METR: ИИ ускорил разработку моделей Anthropic почти вдвое
По оценке независимой исследовательской организации METR, с октября 2025 года возможности моделей Anthropic на выбранных бенчмарках росли в 1,9 раза быстрее, чем раньше. Исследователи считают, что около 80% ускорения связано с использованием ИИ внутри компании.Для исследования METR получила доступ к внутренним данным Anthropic, включая результаты трёх ещё не выпущенных моделей — Model 2, 3 и 4. Также исследователи поговорили примерно с 15 сотрудниками компании.
Как мы построили платформу с нуля, а потом научили нейросети на ней работать
Привет, Хабр! Меня зовут Сергей Протацкий, я директор по продукту COMETAL
Ассистент Встреч своими руками: анонимный Chrome в контейнере, календарь через EWS и две тысячи встреч в проде
Как я сделал бота, который сам приходит на встречи в Teams / Яндекс Телемост / МТС Линк, записывает разговор и через несколько минут отдаёт расшифровку и саммари с договорённостями. Почему не Copilot и не штатная расшифровка, почему два разных потока вместо одного, какие грабли собрал и что показали четыре месяца в проде.TL;DRТак как в компании мы используем MS Teams пришлось строить два потока. Канальные встречи
Какую работу в IT не доверяют искусственному интеллекту?
Привет, Хабр! На фоне повальной моды среди IT-компаний внедрять ИИ везде, где только можно (и не всегда нужно), выяснилось, что в одной из важных составляющих работы заменить человека нейросети не могут. И нет, это не написание кода, а поиск новых сотрудников. Почему люди в очередной раз разочаровались в ИИ и доколе вам придется рассказывать про зарплатные ожидания живому человеку – в тексте ниже.Какие доказательства?Цифры – есть: в 2026 году доля сотрудников HR, внедряющих нейросети в повседневную работу, достигла 23%. Немного? А посмотрите в динамике: в 2025 году это показатель составил 11%, а в 2023 году –
Как ИИ-помощник получает контекст 1С и проверяет расширения
Большая языковая модель не знает, как устроена конкретная информационная база. Она не видит модули конфигурации, активные расширения, права пользователя и данные документа, пока не получит к ним управляемый доступ. Поэтому практическая задача состоит не только в выборе модели. Нужно собрать для нее релевантный контекст, ограничить действия и встроить проверку результата. Разберем, как этот процесс устроен в ИИ-помощнике для 1С и где по-прежнему требуется специалист.Почему обычного чата недостаточно
Быстрые «руки», медленный «мозг»: Particle-1 и GPT-6 Luna Pro собирают поиск для Tilda на n8n+PostgreSQL в Docker
Всем привет!) Про топовые модели пишут много. Мне стало интересно другое: что будет, если отдать реальную задачу быстрой модели без громкого имени, а рассуждающую модель подключать только тогда, когда первая упирается не в синтаксис, а в поведение системы? Стек такой: VS Code (Cline), Particle-1 как кодер ( "руки"), GPT-6 Luna Pro как "мозг", Tilda (отдельная страница с формой), n8n , PostgreSQL 16, Docker.Сам замысел что не в чате "напиши мне функцию...", а в роли кодера в VS Code через Cline: модель пишет SQL и JavaScript для нод n8n, получает текст ошибки, предлагает следующий патч и т.д. до рабочего результата.
Новая GPT-6 Cyber. Поиск уязвимостей и обеспечение безопасности
Источник.5 ноября OpenAI представила GPT-6 Cyber, специализированную модель для кибербезопасности. Она предназначена для поиска и устранения уязвимостей, анализа защищенности ПО и проведения тестирования на проникновение.
Место и роль Joomla в эпоху ИИ
Заголовок статьи – одновременно и вопрос и утверждение, а на место слова «Joomla», скорее всего, можно поставить почти любой цифровой продукт. Но в ходе размышлений попробуем всё-таки это место найти и вопросительный знак убрать. В статье отражён сугубо авторский, субъективный взгляд, который не претендует на отражение всей полноты мироздания.Некое введениеУ разных авторов, писавших о вайбкодинге, я встречал мысли, с которыми согласен:
Как я скрестил RAG, LLM и RandomForest: архитектура торгового сигнала с доказательствами
ВступлениеВ первой части я рассказывал, как собрал RAG-систему с LangGraph-агентом на локальных LLM. Она умела искать новости, отвечать на вопросы и извлекать сущности. Но для трейдинга этого мало — нужно не просто читать, а предсказывать.В этой статье я расскажу, как превратил новостной скрапер в ML-пайплайн, который генерирует торговые сигналы (BUY/SELL/NEUTRAL) с доказательствами. Мы пройдём путь от привязки новостей к тикерам до Explainable UI, разберём грабли на малых данных и заглянем в архитектурное будущее проекта.Стек: Scikit-learn, Plotly, FastAPI, Streamlit, PostgreSQL, Ollama.
