Меня зовут Александр Ларин, я руковожу центром обучения и технической поддержки в GlowByte. Мы постоянно внедряем FineBI у клиентов и регулярно слышим один и тот же вопрос: «а где почитать или посмотреть, чтобы разобраться самому?» Решил собрать ответ в одном месте.
Мотивом для написания этого текста послужили неоднократные эпизоды с навязчивой таргетированной рекламой, нашумевшие случаи мошенничества и, несмотря на то, что из каждого утюга криком кричат о цифровой гигиене, — массовое наплевательство в ее отношении.
Будет много буквачек, много базовых вещей, если ты ниндзяилонмаск, — не читай. Если интересно, но лень читать — главное в финале
Большинство контент-планов, которые я видел, построены на таблицах: тема, дата, площадка, статус, иногда ответственный и ссылка на публикацию.
Для простого расписания этого достаточно.
Но если вы регулярно производите контент, такой формат быстро перестаёт отражать реальный процесс.
Проблема в том, что контент — это не только публикация.
Материал состоит из идеи, черновика, сценария, обложки, исходников, видео, транскрибации, текстовой версии, связанных постов, ссылок и массы других компонентов. Всё это не «дополнительные файлы вокруг публикации». Это и есть сам процесс производства материала.
Поэтому я начал собирать для себя контент-план, как первый слой будущей системы управления контентом. Пока это одна база данных в Buildin.ai, но даже на этом уровне она уже решает проблему, которую обычная таблица не закрывает.
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 (read-only). 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).
🏭 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): https://codeberg.org/imperius/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
В феврале этого года Питер Штайнбергер, создатель OpenClaw, присоединился к команде OpenAI и перебрался в Сан-Франциско. Питер всё так же работает над своим автономным агентом на больших языковых моделях, попутно пытается найти жильё (он до сих пор живёт в отеле и приценивается к перегретому рынку недвижимости в городе), но также продолжает заводить полезные знакомства и просто посещать разнообразные мероприятия. К примеру, на днях он появился на выступлении OpenAI Developers на AI Engineer World’s Fair — большой конференции для инженеров, которые уже собирают и выкатывают системы на искусственном интеллекте в продакшн.
Это не значит, что личный микроблог Штайнбергера — просто перечисление недавних встреч и выступлений вперемешку с анонсами новых версий OpenClaw. Питер умудряется находить в своём плотном графике время вести интересный личный дневник и репостить чужие мемы. Иногда он и сам выкладывает что-то любопытное.
Известно, что лимиты Codex часто (иногда по несколько раз в месяц) внепланово сбрасывают. Обычно это выглядит так: Тибо Соттьо, главный по Codex в OpenAI, объявляет, что в приложении была ошибка учёта использования, и её закрыли, поэтому в качестве извинений недельные лимиты были у всех сброшены вне очереди, а также добавлен один сброс, который пользователь может вызвать сам.
Штайнбергер показал шуточную кнопку этих самых сбросов недельных лимитов Codex. Где такой экспонат выставлялся (на одном из мероприятий или это фотокарточка из офиса OpenAI), Питер не уточняет.
В команде Flipper Devices Inc. рассказали в своём техническом блоге про будущее развитие прошивки Flipper Zero. Разработка этого проекта не заброшена, как некоторые думают, а подход развития проекта был пересмотрен.
Claude Fable 5 вернулась к пользователям 1 июля после 19 дней блокировки. Модель снова работает в API по стандартным тарифам, а в подписках Anthropic запустила промо-акцию: до 7 июля Fable 5 доступна на всех платных планах. Тратить на нее можно до 50% недельного лимита, после чего придется переключиться на другую модель или докупать usage credits — условия описаны в справке.
