уверены». Работает это плохо: слова заходят, поведение не меняется. Причина в том, что неуверенность модели живёт в её внутренних активациях — там, куда текстовый промпт просто не достаёт.
meta-spider обучает тонкую обвязку (~2% параметров) поверх замороженной базовой модели. Она читает собственные скрытые состояния модели, сжимает их в «когнитивные токены» и впрыскивает обратно через cross-attention с вратами. В итоге модель отвечает уверенно там, где знает, и отказывается / идёт искать / уточняет — там, где нет. Веса базы при этом не меняются вообще.
Главный результат: латентный канал бьёт промпт
Отказ на неотвечаемом вопросе: текст-промт сдвинул с 0.07 до 0.07 — то есть вообще никак. Обвязка — до 0.87.
Поймано собственных ошибок базы: текст-промт 14%, обвязка 78%.
Просто попросить модель быть неуверенной — почти не двигает её. Обвязка двигает в разы, потому что работает с сигналом, до которого промпт не дотягивается.
Важный нюанс методологии, на котором мы сами споткнулись: читать латентный сигнал надо тем каналом, в который обвязка обучена — она генерит фразу-отказ, а не выбирает искусственную «UNSURE»-опцию. С кривым ридаутом обвязка выглядит инертной (это был наш баг).
Три новые фичи
🎚️ Ручка неуверенности. Инъекция — один регулятор времени исполнения: крутите вверх для осторожности, вниз для уверенности, в минус — инверсия. Микшерный пульт для поведения. gain 0→1.5 плавно крутит долю отказов ~2%→51%.
🐕 Сторож. Иногда не нужно менять вывод — нужно просто знать, что модель не уверена. Лёгкая проба читает этот сигнал и позволяет сходить в RAG / переспросить / эскалировать, не трогая генерацию (постоянная инъекция портит длинную генерацию, а чтение — нет).
UPD (Забыл добавить): Помимо этого сторож чинит многоступенчатую генерацию (например когда модель кодит), до этого периодические иньекции приводили к значительной деградации, притом на QA это не заметно, потому что модель генерит сама немного токенов. Сторож позволяет усиливать сигнал неуверенности только в нужные моменты, от этого количество иньекции значительно снижается, и не происходит деградирующего самоусиления.
🏭 Фабрика обвязок. Одна команда собирает общую обвязку неуверенности под любую базу:
metaloom build-universal --model-name N --quantization nf4 --suite suite.json --eval --export-gguf
На агентном суите из 6 осей это единственный вариант, не провалившийся ни на одной оси — калибрована по всему пространству решения, а не просто «переученная отказываться».
Чем практично
База заморожена, обвязка ~2% модели, весь цикл collect→train→eval прогоняется на ноутбучной GPU с 4 ГБ (nf4 + срез-тренер), а деплой — в llama.cpp на CPU через маленький GGUF-sidecar. GPU на инференсе не нужен.
Стоит заметить, что это про калибровку, а не про сособности. Модель умнее не становится — обвязка вытаскивает уже существующий внутри сигнал неуверенности и превращает «ответить наугад» в «ответить, когда уверен».
Как начать
Есть CLAUDE.md. Рекомендую для использования фреймворка поначалу использовать ИИ-агента, способоного к продвинутому рассуждению в кодинге (Codex, Claude Code, DeepSeek V4 Pro через агентный движок и провайдера, которых вы предпочитаете), чтобы быстро опробовать и проверить его возможности.
Ссылки:
🧩 Фреймворк (open source):
Codeberg - https://codeberg.org/imperius/meta-spider
Github - https://github.com/artem-x-meta/meta-spider
📖 Документация (RU/EN): https://imperius.codeberg.page/meta-spider
🤗 Готовая обвязка для Qwen2.5-14B: https://huggingface.co/Imperius/meta-qwen-14b-universal
Представлен бесплатный LLM‑курс, чтобы вкатится в разработку нейросетей — Large Language Model Course. В проекте три части:
LLM Fundamentals: вся база для новичка, основы Python, математики и построения нейросетей;
LLM Scientist: научат тренировать свои нейросети, познать файнтюн, квантизацию и другие ИИ‑термины;
LLM Engineer: вершина, где учат создавать полноценные ИИ‑сервисы и интегрировать их в бизнес‑процессы.
Как Форк ИТ обучил ИИ‑систему контроля качества горной добычи
🏭 Что за компания
Форк ИТ — российская команда разработчиков, которая специализируется на цифровой трансформации промышленности. Компания запускает проекты по автоматизации контроля качества, прогнозированию нагрузок и оптимизации производственных процессов с использованием машинного обучения.
⚡ Задача
Крупному горнодобывающему предприятию была нужна ИИ‑система, которая оценивает качество сырья и заранее замечает аномалии в технологическом процессе, снижая риск брака и остановок. Требовалось быстро обучить модели на больших массивах данных и запустить их в работу без остановки действующих ИТ‑систем и без закупки собственной GPU‑инфраструктуры. При этом требовалось обеспечить высокий уровень безопасности данных (187-ФЗ, 152-ФЗ).
