Kurgan-Telecom Ru | Информационные технологии

Вы когда-нибудь задумывались, что происходит внутри нейросети, пока она пишет ответ? Языковые модели всегда, по вашему первому запросу, выдают красивые и логичные ответы, будто они действительно понимают, о чём говорят. Но за этим красивым ответом скрывается всего лишь удачная последовательность чисел, которая угадывает следующее слово, а не осмысливает его. 

И вроде бы всё отлично, какие тут проблемы? Какая разница, что там внутри и как нейросеть пришла к такому ответу, если сам ответ хороший? Проблема в том, что если мы не видим, о чём модель думает до того, как выдаст готовый ответ, мы не сможем поймать её на скрытых манипуляциях, галлюцинациях или прямом обмане. Как прочитать эту информацию? Как поймать модель на ошибках? И что вообще происходит внутри черного ящика нейросети?

Бесплатная оценка погрешности и скрытая мощь SA-Solver в ComfyUI: почему адаптивный шаг проиграл, а стохастика победила

Сделал прогу — Slightly Parallel (опенсорс, локальный сервер + веб-интерфейс), которая должна помогать, если работаешь с кучей проектов, в которых разработку ведут агенты.

Прога ориентирована на солобилдеров и тех, кто активно использует Claude Code, Codex, OpenCode (в планах добавить ZCode).
Работает на Windows, Linux и macOS.

Код здесь:
https://github.com/NMar33/slightly-parallel

Навигация по статье:

Логирование является важной составной частью профессиональной отладки программ. Написав небольшой логгер и изучая, как он работает, можно лучше разобраться, как работает многозадачность в операционной системе.

Из всех возможных вариантов самым удобным, с моей точки зрения, является UART, хотя это не самый быстрый вариант.

Если у вас не отладочная плата Nucleo или Discovery, необходимо обзавестись UART-USB адаптером или программатором, который содержит в себе USB-UART адаптер. Оригинальные адаптеры содержат в себе этот интерфейс, но из китайских клонов можно использовать или Weact ST-Link или J-Link.

Привет, Хабр!

Меня зовут Дмитрий, руководитель отдела рекламы и продвижения в Аспро. Мы запускаем интернет‑магазины и развиваем систему управления бизнесом Аспро.Cloud.

В июле 2026-го WordPress экстренно закрыл две критические уязвимости, и под ударом оказались десятки миллионов сайтов. Владелец конструктора проспал инцидент — за него обновил вендор. Владелец CMS обновлялся в выходные. Владелец самописного понял, что патчей для него не существует в природе.

Разберем, как выбор платформы определяет, кто отвечает за ваш сайт, и посчитаем полную стоимость владения за три года: запуск, поддержка, доработки и выход.

Привет, Хабр!

Мы маленькая команда, которая делает Vulkan EDA: коммерческий инструмент физической верификации микросхем (DRC, LVS, PEX, antenna, STA) плюс наработки по RTL и синтезу. Да, мы в курсе, что существует Calibre. Да, мы в курсе, что три компании контролируют 90% мирового рынка EDA. Мы всё равно делаем, и вот почему у нас это получается, расскажем ниже.

В конце сентября мы съездили в Сочи на «Микроэлектронику 2026», главный отраслевой форум страны, и привезли не только значки с логотипами, но и картину рынка, которой хотим поделиться. Спойлер: отечественная EDA перестала быть анекдотом и превратилась в стройку. А ещё там очень вкусно кормили, но это уже не для Хабра.

Как обеспечить бесперебойную работу видеосервиса, который ежедневно смотрят миллионы? Команда производственной сетевой инфраструктуры Иви отвечает за то, чтобы внутренняя сеть и связь с интернетом работали как часы. В интервью её руководитель Сергей Митин рассказал о команде, масштабных проектах, курьёзных ошибках, поддержке инициатив и нестандартных экспериментах.

Ситуация: подключаешь ИИ-агента к корпоративной системе с помощью MCP-сервера, и руки чешутся дать ему достаточно прав, чтобы он мог решать задачи без лишних уточнений.

Вот только где проходит граница безопасности и как понять, какие права на самом деле требуются агенту?

Про контекст, заглушки и почему лучше делать меньше итераций.

Привет, Хабр!

Меня зовут Андрей. Я продакт с опытом запуска продуктов с нуля: в банке сначала занимался цифровыми финансовыми активами, а теперь — цифровым рублём. Но здесь я не буду рассказывать про корпорации. Расскажу про моё хобби — соло-разработку с ИИ, как в свободное время пытался сделать несколько своих собственных продуктов с помощью LLM, и что из этого вышло.

Если вы тоже пробовали «вайб-кодить», сжигали тонны денег на подписки, получали много вроде бы почти готового кода, который потом не могли довести до прода, — эта статья для вас. Я не буду говорить, что ИИ — это плохо, так как считаю, что ИИ — это очень сильный инструмент. Но топором махать умеючи надо: а то вместо того, чтоб дом срубить, да дров нарубить, оттяпаешь себе палец.

Я давно в теме и уже писал на Хабре про то, как мы делали техдокументацию для ЦФА с нейронкой. Но тогда это была командная работа, а сейчас я хочу рассказать про то, что происходит, когда ты один, у тебя есть LLM, и ты пытаешься сделать продукт. Есть ненулевая вероятность, что корпоративная разработка перестроится, и то, что сейчас десятки или сотни специалистов делают долго и дорого, с ИИ можно делать иначе. Может быть эффективнее. Может быть нет. Вот про это и расскажу.

Казалось бы, в чём связь между графикой и звуком?