Center for AI Safety (CAIS) и Scale Labs обновили результаты Remote Labor Index (RLI) — бенчмарка, который проверяет ИИ-агентов не на синтетических тестах, а на настоящих фриланс-заказах: 3D и CAD, архитектура, дизайн, видео и анимация, аудио, аналитика данных, веб-приложения. Живой эксперт сравнивает работу агента с эталонной работой оплаченного профессионала, и решает, справился ли ИИ. Новая модель Claude Fable 5 показала лучший результат за всю историю теста по ключевой метрике automation rate (доля проектов, принятых как минимум наравне с человеческой работой) — 16,1%. Это почти вдвое больше, чем у Opus 4.8 (8,3%), и еще больше, чем у GPT-5.5 (6,3%).
Есть на ютубе видео на пятьдесят минут с гордым названием «худший язык программирования всех времён». Не удивлюсь, если вы подумаете, что оно про C++. Оно действительно про плюсы и я его смотрел где-то с полгода назад, ну как смотрел... пробежался на x2 с перемотками, мало ли что обиженный джун там наговорил, но добрый @alyokhinопять про него напомнил, и теперь я его посмотрел полностью. И знаете что самое неприятное? Если убрать интонацию обиженного джуна и оставить только аргументы, то процентов семьдесят там будет правды. Не «спорно», не «зависит от контекста», а буквально правда, которую любой разработчик, проведший с языком пару лет, подтвердит вам не задумываясь.
Парадокс в том, что это видео сняли про язык, на котором написана половина мира вокруг нас. Браузер, в котором вы это читаете, движок игры, куда уж без игр в моих статьях, в которую вы вчера играли, прошивка железа, на котором всё это крутится, и компилятор, которым собрали и браузер, и движок, и прошивку.
Жанр «почему C++ ужасен» на Хабре выжжен дотла и про Init-зоопарк, перегруженный static, vector названный неправильно, std::move который не move, супер медленный regex, медленный unordered_map вы всё читали раз по двадцать. Сам по себе список этих болей давно не новость, от себя добавлю, что все жалобы и примеры ниже - это следствия одного решения, и я к нему приду. Или открывайте спойлеры, там скрыта история, почему каждая часть языка получалась так, как получалась.
Есть целый класс Java‑багов, которые компилятор пропускает, а тесты на счастливом пути не ловят: код синтаксически корректен, но делает не то, что вы имели в виду. В статье разбираем пять таких самых частых ситуаций, которые встречаются у начинающих разработчиков.
Школьники из РФ, набравшие 200 баллов по любым двум предметам ЕГЭ, смогут получить специальные мобильные номера с комбинацией из трёх пятёрок, сообщается на официальном сайте Минпросвещения РФ.
Мы делаем приложение Memo: есть куча гаджетов и сервисов вроде Plaud — это когда ты платишь за отдельную «умную» коробочку-диктофон, которая записывает встречу и сама делает из неё протокол.
Зачем покупать отдельную железку, если в кармане уже есть iPhone? Давайте соберём такой же «умный протоколщик» прямо на телефоне.
Когда работаешь с AI-агентом в большом проекте каждый день, накапливаются две усталости.
Первая – объяснять одно и то же. В каждом новом чате заново рассказываешь, какой у вас стек, каким тестовым фреймворком пользуетесь, чем отлаживаете, что после правки нужно прогнать тесты.
Вторая – платить сильной моделью за задачи, которым хватило бы простой: поиск файла или чтение пары классов тянет ту же дорогую модель, что и сложный рефакторинг.
В Veai 5.14 мы взялись за обе. Появился Memory Bank – агент запоминает факты о проекте между чатами. И профили маршрутизации моделей – субагенты работают на разных моделях под разные задачи. Плюс окно результатов ревью, проектные MCP-серверы и несколько изменений в интерфейсе. Разберём по порядку.
История закона Йеркса — Додсона
Закон Йеркса — Додсона в психологии утверждает, что наилучшие результаты достигаются при средней интенсивности мотивации. Упоминание этого закона периодически встречается при описании стратегий управления персоналом.