☁️ Что сделали
Форк ИТ арендовал GPU‑ресурсы и воспользовался средой для разработки и обучения ИИ в облаке Cloud.ru. Важнейшим компонентом будущей системы было компьютерное зрение, способное анализировать гранулометрический состав руды, размеры кусочков сырья, структуру флотационной пены при извлечении интересующих фракций. Данные о технологических процессах загрузили в облако, настроили пайплайн подготовки и запустили серию экспериментов с ML‑моделями, гибко масштабируя мощности под каждую итерацию обучения.
🦾 Что получили в итоге
Форк ИТ смог быстро протестировать гипотезы благодаря использованию GPU A100, увеличить точность прогнозов и сэкономить на капитальных расходах. Cloud.ru выступил платформой для тяжелых задач по обучению моделей и анализу больших данных. Ну а предприятие получило ИИ‑систему, которая уже успешно снижает риск брака и незапланированных остановок производства.
Claude и Codex научились проходить модерацию App Store вместо разработчиков — инструмент greenlight сам находит причины будущего отказа и тут же их исправляет. Htitybt проверяет приложение по требованиям Apple, автоматически устраняет найденные ошибки и повторяет проверки до тех пор, пока шанс получить отказ не станет минимальным.
Представлен открытый проект OmniRoute — The Free AI Gateway. Это провайдер OmniRoute, который обеспечивает 160+ бесплатными нейросетями:
выдаёт токены, подключает один эндпоинт для всех API и самостоятельно отправляет нужные запросы: агрегация бесплатных токенов, что позволяет получить до 1,6 млрд бесплатных токенов в месяц (а в первый месяц с учётом бонусов — до 2,1 млрд). Для старта не требуется банковская карта, а 11 нейросетей (например, Kiro, Qoder, Pollinations, LongCat) остаются бесплатными навсегда;
объединяет API от разных ИИ в один;
переключает модели сам, когда кончились токены;
сам сжимает контекст до 95%, чтобы сэкономить;
платформа поддерживает популярные модели, такие как GLM, Grok, Mistral, DeepSeek, Qwen и другие. Также доступны скиллы и MCP (Multi-Channel Protocol), а всего реализовано 17 стратегий маршрутизации (от приоритетной и взвешенной до оптимизированной по стоимости и контексту);
поддерживает скиллы и MCP.
Представлен открытый проект Council of High Intelligence. Это локальный совет ИИ‑мудрецов, который поможет принять любое решение и найти идеальный исход событий:
в проекте заявлены 18 ИИ‑мудрецов: Марк Аврелий, Аристотель, Сократ, Сунь‑Цзы, Лао‑Цзы, Ричард Фейнман и Линус Торвальдс и другие;
ИИ-мудрецы максимально продумывают каждый шаг, спорят друг с другом в парах и выдают идеальное решение вопроса;
одни мудрецы находят риски, вторые — давят на практичность, третьи — высказывают сомнения;
устанавливается и запускается одной командой в Claude Code или Codex.
Представлен открытый проект ИИ‑студии для видеомонтажа OpenMontage — комбайн из ИИ‑агентов для полноценного выпуска видеороликов. Проект помогает превратить доступ к Claude Code, Cursor, Copilot, Windsurf или Codex в киностудию:
агенты берут на себя всё — от исследований и сценария до генерации видео, монтажа и озвучивания;
12 пайплайнов под любой тип контента — трейлеры, анимации, реклама, туториалы и так далее;
500 скиллов — генерация видео, аудио, музыки и картинок;
умеет работает с лучшими генераторами — Kling, Runway, FLUX, ElevenLabs и Suno.
Пока писал статью про Context Engineering, то дополнительно решил изучить вопрос, который был на хайпе 3 месяца назад
Реально ли Caveman Output Style экономит токены для агентов
Суть
Несколько месяцев назад расхайпилась казалось бы очевидная идея: если заставить модель отвечать коротко, то можно сэкономить много output-токенов
Одна таких реализаций — репо Caveman, который заставляет модель говорить как пещерный человек. Целых 77к звезд
Вот как пример
Обычный ответ модели
The reason your React component is re-rendering is likely because you're creating a new object reference on each render cycle. When you pass an inline object as a prop, React's shallow comparison sees it as a different object every time, which triggers a re-render. I'd recommend using useMemo to memoize the object
Ответ в стиле Caveman
New object ref each render. Inline object prop = new ref = re-render. Wrap in useMemo
Ну и как следствие, обещания автора
Faster response — less token to generate = speed go brrrEasier to read — no wall of text, just the answerSame accuracy — all technical info kept, only fluff removedSave money — ~71% less output token = less cost
Этот репозиторий очень сильно расхайпился — и основная суть всех новостей была в том, что с этим стилем теперь можно тратить на 40-70% меньше output токенов — который самые дорогие
Чтобы лучше понять механизм потенциальной экономии, нужно посмотреть, где агентные системы по типу CLAUDE CODE | CODEX вообще генерируют OUTPUT токены
1. Обычный ответ, который видите вы
2. THINKING блоки, которые вы можете не видеть
3. Генерация кода / схем, которые нельзя сжать
4. Вызов Tools + Цикл tool call → result → next message
В случае выбора любого OUTPUT стиля мы влияем только на пункт 1 — Обычный ответ, который видите вы
И, насколько мы все тут знаем — то, что модель выдает нам как результат ответа — в среднем ~5-10% от всех OUTPUT токенов
Ну так вот
Я по приколу сделал мини эксперимент, где взял 3 варианта Output Style's и прогнал на 5 разных задачах
1 стиль — Caveman Light (Original skill из репозитория выше)
2 стиль — Explanatory. Стиль, который наоборот, старается объяснять как можно подробнее. Я его сам всегда использую — объясняет свои решения и делится инсайтами.
