«С понедельника пишем код через ИИ-агентов!» — говорите вы на созвоне. Вы предвкушаете ускорение процессов, а разработчик в этот момент молча обновляет резюме на Хедхантере. Почему классные ИИ-инструменты вызывают у команды только тихий ужас и глухое сопротивление? Разбираем реальные страхи разработчиков перед автоматизацией и делимся готовыми шпаргалками для руководителя, которые спасут ваше следующее планирование.
Если вы подключаете к чату настоящие инструменты, нужно проверить два случая: когда вызов следует выполнить и когда ни один инструмент не подходит. Я сравнил два способа: модель сама пишет вызов или выбирает функцию и аргументы из готовых вариантов.
Второй способ я исследую в собственной экспериментальной системе ELM — так я называю свой проект. Код предлагает варианты, нейросеть выбирает из них, а код собирает вызов. В проверяемом здесь режиме нейросеть не генерирует текст вызова.
На сборке вызовов локальная Bonsai-2-27B заметно обошла мою систему. На задачах, где нужен отказ от неподходящего инструмента, результат был обратным: 88,3% у ELM против 15,4% у Bonsai. Разберу, что именно я измерил и где проходит граница этого сравнения.
Меня зовут Алексей Рыбаков, я генеральный директор IT-компании «Омега Софт» из Йошкар-Олы. Последние 15 лет наша команда создает сложный промышленный софт для крупных российских предприятий. Мы привыкли работать в правовом поле, сдавать проекты в срок и верить, что добросовестное исполнение контракта — это главная защита бизнеса.
Но прецедент, с которым мы столкнулись в рамках дела № А40-311087/2025, показал: перед лицом гигантской корпоративной машины и слепого судейского формализма независимый российский IT-бизнес абсолютно беззащитен.
У нас полностью, до единой строчки кода, бесплатно отобрали уникальный отечественный программный продукт, отказались выплачивать заработанные 24,7 млн рублей, взыскали независимую гарантию на 3,2 млн рублей и уничтожили предприятие через внесение в РНП (Реестр недобросовестных поставщиков). Причина? Собственные технические службы заказчика в течение 7 месяцев были не способны настроить свои же сервера.
Этот текст — не просто жалоба. Это детальный разбор вопиющей несправедливости, которая прямо сейчас создает смертельную угрозу для всей отечественной IT-индустрии и выполнения государственных задач по технологическому суверенитету.
Мне давно было интересно попробовать запустить корутины на микроконтроллере, но стандарт С++ совершенно не учитывает мир embedded с его ограничениями и не даёт возможности создать корутину в статической памяти.
Недавно я обнаружил что LLM агенты уже могут реализовывать довольно сложные задачи самостоятельно с неплохим качеством кода.
И тут я понял - чего бы не попробовать сделать своё расширение для clang с корутинами, которые гарантированно не используют аллокации и поверх этого реализовать небольшую операционную систему на корутинах для микроконтроллера.
В предыдущей части статьи были рассмотрены принципы и механизмы работы PHY-уровня радиолюбительского OFDM-протокола, а также алгоритмы кодирования и декодирования данных. В этой статье рассматриваются принципы построения уровней управления доступом к среде (MAC) и управления логическим каналом (LLC), реализующих полудуплексное сетевое соединение между двумя трансиверами, а также анализируются возникшие при реализации и методы их решения.
Будем откровенны: в 1998 году космологи были по-настоящему ошеломлены, когда наблюдения показали, что расширение Вселенной ускоряется. Казалось, этому есть вполне очевидное и правдоподобное объяснение - космологическая постоянная, предложенная Эйнштейном, которая эквивалентна постоянной плотности энергии вакуума, заполняющего всё пространство.
Однако уже тогда было известно, что космологическая постоянная на много порядков меньше своего «естественного» значения. И тот факт, что она настолько мала, но при этом всё же не равна нулю, выглядит как результат чрезвычайно тонкой настройки параметров. Обжёгшись на молоке, дуешь на воду. Поэтому с тех пор мы ищем свидетельства того, что тёмная энергия может быть не строго постоянной величиной, хотя такое предположение требует ещё более тонкой настройки.
В этом выпуске мы беседуем с космологом Марком Камионковским о недавно появившихся свидетельствах того, что тёмная энергия может изменяться со временем, а также о том, как это может быть связано с напряжённостью Хаббла и другими космологическими аномалиями.
Марк Камионковский получил степень доктора философии (PhD) по физике в Чикагском университете. В настоящее время он занимает должность профессора физики и астрономии имени Уильяма Р. Кенана-младшего в Университете Джонса Хопкинса. Среди его наград и достижений - премия Грубера по космологии, премия Дэнни Хайнемана по астрофизике, избрание в Национальную академию наук США и получение стипендии Гуггенхайма.
После внедрения трех проектных офисов, смысловая нагрузка одного из принципов управления от PMI - синергия, для меня, обрела еще более прикладной формат. Далее пойдет моя трактовка, с ориентиром на практики и стандарты от PMI: PMO: Практическое руководство и стандарты управления проектом\программой\портфелем.
