В пятницу вышла Qwen3.8-27B. Скажу честно, с середины мая я отказался от подписок и сидел исключительно на локальной Qwen3.6 (для всех своих домашних проектов), у меня даже статья была на эту тему. Поэтому мне было очень интересно увидеть на что способна новая Qwen3.8-27B.

Тут на Хабре было несколько статей о том, что 3.8 слишком долго думает и что у 3.8 слишком много галлюцинаций (что, как мне кажется, не совсем корректно), поэтому я решил поделиться настройками, которые работают (у меня), надеюсь они будут кому-нибудь полезны. Qwen3.8-27B превзошла мои самые смелые ожидания, и уж что-что, а задумчивой ее никак не назовешь.

Есть у меня отдельная машина: материнка под Xeon E5-2696 v4 (22 ядра, 44 потока), 128 ГБ DDR3-1600 и видеокарта GTX 1070 на 8 ГБ. Плата с процессором и памятью обошлась примерно в 35 тысяч рублей, карта — ещё 8 тысяч с рук. Итого — тысяч 43 за всё, железо уровня “давно списано из майнинг-фермы и дата-центра”.

На этой штуке я запустил Qwen3.8-Flash-Next — MoE-модель на 125 миллиардов параметров (~6 млрд активных на токен) — и она реально работает. Не “теоретически запускается с квантованием до состояния овоща”, а выдаёт 14-15 токенов в секунду генерации на контексте 24,5К. Честно, не ожидал.

Разбираем необычную конструкцию async void

В чем отличие от написания async Task? Какие проблемы могут за ней скрываться? Для чего ее ввели в язык? Как ей правильно пользоваться?

Ответы на все эти вопросы далее в статье

ИИ легко генерирует тесты, которые проходят с первого раза — и именно поэтому им опасно доверять без проверки. В статье разбираем, откуда берутся «зелёные» тесты, пропускающие баги, почему покрытие мало говорит о качестве и какие подходы помогают проверять сами тесты на прочность.

Статья будет полезна не только пользователям DeepSeek API. Она пригодится тем, кто покупает на Taobao, Tmall и 1688, и тем, кто собирается в Китай: там через Alipay можно оплатить метро и транспорт, билеты, отели и многое другое. Для вашей конкретной ситуации уточняйте отдельно — нюансы возможны.

Меня тоже заблокировали, и я пошёл разбираться, чем теперь пользоваться. Хотелось найти замену для работы с кодом и файлами и понять, сколько она будет стоить. Вот что получилось на ноябрь 2026 года.

В двух предыдущих статьях мы проверяли языковые модели на наших повседневных задачах: работе с данными в электронном лабораторном журнале и исправлении ошибок в трёх закрытых проектах на Delphi — от программы рентгеновской рефлектометрии X‑Ray Calc до нашей системы управления лабораторией.

В обоих тестах локальные модели на моей рабочей станции (одна карта RTX 5080 на 16 ГБ и 62 ГБ оперативной памяти) заметно отставали от облачных лидеров. На вопросах по журналу ранняя сборка Qwen 3.8 IQ2_XS набрала жалкие 33% (8 из 24), а gpt‑oss-20b — 40%. На задачах Delphi специализированная Qwen 3.8 Coder IQ1_M взяла 16 задач из 20 (80%). Результат уже вполне рабочий, но до Claude Sonnet 5.5 (19/20) она всё‑таки не дотянула.

Конечно, можно было на этом успокоиться и списать отставание на скромные 16 гигабайт видеопамяти. Но мне не давал покоя вопрос: модель действительно упёрлась в свой потолок или мы сами подрезали ей крылья настройками и капризными инструментами? Сели разбираться — и довольно быстро нашли узкие места. Поменяли урезанную сборку весов на полную, поправили конфигурацию сервера, научили инструменты спокойно относиться к мелким огрехам сериализации — и на том же самом железе локальная Qwen 3.8 взяла реванш!

Коротко, что случилось:

— Head of Cloud Platform нашей команды 10 лет был senior+ разрабом, когда пошёл искать работу — его отбрили несколько раз корпораты, пару раз — по формальным причинам.

— Он знатно так подохренел от того, как сейчас стал устроен найм и что с рынком.