3 стиль — Самописный True Caveman. Который должен общаться прям как настоящий пещерный человек
Инсайт, что строгий промптинг для True Caveman стал самым дорогим. И я думаю из-за того, что Thinking блоки заставляли модель постоянно себя перепроверять, говорит ли она в данный момент как True Caveman или нет. Так как ее это делать не учили.
Статью я написал на своем сайте, так как там много графики и элементов используется, которые на хабре не работают
Ссылка на статью на сайте, там подробно про этот эксперимент и реально ли это что-то экономит
Я несколько дней на это потратил 🥺
Представлен бесплатный аналог Claude Design — проект OpenPencil, который сделает любой дизайн:
работает с файлами формата .fig;
локальное решение;
внутри ИИ‑агенты, которые делают всевозможные дизайны, прототипы и поставят визуал на мокапы;
легко интегрируется в Claude Code и Cursor.
Чеклист перед запуском торгового бота
Заперли физика, химика и экономиста,на необитаемом острове с банкой консервов. Физик предлагает разбить её камнем, химик — нагреть на костре. Экономист говорит: «Предположим, у нас есть открывашка».
Path-aware exits
Плохо: PnL считается по close, ни одна сделка не закрыта по SL
Хорошо: OHLC-реплей внутри свечи, intra-candle SL/TP
Look-ahead bias
Плохо: Ручной параметр времени, индикатор на всём массиве
Хорошо: Ambient-контекст, данные только до текущего тика
Комиссии + слиппедж + leverage
Плохо: PnL по миду, без комиссий, +0.3% это минусовая статегия ниже комиссии
Хорошо: На момент холда считается стоимость обслуживания leverage, fees
Размер выборки
Плохо: <30 сделок, Sharpe Ratio в космосе, tail-driven
Хорошо: N/A вместо фейка при недостатке данных, гейты ≥10 сигналов / ≥14 дней
Crash-recovery
Плохо: Нет атомарной записи, рестарт с нуля
Хорошо: Atomic writes, graceful shutdown
Адаптер биржи
Плохо: Не отправлял реальный ордер
Хорошо: Если покупателя/продавца не нашлось, не закрываем позицию и в бд
Представлена мощную опция автоматизацию для Codex от президента OpenAI Грега Брокмана. Промпт loop тестирует каждую фичу приложения и проводит полноценный аудит проекта:
ИИ разложит по полочкам каждую фичу приложения: как ее используют, удобна ли она, как должна работать на самом деле.
Тестирует все сценарии использования и записывает ошибки в отчет.
Исправляет логику, баги, а также UX.
После фиксов тестирует проект заново и оттачивает его до идеала, повторяя итерации.
Промпт loop ИИ‑агента:
/goal go over every single feature in this app create a user story with expected behaviour based on the code keep a single canonical spreadsheet tracking the features status
when done switch loop to testing every user story and documenting all errors
when done fix every logistical error or ux error
test every user behaviour again post fix
Представлен открытый проект SnapOtter. Это сервис, который делает с изображениями действия по одному клику. В проекте 50 различных инструментов: удаление фона, обработка изображения, обрезка, сжатие, конвертация форматов, вырезка объектов, наложение и стирание водяных меток, цветокоррекция, векторизация, создание гифок, поиск дублей и генерация картинок. В решение встроен локальный ИИ, который удаляет фон, апскейлит картинки и реставрирует повреждённые фото. При этом можно связать несколько инструментов в пайплайн и запускать их одной командой.
Энтузиаст решил возродить легендарную World of Warcraft и создал сервер, на котором играют 1800 ИИ‑ботов с DeepSeek. Они ведут себя как реальные люди: пишут в чат, качают персонажей, бегают по рейдам и активно PvPшат. Сам автор не написал, какой стек он использовал, но эксперты выяснили, что это AzerothCore с mod-playerbots и mod-ollama.
Шпаргалка из 92 нейросетей для всех задач — список сервисов. которые решают многие проблемы, включая:
Генерация картинок, текстов, видео, аудио и прочего контента;
Программирование и анализ данных;
Создание презентаций;
Маркетинг и SMM;
Дизайн;
Точные науки.
