ИИ

«Объяснить код» — уже мало: Хабр расширяет ИИ-помощника для чтения статей Кнопку «Объяснить код» на Хабре нажали уже больше миллиона раз, а самой фичей воспользовались более 645 тысяч человек. Но код — не единственное, с чем приходится разбираться при чтении технической статьи: иногда хочется быстро понять сам материал, иногда — не продираться через длинную ветку комментариев, а иногда после чтения остаётся вопрос «хорошо, а где это можно применить?». Поэтому мы расширили SourceCraft Code Assistant. Теперь рядом со статьёй можно сделать её краткое содержание, собрать саммари комментариев, попросить объяснить материал простым языком или предложить варианты практического применения. «Объяснить код» при этом никуда не делось. Рассказываем, что именно получает модель в разных режимах, как устроено саммари обсуждения и почему команда собирается смотреть не только на количество нажатий.

Российский нейрочип от НТЦ «Модуль» НИИАС строит для РЖД комплекс «ЧИЖ», который сшивает картинку с четырёх камер и ищет объекты на путях. Держалось всё на Jetson Nano, а в марте 2022-го NVIDIA с российского рынка ушла. Подобрали отечественную замену, запустили и увидели, что Jetson быстрее примерно в пять раз. Дальше хуже: YOLOv4 на новом железе не поднимается вовсе, часть слоёв ускоритель не поддерживает. Детектор переучили на YOLOv5. Обычно такое в пресс-релизы не попадает, и тем интереснее читать. Цифры по остальному полю автор тоже не подслащивает: у чипа 2019 года 512 гигафлопс, а сопоставимой публичной метрики с нынешними Jetson Orin Nano и Huawei Ascend нет вовсе, свести их в один ряд не получается. При этом из всех российских разработок для нейросетей это единственный кремний, который можно купить и поставить в промышленную систему прямо сейчас.

Интересное в мире хай-тек 30 сентября 2026 Кратко о событиях за прошедший день 💠 В драйвер Intel Media Driver 2026Q3 для Linux добавили поддержку ускорения кодирования и декодирования видео для ускорителей Crescent Island на архитектуре Xe3P. Серверный ИИ-чип оснащен 32 ядрами Xe и до 480 ГБ памяти LPDDR5X при TDP 350 Вт. 🧮 Microsoft начала распространение Windows 11 26H2. Обновление устанавливается поверх версий 24H2 и 25H2 через небольшой пакет активации KB5121794 весом в несколько мегабайт. В апдейт вошли настраиваемая панель задач, ИИ-функции в «Проводнике», улучшенный поиск и отображение загрузки NPU в «Диспетчере задач». ⌨️ В Google Play появится гибкая система оплаты для ИИ-сервисов и приложений. Разработчикам станут доступны покупка подписок «корзиной», кросс-сервисные бандлы со скидками и оплаты по мере использования (для списания за токены). Все опции уже запустили в режиме раннего доступа. 🍎 По данным Bloomberg, новый CEO Apple Джон Тернус планирует оптимизировать структуру компании для ускорения анонсов устройств. Стратегия включает отказ от жесткой привязки к весенним и осенним презентациям, сокращение среднего звена менеджмента и сокращение маркетинговых бюджетов. Руководство рассчитывает поднять доходы от текущих продуктов и ускорить разработку новинок для конкуренции в сегменте ИИ. 🎮 Вышла версия менеджера эмуляторов EmuDeck 2.7 для SteamOS, Linux и Windows. Обновление добавляет автоматическую настройку геймпадов AutoMap до четырех игроков, поддержку RetroAchievements в Dolphin, перенос настроек между ОС и пресеты 1080p/4K для сторонних систем на SteamOS (включая Steam Machine). #хайтекзадень

