Kurgan-Telecom Ru | Информационные технологии

Здравствуйте, дорогие друзья.

Наконец-то у меня дошли руки написать статью с итогами ReactOS по 2025 году.

Каждый раз, когда кто-то говорит про запуск LLM, возникает вопрос: "А где взять GPU?" Облачные GPU стоят денег, локальные видеокарты стоят ещё больших денег, а бесплатные GPU-тиры исчезают быстрее, чем появляются.

Но что если можно запустить полноценного AI-ассистента вообще без GPU? На обычном CPU. Бесплатно. С хорошей поддержкой русского языка. И развернуть его за 15-20 минут.

В этой статье рассказывается, как запустить Qwen2.5-3B на бесплатном CPU-тире Hugging Face Spaces, создать веб-интерфейс с помощью Gradio и получить работающего ассистента с поддержкой русского языка. Никаких глубоких знаний не требуется — только базовый Python и аккаунт на Hugging Face.

Если вы устали искать бесплатный GPU или просто хотите поэкспериментировать с LLM без лишних затрат — эта статья для вас.

В мире администрирования PostgreSQL данные об ожиданиях (wait events) являются ключевым источником диагностики производительности. Однако отдельные метрики без аналитической обработки создают лишь информационный шум, не отвечая на главный вопрос: какой тип ожиданий действительно определяет общую нагрузку на систему?

Метод «Взвешенной корреляции ожиданий (ВКО)», реализованный в комплексе PG_EXPECTO, основан на серьёзной теоретической базе. Он сочетает корреляционный анализ для оценки силы связи между типом ожиданий и общей нагрузкой с взвешиванием по значимости, учитывающим долю каждого типа. Без этого фундамента метрика оставалась бы просто числом, а не стратегическим инструментом приоритизации.

Именно теория превращает ВКО в точный компас, который позволяет отделить системные узкие места от фонового шума и сфокусироваться на главной причине проблем — будь то ожидания IO, IPC или блокировок.

В статье рассматривается , как теоретические принципы статистики воплощаются в практический инструмент для анализа производительности PostgreSQL, способный превращать данные в чёткий план действий.

Глоссарий терминов | Postgres DBA | Дзен

GitHub - Комплекс pg_expecto для статистического анализа производительности и нагрузочного тестирования СУБД PostgreSQL

Эта статья — ответ на критику: «перестаньте рассказывать сказки, как AI помогает в науке, покажите примеры!». Действительно, без примеров, рассказы об успешном успехе AI выглядят как сектантский бред.

В феврале 2026-го Google выложил на arXiv препринт на 151 страницу. Пятьдесят авторов из Carnegie Mellon, Harvard, MIT, EPFL и ещё дюжины институтов. Документ называется скромно: «Accelerating Scientific Research with Gemini: Case Studies and Common Techniques». Скромное название, но реально очень крутой контент.

Препринты о возможностях AI выходят каждый день. Большинство — бенчмарки: модель набрала 94.7% вместо прошлогодних 93.2%, поаплодируем. Здесь же, вполне конкретные исследователи рассказывают, как они месяцами бились над открытой проблемой, а потом загрузили её в Gemini Deep Think — и магически получили решение. Или контрпример. Или указание на теорему из совершенно другой области математики, о которой они никогда не слышали.

Некоторые истории оттуда заслуживают отдельного разговора.

Недавно Яндекс поделился цифрами по РСЯ для телеграм-каналов. 4 млрд рублей выплат по каналам за 2 года, [тут статья], кому интересно. Радужно, да?

А что насчет эффективности для рекламодателей? Собрала для вас стату по внутренним проектам нашего агентства, сейчас всё расскажу.

Особенности рекламы

А потом мой заказ выбросили в мусор (но это неточно, может быть, всё-таки съели).

Субботним днём я решил заказать родителям к воскресному обеду что-нибудь вкусное, зашел в Яндекс.Еду, выбрал их адрес из сохраненных закладок, набрал всякого в корзину, оформил заказ, предупредил папу и забыл об этом. В воскресенье звонит папа и рассказывает, что курьер попросил его открыть шлагбаум (которого отродясь не было), а после некоторого обсуждения выяснилось, что заказ приехал несколько в другую точку Большой Москвы, и привезти по нужному адресу его никак не смогут, а деньги оставят себе. Конечно, я написал в поддержку, где несколько подряд сотрудников уверяли меня в том, что заказ был оформлен на неверный адрес, и в таких случаях деньги не возвращаются, а идут на компенсацию расходов поставщику (читай – в лучшем случае сотрудники разберут по домам то, что ты заказал, в худшем – выкинут в помойку). Было полное ощущение разговора слепого с глухим: правильный  адрес в заказе, а привезли куда-то не туда.