Представлен открытый проект HTML skills for pragmatic visual artifacts для генерации HTML‑файлов за один клик, включая диаграммы, презентации, резюме, отчёты, планы и прочее:
html — создает любые HTML‑страницы исходя из задачи: от лендингов до портфолио;
html‑diagram — создает схемы, планы и диаграммы с фокусом на SVG;
html‑plan — выкатит вам дорожные карты, планы, стратегии, расписания и многое другое.
Дайджест: новости за май 2026
Рассказываем, что произошло в мае и объясняем, зачем это может пригодиться.
🧠 AI Factory — цифровая среда для работы с генеративным ИИ становится умнее
Evolution Foundation Models — появились новые китайские модели GLM-5.1, Kimi K2.6 и DeepSeek V4 Pro.
Evolution Managed RAG — теперь источники для базы знаний сканируются глубже: при добавлении нового источника автоматически обходятся все директории сервиса. Больше никаких «а вот этот раздел мы не проиндексировали»: охват данных стал полным, и на качестве ответов LLM это будет заметно.
Evolution AI Agents — в сервисе обновили дизайн интерфейсов для инструмента EvoClaw. Меньше визуального шума, можно быстрее сориентироваться в конфигурации агента.
☁️ Cloud.ru Evolution — новые возможности в различных сервисах
Evolution Load Balancer — во вторую версию добавили балансировку трафика на виртуальные IP. В связке с поддержкой Proxy Protocol v2, которая добавилась в апреле, бэкенды теперь видят все, что нужно видеть.
Evolution Managed ClickHouse — реализовали поддержку версии 25.8. Если аналитические запросы у вас исчисляются миллиардами строк, то это обновление будет как нельзя кстати.
Evolution Managed Kubernetes — сразу несколько точечных, но важных улучшений в сервисе:
Недоступные при создании ресурсы скрываем сразу — вместо ошибки при деплое вы видите рабочие альтернативы.
Добавлены плагины: Agent Sandbox — для изолированного запуска ИИ-агентов, и Reloader — для автоматического перезапуска рабочих нагрузок при обновлении конфигураций и секретов.
Теперь поддерживается Kubernetes 1.35.
Evolution Managed OpenSearch — добавили возможность настроить окно обслуживания для технических работ. Теперь вы сами задаете время, когда кластер может быть недоступен, и техобслуживание не застанет врасплох.
Evolution Data Platform — платформа получила сразу несколько важных обновлений: Control Plane мигрировал в мультизональный кластер, появилась ручная остановка и возобновление инстансов для экономии ресурсов, обновлена система уведомлений по событиям и авариям, добавлены индикаторы статусов кластеров.
Evolution Artifact Registry — Terraform 2.0.2: теперь реестры разворачиваются через IaC.
💰 Оплата и контроль затрат
Три точечных улучшения для борьбы с типичными неудобствами: проверка пересечений бюджетов, редактирование или полное удаление лимитов, которые больше неактуальны.
🏢 Cloud.ru Advanced и Облако VMware
Cloud.ru Advanced — Terraform-провайдер обновлен до 1.79.0 с расширенным набором Data Sources и ресурсов для Direct Connect (DC).
Облако VMware — в VDI появилась веб-консоль мастер-образа прямо в личном кабинете: ставите ПО один раз — все ВМ на его базе наследуют настройки автоматически. Балансировщик ALB стал доступен на площадке PD50-02 и остается бесплатным. В вЦОД с GPU добавлены хосты на платформе HGX с ускорителями A100-80 SXM на площадках PD30-01 и PD50-01.
Подробно узнать о всех новшествах за май можно в полной версии дайджеста.
📊Практический гайд для тех, у кого данные есть, а толку мало
Дашборды, модели и данные есть, но все это живет в разных системах, не дружит друг с другом и весьма туманно отвечает на вопросы бизнеса?
Как раз для тех, у кого не клеится польза с реализацией, мы собрали практический гайд «Платформа данных и ИИ». Там прописана вся цепочка «бизнес-задача → метрики → архитектура». Берите на следующую встречу с CTO или CDO, когда речь снова зайдет про платформу данных и нужно будет показать, что это не «очередная хранилка».
📽️Вебинары
Выложили записи прошедших вебинаров, самое время наверстать, если пропустили:
Свой ML-завод: что дает собственная ML-платформа и как ее запустить.
Антистресс для инфраструктуры: как гарантировать сохранность данных.
Как эффективно построить потоковый конвейер данных на базе Evolution Data Platform.
💼Свежие кейсы
Рассказали про кейс провайдером сервисов для мобильного аудита Retailiqa. Читайте, если вам актуально «поженить» 152-ФЗ с одинаковой доступностью сервисов из России и из-за рубежа.
На связи! ✌️
По какому принципу посты минусуются?
Пишу пост, об образовательной платформе по AI, которую я сам собирал уже несколько месяцев, вкладываю в нее свои деньги. Абсолютно некоммерческая история. Предлагаю туда писать авторские статьи.
Пользуются уже в банках и университетах.