ИИ-агента Muse от Meta* обвинили в чтении личной переписки без разрешения Журналист Inc. Джейсон Атен обвинил Meta* в нарушении приватности. ИИ-помощник Muse просканировал его сообщения в iMessage без разрешения. Нейросеть предложила тему для статьи на основе свежей переписки журналиста с коллегой. Когда пользователь спросил, откуда у неё эти данные, Muse соврала, заявив, что лишь «считала всплывающее уведомление на рабочем столе». Проверка показала, что агент скрытно синхронизировал локальную базу данных, выкачав более 187 тысяч сообщений. Представители Meta* опровергают несанкционированный доступ, заявляя, что чтение сообщений требует системного разрешения Full Disk Access в macOS. При этом топ-менеджер Meta* Дэвид Синглтон признал, что ложное объяснение нейросети о «чтении через всплывающие окна» — это галлюцинация модели. Инцидент вызвал скандал, так как при релизе Muse позиционировали как приватного помощника с полным контролем прав со стороны пользователя. *Meta признана экстремистcкой организацией в России, а ее деятельность запрещена.

Я уже давно юзаю Orca как основной ADE, но вот недавно на стриме у друзей узнал о еще одном — bb (это название) В стоке он выглядит как Codex, но главная фишка что весь UI состоит из TypeScript компонентов которые агенты могут переписывать/добавлять под себя Всё, что можно сделать в интерфейсе, доступно через CLI, SDK и HTTP API. Агент может сам запускать треды, менять внешний вид, допиливать интерфейс и тд Например мне щас в Orca не хватает предпросмотра ссылок в чате, а в bb это можно сделать опусом за 10 мин Хотя это вообще самое примитивное, вон видел как люди встраивают Grok Bot в интерфейс bb 😮 В целом мастхев для тех кому в работе нужны кастомные виджеты поверх харнеса, и не хочется мучаться с терминальным UI ☕️ Скачать (macOS) | GitHub P.s есть еще встроенный account pooler, чтобы автоматом переключать учетки Claude/Codex когда кончается лимит @tips_ai #tools

🎦 Про сериалы Ушла эпоха, Netflix перешел со своих мегамудреных рекомендательных алгоритмов на ллмки и предлагаю посмотреть почему — может быть вам отзовется для ваших проектов на работе. Раньше ранжированием занималась классическая дискриминативная модель, которую годами обвешивали тысячами вручную сконструированных фичей, их кросс-взаимодействиями и отдельными архитектурами под каждую задачу, а теперь будет внутренняя ллм. 🤔Почему? Старый стек перестал успевать за бизнесом. Чтобы добавить новый тип контента (игры, лайвы, подкасты) или новую поверхность в интерфейсе, приходилось переделывать фичи, архитектуру, инфру и заново гонять эксперименты. LLM же уже знает мир и умеет понимать контент, так что эти способности не нужно строить с нуля. Кроме того, рекомендациями можно управлять промптом, а не обучать под каждый кейс новую модель. 🇹🇱 Кратенько про архитектуру Обучение идёт в две фазы. Сначала open-source LLM дообучают на данных Netflix, и получается foundation-модель, которая понимает каталог и зрителей. Потом эту модель регулярно дообучают уже под ранжирование. На вход ей подаётся текст: история просмотров, метаданные тайтлов и контекст (устройство, время, страна), причём история оформлена как диалог пользователя с рекомендателем. Токены модель не генерирует. Вместо этого catalog-aware head за один forward pass выдаёт скоры сразу для всего каталога, поэтому выдумать несуществующий тайтл она не может в принципе. В проде это крутится на vLLM в режиме prefill-only, без декодинга и beam search. Чтобы модель думала о долгосрочном удержании и соблюдала баланс между фильмами, играми и лайвами, в лосс добавили веса от reward-моделей. GRPO тоже пробовали, и он давал прирост, но обучение с ним оказалось слишком дорогим. 🔢 Числа GenRec обучали на данных Phase 2, которых примерно в 40 раз меньше, чем у прод-модели, и всё равно офлайн MRR вырос на 1.6%. A/B-тест шёл четыре недели на ~10% трафика и показал статзначимый рост как краткосрочных, так и долгосрочных метрик. Обе фазы вносят заметный вклад: Phase 1 даёт +10–20% к MRR по сравнению с обычной OSS-моделью, а Phase 2 добавляет сверху ещё 35–50%. Бэкбоны тестировали от ~1B до ~10B параметров, и качество монотонно росло и с объёмом данных, и с размером модели, так что скейлинг-законы работают и в рекомендациях. Отдельно поработали над контекстом: его ужали с ~5000 до ~1700 токенов почти без потери качества, и инференс подешевел примерно втрое. Получается совсем не нужно было городить этот зоопарк фичей и эвристик, а можно было просто хорошо покрутить модельку. Думайте. #AI @techn0danya