Я точно помню, где был, когда мой телефон взорвался уведомлениями.

27 января 2025 года. Утро понедельника. Я стоял в очереди в Starbucks, листал Twitter в ожидании переоцененного латте, когда увидел: "Nvidia упала на 17% на премаркете".

Первая мысль - опечатка. Вторая - может, Дженсен Хуанг объявил об уходе или что-то столь же катастрофическое. Но потом я увидел имя, которое будет доминировать во всех техноразговорах следующий год: DeepSeek.

Китайский ИИ-стартап, о котором никто не слышал две недели назад, только что стер $589 миллиардов с капитализации Nvidia. За один день. Крупнейшая однодневная потеря в корпоративной истории.

А оружием им послужила научная статья с заявлением, что они построили передовой ИИ по цене приличного загородного дома.

О том, как установить GrapheneOS без браузера через командную строку, используя ПК на Debian или его деривативах.

В IT принято много говорить о фреймворках, языках программирования и алгоритмах. Новички часто концентрируются исключительно на технических навыках и откладывают английский на потом, считая его второстепенным. На практике именно знание английского языка нередко становится фактором, который определяет, как быстро человек будет расти в профессии и на каком уровне он в итоге остановится.

Английский в IT это не просто язык общения. Это инструмент доступа к знаниям, возможностям и рынку труда.

Ваше следующее собеседование начнется не в Zoom, а в интерфейсе, напоминающем чат с техподдержкой. Ваш HR-менеджер не будет знать, что у вас сегодня болит голова или что вчера вы сдали крутой проект. Он этого не знает, потому что он - это оно. Алгоритм, обученный на миллионах резюме и диалогов, цель которого - не понять вас, а отфильтровать.

Добро пожаловать в 2026 год. Эпоху, где первичный скрининг - это монолог с безэмоциональным ботом, а решающее тестовое задание проверяет не менее безэмоциональный, но невероятно проницательный GPT-5.2. И его задача - не просто оценить ваш код или текст, а с ходу выявить шаблонность, отсеять сгенерированные решения и найти ту самую не алгоритмизируемую человеческую гениальность… или хитрость.

Если раньше вы боролись за внимание живого рекрутера, то теперь вам предстоит произвести впечатление на машину. В этой статье мы разберемся в том, как говорить на языке бота-HR, чтобы пройти скрининг, как выполнить тестовое задание в эпоху, когда GPT-5.2 стал главным рецензентом, который видит заурядный сгенерированный код за три секунды и, конечно, какие навыки выйдут на первый план, когда рутину заберут алгоритмы. Спойлер! Это не умение работать в команде, а умение ставить задачу для ИИ и нести ответственность за его ошибки.

Поехали. Приятного прочтения!

Данный проект представляет собой современный вычислительный блок, предназначенный для обработки научных и графических данных на сверхвысокой частоте 7 ГГц. Архитектура построена на базе 128-битных векторов и 5-стадийного конвейера.

Многие уже используют GitHub Copilot Chat каждый день: @workspace, режимы вроде ask/edit/agent и быстрые правки кода стали частью рутины. Проблема в том, что стандартный агент в чате — универсальный, а значит часто даёт усреднённые ответы.

На практике стандартного чата часто становится недостаточно. Без заранее заданных правил агент не учитывает специфику проекта и принимает решения «по умолчанию». Такие ответы могут быть корректными технически, но часто не соответствуют вашим внутренним конвенциям и архитектурным ограничениям. В итоге это приводит к постоянному ручному управлению контекстом. Документацию и эталонные файлы приходится каждый раз явно добавлять в запрос, а роль, стек и стиль — задавать заново для каждой новой задачи.

С выходом версии VS Code 1.106 появилась возможность автоматизировать этот процесс через Custom Agents. В этой статье мы пошагово разберем два способа настройки таких агентов — через интерфейс VS Code и вручную через файлы конфигурации, детально пройдемся по доступным параметрам и соберем пример готового агента.

Статья не о том, «куда уходить». Она о том, как данные рисуют три разных траектории взросления в профессии — и почему зарплата часто маскирует экзистенциальный тупик. За полгода я собрал и обработал ответы 420 работающих россиян из 11 отраслей — от ИТ и здравоохранения до промышленности. Применил валидированную шкалу субъективного профессионального успеха Карпинского и Гижука, рассчитал корреляции возраста и удовлетворённости по каждой отрасли отдельно, проанализировал распределения по должностям и индексы текучести. Результаты ломают привычные представления.