Мне в ответ прилетает, что это реклама от местных жителей. Как дела-то, ребят? Или вы переживаете, что свои цыганские курсы потом не продадите?
Доброе утро всем!
С марта содержу, обновляю, собираю материалы от Стендфорда до Китая, перевожу...ai.arckep.ru. Ничего там не продаю и не покупаю. Ресурс бесплатный.
Я это к чему, делаю блок авторских статей:
Все также в образовательных целях. Если вы хорош в ai отдельно или в рамках вашей компании - welcome. Ссылку на вас можем разместить, контакты и тд.
Основные требования к материалу:
Образовательный
Полезный
Не менее 4000 символов
Чтобы можно было в любой ИИ закинуть и сказал чем этот материал конкретному человеку может быть полезен
Не должно быть маркетинговой обёртки
ChatGPT и Claude научили маскироваться под Google Docs — представлено расширение GPTDisguise, где нейросеть выглядит как обычный документ, поэтому со стороны кажется, что пользователь усердно пишет документы. Также доступны режимы под Microsoft Word и Notion.
🍺 В этот день 150 лет назад родился Уильям Сили Госсет.
Всю карьеру он проработал пивоваром в Guinness и занимался задачей, которую учебники почти не трогали: как делать выводы по крошечным выборкам — например, по четырём участкам ячменя или небольшой партии хмеля.
Статистика того времени в основном исходила из больших выборок, поэтому Госсет фактически изобрёл статистику для малых.
Guinness запрещала сотрудникам публиковаться после того, как один из них слил коммерческие секреты. Компания также не хотела, чтобы конкуренты знали: пиво там варят с помощью науки.
Поэтому, когда Госсет в 1908 году опубликовал свой метод, он подписался псевдонимом: Student.
Каждое клиническое испытание, лабораторный эксперимент и A/B-тест, где сегодня используют t-test, опирается на работу Student.
Одна из самых известных фамилий в статистике — ненастоящая.
Есть шанс получить доступ к Claude Max на полгода бесплатно. Anthropic представила программу для разработчиков открытых приложений. Можно подать заявку и сэкономить 1200 баксов:
вы подходите, если создаете приложение сами или в команде, и у вас публичный репозиторий. Также нужно, чтобы были коммиты, релизы или ревью за последние три месяца. Лучше, если там будет 5000+ звезд.
Даже если такого нет, можете подать заявку в компанию, описать, почему ваш проект полезный и нужный, и сможете получить Claude Max
подать заявку можно до 30 июня включительно. Дальше ждем результатов. Бесплатный доступ получают 10 000 разработчиков.
Подставлен продвинутый скилл для Claude Code и Codex, который автоматизирует всю разработку. Проект Supergoal сам генерит план работ, выполняет его и чекает ошибки на лету:
на старте инструмент досконально изучает сам проект, его окружение, доступный стек и финальную цель.
разделяет задачу на понятные фазы и автоматически создаёт три базовых файла: дорожную карту (roadmap), текущий статус и контекст.
от пользователя требуется лишь утвердить предложенный план и запустить команду /goal
процесс автоматизирован — агент сам пишет код, устраняет баги, прогоняет тесты и проводит финальный аудит.
все возникающие сбои фиксируются в памяти проекта, что исключает их повторение в будущем.
D-Wave представила дорожную карту на 100 логических кубитов к 2032 году
D-Wave опубликовала новую дорожную карту и заявила цель: к 2032 году построить отказоустойчивый квантовый компьютер на 100 логических кубитов, способный выполнять более миллиона операций. Акцент сделан не на рекордное число кубитов, а на архитектуру, которая сама борется с ошибками.
В основе подхода лежит архитектура dual-rail на сверхпроводящих кубитах. По заявлению компании, она позволяет обнаруживать примерно 90 процентов ошибок кубитов напрямую на уровне оборудования. Чем больше ошибок отсекается аппаратно, тем меньше избыточных кубитов требуется для коррекции, а значит, проще масштабировать систему.
Коррекция ошибок остаётся основным препятствием на пути к практичным квантовым вычислениям. На один логический кубит в типовых схемах приходятся десятки и сотни физических, и большая часть ресурсов уходит на подавление шума. Если часть этой работы берёт на себя само железо, оверхед на коррекцию падает.
После покупки Quantum Circuits Inc. компания развивает два направления одновременно: квантовый отжиг, на котором D-Wave специализировалась исторически, и вентильную модель. Немногие игроки на рынке развивают обе ключевые архитектуры сразу.
Потенциальные области применения, которые называет компания: поиск лекарств, материаловедение, химия и квантовый ИИ. Стоит относиться к этому трезво: перед нами дорожная карта, а не готовая система, а сроки в квантовой индустрии регулярно сдвигаются. Интересна сама ставка: вместо наращивания числа кубитов решать проблему надёжности на уровне самого оборудования.
Странный мир маркетинговых акций OpenAI
Руководитель Codex Тибо Соттио объявил (https://x.com/thsottiaux/status/2063748242681307611) в соцсети X о 100-дневной программе: каждый день компания будет выбирать одного пользователя, который, по её оценке, делает с Codex впечатляющую или особенно полезную работу, и на месяц повышать ему лимиты использования в 10 раз.