В статье ‘Йеркс-Додсон: Закон на все времена года’ содержится описание исторических событий, начиная со статьи Йеркса и Додсона 1908 года. История достаточно поучительная. Йеркс и Додсон проводили эксперименты с крысами по прохождению лабиринта. В лабиринте имелось два выхода, один правильный, а другой неправильный. При попытке крысы выйти из неправильного выхода следовал удар током, интенсивность которого повышалась. Таким образом в исходных экспериментах речь шла не о мотивации, а о наказании. При этом Йеркс и Додсон были удовлетворены описанием в духе бихевиоризма и у них не возникало желание трактовать результаты в психологических терминах.
Первая статья с результатами на людях появилась в 1930 году, но в 30-х годах произошел существенный пересмотр концепций, связанных с обучением. Вместо наказания на первое место вышла мотивация и производительность. Это потребовало новых формулировок и новых постановок экспериментов. Исследователи этого времени были знакомы с статьями Йеркса и Додсона, но постепенно начал происходить процесс замены терминов. В любом случае до 1955 года подобные закономерности не рассматривались в качестве основополагающего принципа.
В конце 1950-х годов были проведены новые эксперименты на новом уровне (планирование эксперимента + надлежащая статистическая обработка). Питер Бродхерст в 1959 году заявил о возрождении закона Йеркса-Додсона на новых основаниях. Это совпало с введением в ход Дональдом Хеббом концепции возбудимость (arousal) и связанной с ней колоколообразной кривой. Интересно отметить, что Хебб в своей статье 1955 года не упоминал Йеркса и Додсона, но для других сходство было очевидным и процесс пошел.
Далее в статье говорится о том, что разные группы используют достаточно разные факторы при представлении колоколообразной кривой, и что до сих пор нет полного согласия о том, что же эта кривая представляет. Видимое единство в одном - в убеждении, что используемое представление восходит к Йерксу и Додсону, и что все это является выражением единого закона Йеркса-Додсона.
В заключение несколько слов про Джона Додсона. Его научная карьера сложилась не столь удачно, как у Йеркса, что показывает название статьи 2011 года ‘Что же случилось с Джоном Додсоном?’ Додсон во время работы над статьей 1908 году делал диплом у Йеркса. Оказалось, что в архиве последнего сохранилась переписка с Додсоном, в которой были просьбы помочь рекомендациями при устройстве на работу в тот или иной университет. Йеркс старался помочь Додсону, хотя его характеристики говорили о том, что таланты Додсона находились на посредственном уровне. В качестве плюса Йеркс отмечал хорошую работоспособность при выполнении экспериментальных исследований.
В заключение приведу цитату Йеркса, связанную со статьей Додсона, которую тот хотел опубликовать в 1931 году и попросил содействия в этом. Йеркс согласился и после получения статьи сразу же послал ее редактору со словами, что он не полностью удовлетворен ее содержанием, но поскольку статья короткая, то вполне можно ее опубликовать. Письмо к редактору завершалось такими словами:
‘Если бы у меня была свобода переписать статью, и я был бы готов посвятить этому время, я мог бы сильно улучшить ее форму и историческую перспективу.’
По-моему эта цитата прекрасно показывает закон Йеркса-Додсона в действии.
Karl Halvor Teigen, Yerkes-Dodson: A law for all seasons. Theory & Psychology 4, no. 4 (1994): 525-547.
Thomas Brothen. What ever happened to John Dodson? History of psychology 15, no. 1 (2012): 100-105.
Разработчики EVE Online выложили исходный код игры. Студия Fenris Creations известная ранее как CCP Games полностью открыла исходный код своего движка Carbon Platform, на котором работает знаменитая космическая MMO.
Разработчики не стали ограничиваться простыми утилитами и выложили в открытый доступ самые важные и сложные компоненты движка:
Trinity — графический движок, отвечающий за всю визуальную составляющую и рендеринг;
Destiny — физический модуль и систему поиска путей, которая позволяет просчитывать масштабные космические баталии с участием тысяч игроков одновременно;
Базовую архитектуру, связывающую все элементы системы воедино.