Всем практикующим программистам приходится конкатенировать строки. Именно конкатенировать, у нас не какой-то там JavaScript или PHP, у нас в C++ это называется вот таким заумным словом. Программисты на других языках без излишних мудрствований строки просто "складывают", даже не особо задумываясь об этой операции. Ведь что может быть проще, чем

return "The answer is " + str_answer + ", count is " + count;

Но если для скриптописателей простительно не думать о том, что стоит за такой простой записью, для опытного разработчика не приемлемо так безответственно подходить к такому важному вопросу. Опытный разработчик, представив такой код на C++, сразу видит ужасающую бездну проблем, которые может породить такой подход.

Всем привет! Меня зовут Татьяна Цикунова, я работаю системным аналитиком уже более 5 лет и за это время получила опыт в 4 проектах, а также долгое время имела честь онбордить новых аналитиков в разных командах. 

Тема онбординга важна для любого IT-специалиста. Поэтому сегодня разберёмся, как провести онбординг системного или бизнес-аналитика в новую команду не только успешно, но и эффективно.

Начнём с того, что я кратко расскажу, из чего состоит статья. Мы поговорим о сложностях, с которыми сталкивается аналитик на новом проекте, расскажем лайфхаки для качественного онбординга, а в конце заправим это дело практическим чек-листом.

30 января были выпущены методические материалы ITIL Foundation (version 5) и стала доступна соответствующая сертификация, но еще до официального выпуска поисковая выдача уже успела наполниться частично или полностью ИИ-сгенерированными статьями, часть информации в которых не соответствует официальному пресс-релизу от PeopleCert.

Мы привыкли думать абстракциями. Нас учили, что мир состоит из объектов: у «Собаки» есть метод Bark(), а у «Пользователя» — поле Email. Мы тратим недели на споры о чистоте интерфейсов и иерархии наследования, свято веря, что инкапсуляция — это ключ к успеху. Но пока мы строим эти ментальные замки, наш процессор... скучает.

Современный CPU — это невероятно мощный вычислительный монстр, способный обрабатывать миллиарды операций в секунду. Но у него есть ахиллесова пята — память. Пока ваш код прыгает по указателям от одного объекта в куче к другому, процессор простаивает в ожидании данных, совершая те самые «cache misses».

Data-Oriented Design (DOD) — это не просто очередной паттерн. Это «таблетка реальности», которая предлагает перестать проектировать программы вокруг сущностей и начать проектировать их вокруг данных.

В этой статье мы разберем, почему классическое ООП часто работает против производительности, как помочь кэшу процессора полюбить ваш код и почему в 2024 году пора вспомнить, что программа — это просто трансформация одних байтов в другие.

Мы живем в мире, где время – самый ценный ресурс, где нужен не только результат, но и скорость работы. Поэтому все больше людей ищут способы взломать личную продуктивность. Но у этой гонки есть побочный эффект – выгорание. Как научиться работать быстрее без потери качества, при этом не загоняя себя? Разбираем в статье.

Аналитики CNewsMarket наблюдающие за рынком CRM с 2020 года, опубликовали свежие данные, и динамика последних лет впечатляет. Если раньше в топах мелькали знакомые западные логотипы, то рейтинг 2026 года фиксирует новую реальность: иностранные вендоры полностью уступили место отечественным разработчикам. Это не просто ​​«импортозамещение на бумаге​​», а свидетельство того, что российский бизнес достиг реальной технологической независимости в классе систем управления клиентами.

Многие ключевые игроки, попавшие в рейтинг CRM систем, развивают свою экспертизу уже более 10 лет, имея в портфолио масштабные Enterprise-кейсы, реализованные задолго до 2022 года. Импульс последних лет привел к появлению новых сильных команд и ускорил эволюцию продуктов. Рынок растет и вширь — насыщаясь ИИ-инструментами, омниканальностью и экосистемностью, и вглубь — создавая специализированные отраслевые решения.

Сегодня выбор CRM — это уже не компромисс между ​​«функционально​​» и ​​«безопасно​​». Это поиск стратегического партнера, способного поддержать рост бизнеса в условиях цифровой экономики. В этом материале мы опираемся на свежее исследование CNewsMarket. Мы детально разберем их данные, проанализируем лидеров списка и поможем понять, какая из лучших российских CRM систем 2026 года подойдет именно вашему бизнесу.

Долгое время цифровизация банков напоминала строительство фасада: красивые мобильные приложения, чат-боты и UX-исследования. Но к 2026 году индустрия уперлась в потолок: фронтенд идеален, а бэкенд захлебывается в объемах данных и легаси-процессах.

Сегодня фокус сместился внутрь. Мы разберем пять технологических трендов, которые превращают банк из «сервиса с картинками» в высокопроизводительную low-latency платформу, где во главе угла стоят данные и их связность.