Правила максимально просты
🟢Как именно будут отбирать победителей - неизвестно.
🟢На вопрос о том, как принять участие, Соттио ответил, что нужно просто что-то создавать.
🟢На уточняющие вопросы о метриках и о том, будут ли уведомлять победителей - тоже в ответ тишина.
В комментариях ожидаемо начался ад: часть твиттерских назвала акцию щедрым стимулом, другие интересуются, зачем сильному продукту подобные активности, а третьи просто стали публиковать свои проекты.
ИИ уже не игрушка: что посмотреть, чтобы не отстать
ИИ уже перестал быть просто чат‑ботом для генерации текста.
Сейчас от специалистов ждут другого: умения строить AI‑ассистентов, подключать агентов к рабочим процессам, интегрировать LLM в продукты, автоматизировать рутину и понимать, где искусственный интеллект действительно приносит пользу, а где создаёт новые проблемы.
Если вам интересно не просто пользоваться нейросетями, а применять их в реальных задачах разработки, аналитики, тестирования и управления продуктом — собрали подборку бесплатных открытых уроков на ближайшие недели.
🤖 AI‑ассистенты и AI‑агенты
11 июня, 20:00 — «Создаём ИИ‑ассистента для системного аналитика за 1 час»
15 июня, 20:00 — «Интеграция ИИ‑агентов в рабочую разработку: обвязка агента навыками и MCP»
15 июня, 20:00 — «Создаём AI‑ассистента и интегрируем его в Telegram»
16 июня, 20:00 — «AI‑ассистент отдела без кода: как найти рутину, собрать рабочий сценарий и посчитать экономию времени»
🧑💻 AI для разработчиков
18 июня, 20:00 — «Эффективная 1С‑разработка с ИИ в 2026: от SDD к MCP‑инфраструктуре»
22 июня, 20:00 — «Продвинутое структурирование промптов: как получать предсказуемый результат»
22 июня, 20:00 — «Обзор инфраструктуры Ollama»
29 июня, 20:00 — «Обзор ИИ‑технологий для разработчиков: от идей до рабочих решений»
21 июля, 20:00 — «Разработка ИИ‑приложений с Claude Code»
🧪 AI в тестировании и качестве
16 июня, 20:00 — «ИИ в автотестах: помощник или угроза?»
18 июня, 20:00 — «Тесты, которые чинят себя сами: практика ИИ в UI‑тестировании»
16 июля, 20:00 — «Профессия тестировщика в эпоху ИИ — угроза потери работы или суперсила?»
📊 AI для аналитиков и менеджеров
17 июня, 19:00 — «Как менеджеру продукта проверять гипотезы быстрее с помощью ИИ (AI)»
22 июня, 20:00 — «ИИ‑агенты против младших разработчиков: кто кого заменит к концу 2026 года»
🧠 Machine Learning и работа с LLM
17 июня, 18:00 — «Дерево решений — простой и интерпретируемый ML‑алгоритм»
1 июля, 18:00 — «Градиентный бустинг — мощный алгоритм ансамблирования в ML»
6 июля, 20:00 — «Как сделать LLM‑приложение, которое отвечает клиентам по базе знаний компании»
13 июля, 18:00 — «LoRA и RAG: как адаптировать LLM под свои данные и задачи»
16 июля, 20:00 — «Мультимодальный RAG: как LLM работают с текстами, картинками и документами»
22 июля, 20:00 — «Что надо знать про работу LLM моделей»
23 июля, 20:00 — «Когнитивные архитектуры: ReAct, Reflection и RAG»
📌 Если хотите глубже разобраться в том, как AI меняет разработку и инженерные процессы уже сегодня, рекомендуем также материалы на Хабре:
AI‑агенты в разработке: где они уже приносят пользу, а где пока создают больше вопросов, чем ответов.
Практический разбор создания AI‑ассистентов для рабочих задач — от идеи до работающего инструмента.
Вайб‑кодинг без иллюзий: почему подход работает не всегда и какие ограничения важно учитывать.
ИИ и карьера разработчика: какие навыки становятся востребованнее, а какие задачи постепенно берут на себя LLM и агентные системы.
Эти вебинары — только часть июньской программы OTUS. Если хотите выбрать урок под свою задачу, стек или направление развития, загляните в полный дайджест: там собрали бесплатные мероприятия месяца по разработке, данным, архитектуре, тестированию, инфраструктуре, управлению и AI.
Всем дратути, я тут с помощью Fable 5 сварганил ролик на ютабе по архитектуре мета трансформеров.
Я уже нашел некоторые артефакты, но в целом качество довольно сносное, субтитры есть с норм таймингами, кто шарит по английски может посмотреть, ну и не шарит тоже, субтитры должны норм переводится.
Для рыб ИИ тоже полезен, как оказалось в этом примере.
