Харнесс для мозга: почему Atomic Habits это книга по инженерии агентов
1. Про харнесс, короткоВ 2026 все, кто плотно сидит в ИИ и разработке, пришли примерно к одному выводу: гнаться за моделью получше почти перестало иметь смысл. Работает то, что ты строишь вокруг модели. Агент это модель плюс харнесс. Модель предлагает следующее действие и вероятностна по природе; харнесс это весь код вокруг: реестр инструментов, управление контекстом, циклы исполнения, проверка схем, права доступа, логи, точки обязательной остановки. Модель ты не тренируешь, берёшь готовой, значит вся твоя реальная работа это обвязка.
Анатомия VDD: Как я нашел RCE в форке Telegram, а Google Security не увидел «ничего вредоносного»
TL;DR Внутри альтернативного клиента ExteraGram работает внутренняя система динамического обновления компонентов. Через неё авторы могут в любой момент загрузить на ваш телефон код прямо из Telegram-канала, обойти окно установки (can_not_skip) и выполнить его в едином адресном пространстве приложения (с его UID и полными правами). В исследованной цепочке загрузки я не обнаружил проверки цифровой подписи. При компрометации канала или инфраструктуры обновлений это создаёт возможность массовой доставки вредоносного кода пользователям.
От CTR до сделок: как в Авито устроены ML‑модели монетизации
Всем привет! Меня зовут Алина Бабенко, я acting DS‑менеджер в Авито. Наша команда занимается моделями монетизации в поиске и рекомендациях: мы оцениваем ожидаемую выручку от действий пользователей и используем её в ранжировании. В этой статье я расскажу, какие модели используем для расчёта ожидаемой выручки, как оцениваем их качество, а также зачем корректируем ставки.Материал будет полезен дата‑сайентистам и тимлидам, которые работают с монетизацией на маркетплейсах и в сервисах для объявлений.В этой статье
Книга: «Современная бизнес-аналитика. Увеличьте ценность данных с помощью Python и R»
Привет, Хаброжители!
Внутри Apple Neural Engine в M4. Часть 1: реверс-инжиниринг
Статья о том, как мы обошли Core ML и начали работать с железом напрямую.Всё началось с простого вопроса: можно ли обучать модель на Apple Neural Engine?Apple не хочет, чтобы вы знали ответ. Компания не публикует систему команд ANE, не документирует его внутреннюю архитектуру и даже не позволяет программировать его напрямую. Всё проходит через Core ML, который добавляет несколько уровней абстракции, проходы оптимизации и накладные расходы. Из-за этого почти невозможно понять, что на самом деле делает железо.Поэтому мы занялись реверс-инжинирингом.
Почему нейросети съедают токены: что происходит с длинными чатами и как снизить расход
Один пользователь Claude пишет, что потратил больше миллиарда входных токенов. Другой оставил AI-агента без присмотра и насчитал около $6000 расходов. Цифры из Reddit стоит воспринимать осторожно, но проблема за ними реальная: длинный контекст обходится дороже, а иногда ещё и мешает модели нормально работать.
В Telegram-бот пришли 300 человек. Через полгода регулярно возвращаются 11. Разбираю, где я накосячил
Привет, Хабр!Я снова про своего Telegram-бота для дисциплины. Каждая моя статья тут приводила в него новых людей. После последней за один день пришли 60 человек. Я тогда подумал: ну всё, полетело.Спойлер: не полетело.Сейчас в базе 299 аккаунтов вместе с моим. В аналитическом срезе 298. За последние семь дней ботом пользовались 11 человек. Средний DAU за месяц 7. Реферальная программа за всё время привела трёх человек.Трёх пользователей, Карл. Не процентов.
ИИ-ревьюверы твоего кода: как нейросети позволяют упрощать анализ PR
С развитием ИИ себестоимость кода стремительно падает. Его становится все больше, а команды не растут пропорционально количеству. AI-инструменты генерации кода (Copilot, Cursor, Codex, Claude Code) увеличивают скорость написания, но не скорость проверки кода.Узким горлышком становится сам PR, они могут висеть днями в вашей компании или opensource-проекте, контекст может теряться, на его оценку тратится время, и иногда впустую.В среднем, команда на ревью тратит ~20% рабочего времени, особенно если это большой PR, или PR от новичка.
Тест Qwen3.5 9b, Gemma 4 12b и Bonsai 27b на легенде пенсионного возраста GTX 1080 ti
Все началось вообще не с идеи написать очередной бенчмарк. Мне нужно было собрать локальный пайплайн для длинных подкастов: получить транскрипт, найти в нем интересные куски, выбрать несколько сильных фрагментов и уже из них делать короткие вертикальные ролики.Облачные модели с этой задачей справляются, но постоянно гонять туда длинные расшифровки не очень хотелось. Плюс было интересно понять, насколько далеко сейчас можно уехать на железе.Под рукой была GTX 1080 Ti на 11 ГБ. Карта 2017 года, архитектура Pascal, никаких Tensor Cores.