— Если что, у него огромный опыт в разработке тяжёлых систем и опенсорс-опыт (один из инфраструктурных продуктов с 10 тысячами звёзд на Гитхабе).

— Когда вышел на проект — проработал новую систему собеседований для нашей команды с нуля, чтобы такого буллшита не было.

А вообще это пост про то, как поменялась профессия после прихода агентских ИИ-сред и насколько забавно выглядит переходный процесс.

Начнём с того, что сейчас в принципе отпала необходимость в разработчике как в узком специалисте. Все, кто остался на рынке задорого, стали T-shaped. То есть одновременно и бэкендеры, и фронтендеры, и умеют деплоить, и плюс ещё продуктово мыслят, параллельно думая о бизнесе.

Собственно, у него такая работа и была последние годы, поэтому доходы у него и были сильно выше рынка.

И вот с такой подготовкой он закончил крупный проект и вышел на рынок труда с уверенностью, что его опыт там точно нужен. Казалось бы, что могло пойти не так?

Всем привет. Я сеньор и тимлид на .NET (C#). До недавнего времени работал в Росатоме, пока там внезапно не сократили целую дирекцию по цифровизации. Так что пришлось срочно выходить на рынок, причём, впервые в моей жизни (до этого работа находила меня сама). По результатам нескольких циклов собеседований получился неплохой дневник, который я здесь привожу.

В какой момент доработка чужого open source проекта превращается в создание собственного устройства? Когда заменена одна деталь? Половина? Почти все? Или когда от первоначальной конструкции остается только идея?

Несколько лет назад я собрал эргономичную раздельную клавиатуру с встроенным трекболом — Charybdis. Тогда я и представить не мог, что этот проект затянет меня настолько, что я в итоге начну разрабатывать полностью свою клавиатуру.
Все начиналось с небольших изменений — тут подправить геометрию корпуса, здесь изменить толщину посадочного места под свитчи, там переработать крепление деталей, а где то — заменить электронику. Но каждая следующая доработка тянула за собой новые, и постепенно от исходной конструкции оставалось все меньше.

Так появилась Theseus — клавиатура, названная в честь знаменитого парадокса о корабле Тесея, в котором одну за другой заменили каждую деревянную доску.

Но прежде, чем рассказать, как я дошел до этого, стоит вернуться немного назад.

На сайте Хэдхантер можно пройти тесты навыков, результаты которых должны выделять успешных кандидатов среди «основной массы». Эти же тесты входят в национальную систему подтверждения ИТ‑компетенций, а на Госуслугах за них можно получить электронный сертификат. Звучит солидно и крайне полезно, но насколько вообще репрезентативны эти тесты в современных условиях бума ИИ? Давайте разберемся.

Меня зовут Виктор, я разработчик с многолетним опытом (про качество опыта говорить ничего не буду, оставим это за скобками). Знаю Delphi, C++ и Java/Kotlin, но особо не разбираюсь в веб‑разработке, JavaScript, Python и искусственном интеллекте. Весь описанный ниже результат я получил с помощью браузерной версии Gemini: просто следовал советам ИИ, запускал скрипты, отчитывался об ошибках, и так по кругу. Мои личные правки минимальны. В целом ничего сложного здесь нет: хоть «домохозяйки» едва ли повторят, но любой начинающий айтишник справится, а более опытные ребята и девчата смогут сделать во сто крат лучше.

Последние месяцы я делаю фичи в Claude Code не одним агентом, а командой: ведущий режет работу на задачи, кодеры пишут, рецензент смотрит, проверяющие принимают.

Довольно быстро выяснилось, что самый дорогой участник такой команды — не кодер и не рецензент, а ведущий, который просто ждёт. Его будит только внешнее событие, тишину команды он не отличает от её смерти, и каждое «посмотрю, как там дела» оплачивается всем его контекстом, а к середине прогона это сотни тысяч токенов. Одна пересылка письма через ведущего при контексте 437k стоила $0,38 по ценам API.

И тут я решил переизобрести Event Loop для Claude Code

Из этого вырос supertick — плагин для Claude Code, в котором ожиданием занимается скрипт, а не модель. Код открыт под MIT: https://github.com/denizen24/supertick. Ниже — как он устроен, как поставить, как он выглядит на живой задаче, сколько стоили задачи, где в команде другие модели и на какие грабли я наступил по дороге.