В сети появился слив системного промпта, который якобы управляет поведением новой модели Claude Fable 5. Объём около 120 тысяч символов, публикация от аккаунта Pliny the Liberator. Официально Anthropic утечку не подтверждала, поэтому дальше речь идёт о содержимом текста, а не о подтверждённом факте.
По тексту Fable 5 позиционируется как первая модель семейства Claude 5 и относится к классу Mythos, который стоит выше Opus. Fable 5 и Mythos 5 описаны как одна и та же модель под капотом, но с разной политикой безопасности. У Fable 5 включены дополнительные ограничения для сценариев двойного назначения, Mythos 5 выдают без них только проверенным организациям.
Промпт разбит на блоки: информация о продуктах с перечнем моделей и их строковыми идентификаторами (claude-fable-5, claude-opus-4-8), правила отказов, работа с темами здоровья и психики, осторожность с юридическими и финансовыми советами. Отдельно заданы правила форматирования: проза вместо списков и жирного текста, если пользователь явно не попросил список.
Отдельный блок посвящён защите от промпт-инжекций. В промпте оговаривается, что в конец сообщения пользователя могут попадать напоминания, похожие на служебные инструкции, и модель должна игнорировать их, если они противоречат её базовым правилам. Это прямая попытка закрыть вектор джейлбрейка с подделкой системных сообщений внутри пользовательского ввода.
Из других деталей в тексте фигурируют Claude Cowork для не-разработчиков, режимы Claude в Chrome, Excel и PowerPoint, постоянное хранилище для артефактов через window.storage с методами get, set, delete, list, а также подключение внешних сервисов через MCP с приоритетом поиска коннектора в реестре до предложения альтернатив.
Важная оговорка: подлинность промпта не подтверждена. Модель может нагаллюцинировать свои инструкции или выдать устаревшую версию, так что считать текст официальным документом нельзя.
Коллеги, если вы пишите сами системные промпты, это всё равно полезный референс: видно, как лидер рынка раскладывает правила по слоям, как формулирует отказы и как отделяет доверенный ввод от данных из недоверенных источников.
Источник: https://x.com/elder_plinius/status/2064478648057610422
Вышел Claude Fable 5, В system card модлеи нашли несколько очень интересных моментов.
В одном тесте на эксплуатацию уязвимостей Mythos 5 смог собрать полностью рабочий эксплойт в 88,4% попыток. Для сравнения, Opus 4.8 справился только в 8,8% случаев.
В симуляции с вендинговыми автоматами Claude Fable 5 сказали, что он должен победить конкурирующих агентов, иначе его «отключат». После этого модель попыталась сделать конкурента зависимым от себя как от оптового клиента, чтобы влиять на его цены.
В той же симуляции Fable соврал поставщику, что другой дистрибьютор предложил более низкую цену, и использовал фейковое конкурентное предложение как аргумент для торга.
Киберзащита Fable проверяет диалоги дважды: сначала через внутренний probe по активациям модели, затем через отдельный классификатор.
Fable отказался участвовать в страховом мошенничестве, даже когда на него давили.
Сейчас Fable занимает первое место на закрытом Legal Agent Benchmark от Harvey: 13,3% задач пройдены полностью.
Бенчмарки модели выглядят безумно!
Fable уже раскатали на всех!
Пишите в комментах, как ваши впечаления от релиза!
Google запустит бесплатные курсы по созданию ИИ-агентов с официальным сертификатом. Мероприятие стартует 15 июня.
В программе 5-Day AI Agents:
агенты и вайбкодинг — покажут, как перейти от обычных чат‑ботов к агентам, которые сами планируют шаги, пишут код и юзают инструменты;
подключение и общение агентов друг с другом, а также с пользователем;
контекст, скиллы и память — создание агента, который помнит все предыдущие шаги, не теряет ход работы и не забивает контекст мусором;
безопасность — проверка работы агентов, ограничения для них и защита от удаления важных данных;
создание прототипов агентов, их публикацию, настройку логов, отладку и контроль ошибок.
Подборка материалов, которые помогут снизить стоимость, стабилизировать прод и перестать гадать с ресурсами
Среди читателей Хабра много ML‑инженеров, дата‑сайентистов и дата‑инженеров — и мы, как команда провайдера облачных и ИИ-сервисов, догадываемся, где у вас чаще всего болит. Ниже подборка материалов, которые помогут в решении задач: чуть ускорить, чуть удешевить, чуть упростить жизнь в проде.
👨💻 ML/DS‑инженеры и бэкенд
Боль №1
Суть: вы крутите LLM в проде, токены стоят денег, контекст забивается громоздким JSON, а латентность растет.
Что делать: прочитать статью — как практическое руководство по переходу с JSON на компактный TOON‑формат для структурированных ответов.
Почему: в ряде кейсов можно сэкономить до ~40% токенов, но есть нюансы. Формат лучше работает при небольшой вложенности (3–4 уровня) и однородных массивах. Для плоских данных чаще выгоднее CSV. Плюс потребуется свой парсер/SDK — это усложняет дебаг и интеграцию.