Большая часть компонентов Carbon Engine опубликована под максимально свободной лицензией MIT, которая разрешает бесплатное использование, модификацию и распространение кода, в том числе и в коммерческих целях.
Релиз ≠ деплой: почему прод падает именно после обновлений
Большинство крупных инцидентов происходят сразу после релиза. Не во время нагрузочного теста, не в случайный вторник — а именно тогда, когда команда только что что-то выкатила и выдохнула. Почему так, если всё прошло тестирование?
В новом выпуске «В SREду на кухне» вместе с Артёмом Гетманским, техруком юнитов в Авито, и Андреем Мухиным, TechLead из MWS, разобрались: что вообще считается релизом, чем он отличается от деплоя — и как не превратить каждое обновление в рулетку.
Что на повестке
Оказывается, релиз может сломать прод даже без единой строчки нового кода — и это не баг, а особенность современных систем. Разбираем, как Feature Flags, Canary, Blue-Green и Rolling-стратегии помогают снизить риск, когда hotfix тоже считается релизом и что с этим делать, и как error budget влияет на то, насколько смело команда вообще решается катить изменения.
Отдельно досталось вопросу, должны ли SRE участвовать в продуктовых релизах — и у участников выпуска на этот счёт нашлись весьма конкретные мнения.
Если вы хоть раз думали «ну мы же протестировали, что могло пойти не так» — этот выпуск про вас.
🔵 VK Видео
📺 YouTube
📌 RuTube
Ⓜ️ Mave
Материал согласован с Codemaster в части технических данных и цифр. Все оценки и выводы — мои.
С 1998 года по 2026 год я эксплуатировал и настраивал разные IPS и межсетевые экраны: PIX, ASA, Check Point, IPFW, IPtables, ISA/TMG, WatchGuard, Sophos, Optenet, Palo Alto Networks, Fortinet. Пару межсетевых экранов я даже помогал делать.
За эти годы у меня сложилось простое правило сравнения: в реальной эксплуатации межсетевые экраны различаются не только скоростью и наборами настроек, а журналами. Настроить политику мы почти всегда сможем. А вот расследовать, почему перестал ходить трафик или отработало правило безопасности, приходится именно в наших логах. Именно в журналах инженеры проводят 90% времени.
Когда мне показали журналы «Мирады» — флагманского программно-аппаратного комплекса компании Codemaster, — первая реакция была скептической. Я прямо сказал Андрею, главному инженеру проекта: лить сырой Syslog во внешнюю SIEM на скоростях 100 Гбит/с — сомнительная стратегия, любой лог коллектор под такой нагрузкой быстро упрется в физические пределы скоростей жесткого диска и сетевых интерфейсов. Также я заметил, что ручной ввод IP-адресов в правилах вместо создания адресных объектов усложняет жизнь администратору.
Андрей ответил без обид: «Мы понимаем эти ограничения. Приезжай в лабораторию, посмотрим устройство под нагрузкой, разберем как работает Dataplane, покажем, чем гордимся и что уже стоит в роадмапе». Так из тестов оборудования и разговора с главным инженером родился этот обзор.
Джефф Безос не вывел бы Amazon на вершину рынка, не овладев искусством принятия решений. В письме акционерам в 2015 году он предложил разделять решения, с которыми регулярно сталкиваются предприниматели и руководители, на два типа.
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.
Работникам заводе в Канаде официально дали 2 выходных, чтобы поиграть в GTA VI. Так решило руководство одного из предприятий Edison Motors. «Выходит GTA VI, и работать все равно никто не собирается», — заявил гендиректор завода.
Ранее американская компания Burger Motorsports также объявила выходной на 19 ноября 2026 года, поскольку сотрудники массово планировали взять отпуск ради GTA VI.