Продолжая тему расчёта цифровых фильтров, постараемся дать ответ на этот вопрос.

Меня всегда привлекал водный транспорт - часто брал в аренду катера в Хорватии и плавал по многочисленным островам там, даже права получил там же.

Но своей лодки никогда не было и тут я решил это дело исправить. Я живу в Швейцарии - тут достаточно много красивых озёр, да и другие страны рядом. Но Хорватские права тут не действуют, а получать ради небольших локальных озёр местные права - дорого и долго.

Поэтому было решено взять небольшую надувную лодку-катамаран (Aquamarina Aircat 335) и приделать к ней электромотор до 6кВт (местный лимит) чтобы можно было обойтись без прав.

Почему электро? Причин несколько:

Два года назад наш проектный офис в Professional Services был похож на пожарную команду: мы постоянно тушили пожары, сжигали людей (нет, не буквально) и не понимали, почему одни PM справляются, а другие выгорают за полгода. В какой-то момент я осознал простую вещь: мы нанимаем за практические навыки, а увольняем за неумение коммуницировать. PM может идеально знать Jira и строить диаграммы Ганта, но если он не может управлять ожиданиями заказчика или эскалировать проблемы правильно и вовремя — проект обречен.

Проблема в том, что софт-скилы сложно измерить. «Коммуникабельный» — это сколько в процентах? «Проактивный» — как это проверить на собеседовании? Пришлось строить систему, которая отвечает на эти и другие вопросы. Работа еще не окончена, но уже принесла измеряемый результат.

На связи Сергей Скирдин, технический директор ИТ-интегратора «Белый код». Уже 2 года я делаю подробные обзоры на продукты класса ESB. Появилась идея детально разобрать решения, которые предлагают те или иные платформы, для интеграции с 1С. В этом материале про возможности DATAREON Platform.

Подписка ChatGPT или Claude стоит 20 долларов в месяц, а агент на ней за день съедает токенов на сумму, которую по API пришлось бы платить неделями. Поэтому всё больше людей запускают свои скрипты и сервисы на подписке, а не на API-ключе. Разобрал по документам и истории 2026 года, что разрешено, как устроены лимиты, за что уже банили, сколько это стоит на самом деле и как собрать автоматизацию так, чтобы она не умерла от первого изменения правил. Данные на 21 октября 2026 года.

Я снимаю короткие вертикальные ролики для соцсетей и долго собирал их руками в редакторе. Потом заметил, что правки повторяются: поменять слово в субтитре, подвинуть вставку на полсекунды, перекрасить титры. Каждая такая мелочь требовала открыть редактор и пересобрать ролик. Поэтому я написал на Python «станок»: он берёт файл-задание tz.json и собирает по нему ролик с помощью ffmpeg. Задание описывает, какие куски съёмки взять, какие реплики показать субтитрами, где поставить вставки и звуки.

Статья не про весь станок целиком (он вырос до нескольких тысяч строк), а про две вещи, которые мне оказались полезнее всего. Первая: как устроена сборка слоями с кэшем и почему секунды в задании считаются по исходной съёмке, а не по готовому ролику. Вторая: что станок проверяет после рендера, чтобы я не пересматривал каждый файл глазами с нуля. Код ниже взят из рабочих файлов, лишнее я убрал.

Привет! Я Лев, системный администратор технической поддержки в Selectel.

Все знают, любят и ненавидят контейнеры. Сейчас самым популярным инструментом для упаковки приложений со всеми их зависимостями является Docker. В этой статье рассмотрим его сетевой стек, а именно — работу сетевых неймспейсов. Разберем, почему они превращают обычный процесс в полноценный сетевой узел, как устроены и какие режимы предлагает Docker.

Разбираем 2 отчёта NASA о том, как взлётно-посадочные полосы придумали изрезать небольшими канавками, чтобы улучшить сцепление самолётов с дорогой в дождь и слякоть

Cloudflare разобрали свой DNS-кеш буквально по байтам: пересмотрели структуры данных в Rust, убрали дублирование и лишнюю ёмкость. Помимо экономии памяти, получили приятный бонус — ускорение кеша.

Статья — хороший пример того, как низкоуровневая оптимизация работает на масштабе в сотни миллиардов записей.

Насколько хорошо новая модель ИИ справляется с задачами — первый вопрос, который обычно задают при ее обсуждении. В техническом сообществе разговор обычно идет о бенчмарках, количестве параметров и гонке рейтингов.

Вот только для пользователя это чаще косвенные показатели. Главное — скорость работы, нет ли зависаний под нагрузкой и сколько стоит тариф. Если модель отлично решает задачи, но тормозит, или токены стоят как чугунный мост, ее популярность резко падает в пользу чуть менее эффективной. 

Поэтому на этапе инференса модель оптимизируют насколько возможно. Об этом ведущий эксперт в области инфраструктуры ИИ Филипп Кили написал целую книгу под названием «Инженерия инференса»: как разместить модель на нужном оборудовании, ускорить ответы, выдержать текущую и пиковую нагрузку и при этом не потратить больше, чем продукт сможет принести. 

Сегодня коротко разберем основные мысли оттуда.

Фраза «нейросеть понимает настроение» объединяет три разных утверждения, и у каждого своя степень доказанности. Первое: модели хорошо распознают эмоции в описанных ситуациях. Это измерено в тестах. Второе: внутри одной исследованной модели нашли внутренние представления, связанные с эмоциональными понятиями. Это показано, но на единственной модели. Третье: модель по-настоящему чувствует. Такого исследования не утверждают.