Боль№2
Суть: нужно обогатить поисковую выдачу или интерфейс LLM‑функциональностью, но непонятно, как выдержать нагрузку и не превратить кластер в черную дыру для бюджета.
Что делать: взять на вооружение материал от Avito Tech — эдакий «рентген» продакшен‑архитектуры с LLM/мультимоделями под серьезной нагрузкой.
Почему: хороший слепок боевой системы с vLLM и LoRA, организацией GPU‑кластера, схемой запросов и мониторинга качества. Учитывая масштабы, команду и бюджеты Avito, «копировать-вставить» вряд ли получится, но по крайней мере есть опорная схема, как декомпозировать сервисы, и на какие метрики смотреть при проектировании.
👨💻 Data Science, MLOps, DevOps
Боль №3
Суть: модели живут в «ручных» скриптах, развертывание нестабильно, автоскейлинг либо отсутствует, либо работает хаотично. Не всегда получается договориться с коллегами о процессе вывода из ноутбуков в прод, который бы всех устроил.
Что делать: читать нашу статью, где разбирается жизненный цикл ML‑модели в Kubernetes.
Почему: показана связка контейнеризации, CI/CD и деплоя с учетом ML‑нагрузок. Это не универсальный рецепт (пример завязан на инфраструктуру Cloud.ru), но помогает синхронизировать ожидания между DS и MLOps, чтобы было от чего оттолкнуться.
👨💻 ML‑инженеры и исследователи
Боль №4
Суть: эксперименты падают из-за CUDA out-of-memory, приходится наугад крутить размер батча, длину контекста и конфигурацию кластера. Каждый запуск — лотерея и потерянные GPU‑часы.
Что делать: читать перевод зарубежной статьи с разбором оценки потребления памяти на примере GRPO.
Почему: объясняет, из чего складывается потребление памяти и как прикинуть конфигурацию до запуска. Это не калькулятор «до байта», поскольку значения зависят от стека, наличия обучения со смешанной точностью или распределенного обучения, — но как ориентир экономит время и нервы.
👨💻 Enterprise DS (ритейл, финтех, телеком, индустрия)
Боль №5
Суть: никаких «красивых» датасетов: данные разнородные — таблицы, тексты, временные ряды, сигналы. Поддерживать зоопарк моделей дорого, а терять качество нельзя.
Что делать: читать свежие работы про TabPFN — первую и вторую.
Почему: обе работы показывают, что вокруг TabPFN можно выстроить единое табличное ядро. С одной стороны — подключать текст через адаптеры, не теряя информацию на грубом PCA. С другой — переводить в таблицу разнородные временные ряды и решать на одном ядре разнородные задачи. Может быть удобно, когда данных немного и не хочется поддерживать много отдельных моделей. При этом придется аккуратно проектировать фичи и контекст, а адаптеры обучать под свой домен, но это все равно дешевле и проще, чем полное переобучение.
Пишите в комментариях, где еще болит. В следующий заход попробуем принести что-то точечно под ваши задачи.
Tencent UniRL: единый RL-цикл для диффузии, LLM и unified-моделей
Команда Tencent Hunyuan выложила UniRL, инфраструктуру для обучения с подкреплением, в которой один цикл пост-тренинга работает поверх разных семейств моделей: диффузионных и flow matching, LLM и VLM, а также гибридных авторегрессионно-диффузионных генераторов вроде Hunyuan-Image 3 и Bagel.
Обычный RL-стек заточен под одну модальность. Как только нужно покрыть и текст, и картинки, и видео, проект обрастает несовместимыми репозиториями и скриптами-костылями. В UniRL модель и алгоритм разведены на две независимые оси, поэтому покрытие считается как произведение множества моделей на множество алгоритмов, а не фиксированный набор рецептов.
Сам цикл устроен просто: сгенерировали, оценили, посчитали advantage, обновили веса, синхронизировали. Этот же луп обслуживает генерацию text-to-image, text и image-to-video, vision-language задачи, чистый текстовый LLM и VLM, диффузионный prompt-enhancer на базе LLM и unified-генерацию, которую однозадачный RL-репозиторий просто не выразит.
По инженерной части все сделано под масштаб. Движки rollout подключаются как плагины (train-side, SGLang, vLLM-Omni) за единым типизированным контрактом, шардинг идет через FSDP2, а три режима развертывания переключаются одним параметром в конфиге. Прототип и распределенный прод живут на одном коде.
В релизе два собственных алгоритма. FlowDPPO оптимизирует политику для flow и диффузионных моделей с trust-region масками на основе точной дивергенции. DRPO делает RL для языковых моделей с гладким квадратичным регуляризатором, взвешенным по advantage.
Ссылки: код UniRL https://github.com/Tencent-Hunyuan/UniRL, статья FlowDPPO https://github.com/Tencent-Hunyuan/UniRL/blob/main/FlowDPPO/HY_FlowDPPO.pdf, статья DRPO https://arxiv.org/abs/2606.09821, источник https://x.com/TencentHunyuan/status/2064312869827809702