Скажу честно: я не понимал, зачем нужны SKILL-ы для LLM-агентов. Вот с MCP все понятно: полезная вещь, с помощью которой можно дать LLM доступ к базе данных или к Figma. Единственный недостаток: чтобы не тратить много токенов, желательно не подключать сразу 30 MCP-серверов. И вообще, лучше отключать лишние и подключать только те, которые действительно нужны для задачи. В этом свете SKILL-ы казались мне бесполезным оверхедом, который жрет токены как не в себя. В TikTok часто видел россказни в духе: подключи такой SKILL или сразу целую пачку, и будет тебе счастье. У меня сразу возникала мысль: если подключить их все, лимиты по подписке будут заканчиваться не к обеду, а уже утром.

Разбираю 4 паттерна отказоустойчивости: Retry, Deadlines, Rate Limiting и Circuit Breaker. Не только теория, для каждого паттерна показываю реальный код на Go, который его реализует и схемы которые объясняют механику на пальцах.

На просторах «Али» мне встретилась очень интересная плата. Тут распаян Xeon аж на 16 ядер с поддержкой бюджетной DDR3L памяти, при этом с достаточно низким потреблением и очень богатым I/O.

С такими вводными это просто идеальный кандидат для NAS и CORE сервера домашней лабы! Что пришло, с какими проблемами я столкнулся, и что там в тестах — далее в статье.

150 откликов, ноль интервью. Но виноват, конечно, рынок труда.

В IT принято автоматизировать процессы, искать узкие места и разбираться, почему система не работает.

Но когда дело доходит до собственного трудоустройства, вся аналитика куда‑то исчезает. Отправили 150 откликов, не получили ни одного интервью? Значит, надо отправить ещё 150.

Если бы так работал отдел продаж, у руководителя давно возникли бы вопросы. А у соискателя обычно один вывод: «Работы нет».

Я больше восьми лет занимаюсь IT‑рекрутингом, и у меня для вас неприятная новость: 150 откликов — это не 150 работодателей, которые изучили ваш опыт и решили отказать. Разбираю, что происходит по другую сторону вакансии и почему, пока одни кандидаты считают отклики, другие выходят на рекрутеров и руководителей напрямую.

Заодно покажу, как собрать собственную исходящую воронку поиска работы. Без волшебных ботов и надежды, что на 151-м отклике наконец повезёт.

Неделю назад я запустил DevRaid — платформу, где разработчики подтверждают навыки через сдачу репозиториев. За это время через неё прошли 47 человек, 80 сдач, 20 подтверждённых профилей. И я понял одну вещь, которая бьёт по всей индустрии найма.

GitHub — не подтверждение кода. Это склад файлов. И работодатель это знает.

As we say, two of the most complicated problems in software are naming things and versioning software

Когда-то в кулуарах Devoxx Belgium нечто подобное сказал Томас Вюртингер, лид проекта GraalVM, поясняя детали вот этой нашумевшей статьи. Это не точная цитата, а лишь фраза, призванная обратить внимание на проблему. О ней сегодня мы и поговорим.

Всем привет! Меня зовут Михаил Поливаха, я являюсь техническим лидером Open Source проекта Axelix.

Довольно давно я хотел написать небольшую статью про версионирование ПО в целом, поскольку, как мне кажется, этой теме незаслуженно достаётся мало внимания. Для многих версионирование заканчивается на SemVer, но тема гораздо, гораздо более обширна, чем может показаться.

TL;DR. Я купил мини‑ПК с Ryzen AI 9 365, чтобы гонять большую локальную модель на NPU. Начал с Windows ради гибрида NPU+iGPU, который так и не заработал, прошёл квест с драйвером NPU, выяснил, что NPU видит только половину оперативки, переехал на Proxmox и в итоге запустил Qwen3.6–35B‑A3B через FastFlowLM прямо на хосте. Модель работает 24/7: prefill около 200 ток/с, decode 13–17 ток/с. По дороге выяснилось, что NPU обслуживает один запрос за раз, падает с double free, если клиент не дождался ответа, и умеет выгнать из памяти большую модель ради маленькой embedding‑модели. Ниже вся дорога по порядку, мини‑гайд и цифры.