Отталкиваясь от принципа, внедрение проектного офиса следует рассматривать одновременно как проект с ограниченными ресурсами и сроками, как создание управленческой функции и как разработку продукта для пользователей.Начинается этот набор подходов с проблем бизнеса, запускается через минимально жизнеспособный продукт и развивается по мере появления результатов и обратной связи.
Агент один раз сверил прайс-лист и собрал отчёт. Через неделю пришёл новый файл, и задачу нужно повторить. На повторном запуске агент снова планирует шаги и тратит на это токены, а отчёт приходит в другом формате.
В статье разобраны четыре способа, которыми агентные системы решают задачу повторного запуска: сохранённый промпт (ChatGPT Scheduled Tasks, задачи по расписанию в Claude Cowork), скиллы (Agent Skills), граф шагов (n8n, Copilot Studio, сценарии в Айве) и код с кэшем действий (Stagehand). Для каждого способа описано, что хранится, кто составляет план при повторе, сколько вызовов модели уходит на запуск и что происходит, когда вход изменился или процесс упал посередине. Отдельно про недетерминизм модели при температуре 0 и защиту от повторных побочных эффектов.
Автор проекта 3D‑печатных защитных накладок SnoutCover подвёл итоги первого года продаж. Идея началась с защиты носа питбуля Билли, страдающего от красной волчанки, а уже сейчас накладками пользуется более 500 питомцев из 16 стран.
Meta* (признана экстремистской и запрещена в РФ) 15 октября выложила веса Muse Spark Open – открытой версии своей модели Muse Spark. Компания называет ее “самой мощной американской моделью с открытыми весами”: по агентным бенчмаркам новинка обходит открытые модели Nvidia и Thinking Machines, но по общему индексу уступает китайским Kimi K3 и GLM 5.3. Разбираем карточку модели, лицензию, замеры Apple и то, какое железо нужно, чтобы запустить 816 млрд параметров у себя.
В 2017 году мужчина по имени Майкл вышел на сцену перед заполненным залом Kresge Auditorium в MIT и попытался нарисовать спираль, один из распространённых тестов, которые врачи используют при диагностике болезни Паркинсона. Из‑за вызванного болезнью тремора сделать это было трудно.
Затем Майкл надел на запястье устройство, созданное командой студентов MIT в рамках курса 2.009 «Процессы разработки продуктов», представлявших в тот вечер свой прототип.
Майкл нажал кнопку, и устройство начало слегка вибрировать. Вибрация передавала сигналы от запястья в мозг. Тремор резко уменьшился, и уже через несколько секунд Майкл смог нарисовать спираль гораздо точнее под громкие аплодисменты аудитории.
В феврале этого года, через девять лет после смелой демонстрации Майкла, работа наконец принесла результат: управление по контролю качества пищевых продуктов и лекарственных средств США (FDA) разрешило использовать устройство Encora для помощи взрослым с эссенциальным тремором, заболеванием, которое, подобно болезни Паркинсона, вызывает дрожание, часто в руках.
«Это был долгий и трудный, очень трудный путь, но одновременно очень благодарный, особенно когда мы получаем отзывы пациентов», — говорит Дэниел Карбальо, сооснователь Encora и вице‑президент компании по стратегии, окончивший MIT в 2018 году и получивший степень магистра в 2020-м.
Карбальо предложил создать носимое устройство, которое с помощью механической вибрации посылало бы сигналы в мозг и уменьшало тремор. Первоначально идея заключалась в помощи пациентам с болезнью Паркинсона.
Вчера у вас было шесть разработчиков, сегодня — двенадцать, а задач и ответственности стало только больше. Ревью копятся, встречи один на один постоянно переносятся, а тимлид постепенно превращается в узкое место всей команды. Разбираем семь ошибок, которые возникают при резком росте команды, и способы перестроить управление, пока проблемы не привели к потере сильных специалистов.
Cloudexplorer.ru проект про сбору и анализу данный в доменных зонах .ru .su .рф .com и других. История DNS, поиск домена на NS серверах, статистика, список доменов по зонам, mcp и api серверы и много другое
Я преподаю C# и делаю платформу обучения IRON PROGRAMMER во Владикавказе. Когда ученики присылают решения, я часто вижу длинные цепочки проверок. Объект существует, вложенное свойство не null, город совпадает, прогресс дошел до нужного значения. Сопоставление с образцом (pattern matching) записывает такую проверку в одну строку.
Коротко. C# 7 дал образцы объявления и when, C# 8 выражение switch и образцы свойств, C# 9 сравнения и and/or/not, C# 10 вложенные свойства через точку, C# 11 образцы списков. В C# 12, 13 и 14 новых образцов не появилось, а что будет в C# 15, расскажу в конце.
Статья для тех, кто уже знаком с условиями, классами и коллекциями в C#. Разберем, какие задачи решают образцы и в какой версии появился каждый прием.
Разработчики браузерного игрового движка LittleJS выпустили обновление. В нём появились собственный 3D‑рендер, встроенные редакторы двухмерных и трёхмерных уровней, библиотека эффектов частиц и новых инструментов для разработки с помощью нейросетей.