2. С ИИ люди становятся более универсальными. На графике ниже из исследования OpenAI видно, что по мере использования ИИ люди все чаще начинают выполнять задачи из смежных областей. Например, продажник начинает самостоятельно делать качественные (в разы лучше любого отдела дизайна!) маркетинговые материалы, может проверить на ошибки сложный контракт или написать красивое письмо назнакомом языке. Исторически, компании строились на разделении труда и отделах маркетинга, финансов, юристов, инженеров. Функции не меняются и не исчезают, но кросс-функциональная работа требовала медленной и дорогой коммуникации. Саму коммуникацию вместо людей все больше делают агенты, а те места где взаимодействие отделов не слишком важно, оно схлопывается до эффективной связки IC<>агент.

Утро началось с письма счастья от OpenAI. Суть письма со скриншота примерно в следующем:

Теперь за $200 ты будешь получать в два раза меньше токенов. Вот тебе модель GPT-6.1-sol – начинай экономить. Можешь вот ещё по $500 в месяц тратить, если экономия тебе претит. Но там будет лишь немногим больше лимитов, чем у тебя сейчас (но мы их отберём в конце октября, потому что можем)

Интересно, что пару дней назад я говорил об этом на эфире. Кстати, вот тут есть в записи. Повторю мысль в текстовом формате:

Если у вас код в компании разрабатывается при помощи подписочных планов на внешние сервисы (Codex/Claude Code и т.д.) – это хрупкая конструкция. В любой момент провайдер может увеличить стоимость подписки, снизить лимиты или даже в одностороннем порядке изменить качество ответа моделей (мощности понадобились для раскатки новых моделей, например)

В качестве контр-аргумента я получил примерно следующее:

Ну, до этого момента ведь всё работало только лучше с каждым новым релизом!

И вот сегодня утром получаю подтверждение своим словам. Не хотел я оказаться прав так быстро... Проговорю ещё раз, как сохранить устойчивость агентных пайплайнов: 1. Отслеживание работы AI-агентов и её качества – must have. В этом деле может помочь, например, Langfuse (писал про него тут). Там недавно, кстати, v4 вышла. 2. Для разных этапов пайплайна – разные модели от разных вендоров. Это, в целом, немного увеличивает устойчивость процесса. Так как, благодаря наличию конкуренции, вендоры пока что чудят по одному, а не все и сразу (но скорость в AI-индустрии растёт, всё может измениться). 3. Для каждой выбранной модели должно быть обоснование в цифрах, почему она лучше всего подходит для данного этапа пайплайна и для неё зафиксировано соотношение цена/качество. 4. Если часть агентов у работает через oAuth и использует подписку, то стоит узнать, как изменятся расходы в случае, если придётся перейти на использование по API. Так как аккаунты иногда банят. 5. Иметь запасной план. На какую модель переходить определённому этапу пайплайна, если текущая станет недоступна. Как изменится при этом соотношение цена/качество. 6. Постоянно проводить работы по снижению зависимости от закрытых LLM. Как по подписке, так и по API. Потому что в любой момент их могут убрать из доступа или понёрфить. Относятся эти пункты, прежде всего, к ситуации, когда результат работы AI-агентов уйдёт конечному пользователю. Внутренние продукты только для себя или для коллег отдела могут обладать куда менее строгими требованиями.