Meta* открыла веса Muse Spark Open — мультимодальной модели для программирования и многоэтапных задач. Разбираемся в плюсах и минусах релиза.
Модель содержит 816 млрд параметров, из которых активно используются 42 млрд. Она построена на архитектуре Mixture of Experts (MoE), принимает текст, изображения, видео и аудио, а на выходе генерирует текст.
73% компаний, входивших в индекс S&P 500 в 1996 году, больше не входят в этот индекс. Это капитализм в действии. Созидательное разрушение. Постоянные потрясения. Ни одна компания не может оставаться на вершине вечно.
Мы живем в эпоху доступности генеративных нейросетей, однако большинство качественных инструментов улучшения качества фото и видео остаются либо платными SaaS-сервисами, либо сложными академическими проектами. Когда речь заходит об обработке больших объемов личных данных - будь то оцифровка семейных видеокассет или архива институтских пленок - возникает закономерный вопрос доверия и стоимости.
Мы поставили перед собой цель: автоматизировать процесс реставрации старых материалов, сохранив их аутентичность. Готовые решения зачастую применяют избыточную резкость или некорректно обрабатывают специфические дефекты пленки (например, царапины или цветовой сдвиг). Кроме того, изучение механики обучения и инференса подобных моделей требует полного доступа к весам и архитектуре, чего закрытые API предоставить не могут.
Формальная постановка задачи
В рамках данной статьи поставим задачу supervised image-to-image translation (обучение с учителем для преобразования изображения в изображение) для восстановления ретрофотографий и изображений очень низкого качества.
Формально задача выглядит так:
Вход: изображение низкого разрешения XLR ∈RH×W×3 с наложенным синтетическим шумом (гауссов шум, «соль и перец», квантование цвета и др.), имитирующим дефекты старой плёнки или цифрового сенсора.
Выход: изображение высокого разрешения YHR ∈R2H×2W×3, максимально близкое к эталону.
Функция потерь: комбинированная - L1 (MAE) для попиксельной точности + perceptual loss (на признаках предобученной VGG) для сохранения визуального качества.
Не всякий рост бывает экспоненциальным. Но именно так нередко растут новые технологии, бизнес-модели и идеи, которые в итоге меняют рынок. Сначала они кажутся слишком маленькими, чтобы воспринимать их всерьёз. А когда их значение становится очевидным, бывает уже поздно. Хороший пример Netflix.
Сегодня Netflix ассоциируется со стримингом и собственным контентом. Но начинала компания совсем иначе. В первые годы это был сервис проката DVD по почте. В годовом отчёте за 2004 год Netflix описывала себя как крупнейшую онлайн-службу подписки на аренду фильмов: более 2,6 миллиона подписчиков, каталог свыше 35 тысяч фильмов и телепрограмм, ежемесячная подписка за 17,99 доллара, возможность держать дома до трёх дисков одновременно без сроков возврата, штрафов за просрочку и отдельной платы за доставку. Пользователь выбирал фильмы на сайте, получал их по почте и затем отправлял обратно в предоплаченных конвертах.
В тот момент многим казалось, что традиционные сети видеопроката, прежде всего Blockbuster, по-прежнему обладают очевидными преимуществами. Логика выглядела убедительно: людям нравится прийти в магазин, пройтись вдоль полок, выбрать фильм на месте, получить совет от сотрудника и сразу унести диск домой. На этом фоне ожидание доставки по почте казалось неудобным и заведомо проигрышным решением.
Но у Netflix были свои сильные стороны: огромный каталог, которого не мог предложить обычный видеосалон, персональные рекомендации на основе предыдущих просмотров и отсутствие штрафов за просрочку — одной из самых раздражающих особенностей традиционного проката. А главное, компания с самого начала двигалась не просто к более удобной аренде DVD, а к другой модели потребления контента.
Это стало особенно ясно позже. Стриминговый сервис Netflix запустила только в 2007 году, когда компании было уже десять лет. Иными словами, почти десятилетие она строила промежуточную модель, которая со стороны могла выглядеть как обычный бизнес по доставке дисков. Но в действительности эта модель была переходным этапом. Netflix наращивала клиентскую базу, привычку пользователей к подписке и инфраструктуру отношений с аудиторией, чтобы затем перейти к интернет-доставке контента.
Именно этого Blockbuster и другие офлайн-сети не увидели. В начале 2000-х Netflix всё ещё выглядела слишком маленькой на фоне традиционного рынка видеопроката. Те же 2,6 миллиона подписчиков в 2004 году для гиганта вроде Blockbuster не казались серьёзной угрозой. Но пока старые игроки смотрели на абсолютные масштабы бизнеса, Netflix росла по логике, которая редко выглядит опасной на раннем этапе и почти всегда становится очевидной слишком поздно.
В итоге именно она превратилась в ведущую мировую платформу подписного видеосервиса, а Blockbuster к 2012 году оказался в банкротстве под давлением нового способа потребления контента. Так работает экспоненциальный рост: сначала он кажется нишевым отклонением от нормы, потом — любопытной альтернативой, и лишь в самом конце становится ясно, что это уже не альтернатива, а новая реальность.
