Токены — новая единица бюджета. Как управлять расходами на ИИ без лимитов для сотрудников
Компании всё чаще пересматривают расходы на ИИ-инструменты. Например, Uber в 2026 году ввела лимит в $1 500 в месяц на сотрудника для каждого агентного инструмента кодинга: по данным Bloomberg, годовой бюджет на ИИ был израсходован за четыре месяца.Такая реакция понятна — чем больше команда пользуется ИИ, тем выше счёт провайдера. Но лимит на человека — это не единственный и не всегда лучший способ управлять затратами. Он не различает полезный сложный запрос и простой вызов, который случайно отправили в дорогую модель. А ещё может ограничить именно тех сотрудников, чья работа действительно выигрывает от ИИ.
Пентагон запустил версии ChatGPT и Grok для военных
Пентагон запустил версии ChatGPT от OpenAI и Grok от xAI на портале GenAI.mil, разработанном в рамках программы OpenAI for Government для сотрудников Министерства обороны США.
Топ-5 проблем, с которыми я столкнулся при разработке AI-агентов
Когда я начал делать агентов под разные задачи внутри компании, я довольно быстро понял что задача не сводится просто к хорошему промпту.Промпт важен, но он закрывает только верхний слой, а дальше начинается обычная инженерная работа - контекст, память, доступы, инструменты, состояние, git, фоновые задачи и т.д. и т.п. И если это не проектировать отдельно, агент может нормально справиться с короткой задачей, но начать сыпаться на длинной работе.
Я дал четырем ИИ-ревьюерам 60 багов, про которые точно известно, что они баги
Про ИИ и код пишут много, и почти все эти тексты одного жанра: человек попробовал, ему понравилось или не понравилось, вот пара примеров. Чисел нет. Я честно искал статью, где кто-то взял бы набор дефектов с заранее известным ответом по каждому, прогнал через агента и посчитал. Не нашел.Понятно почему. Такой набор взять неоткуда. Реальные баги из трекера давно починены и с большой вероятностью лежали в обучающей выборке. Синтетические баги пишет человек, а человек пишет такие баги, какие сам привык замечать, и меряет в итоге собственные слепые пятна.
Кто вырастит будущих сеньоров, если код теперь пишет AI?
Почему генерация ускоряет результат, но не гарантирует рост инженера?
Anthropic представила Claude Fable 5.1 и Mythos 5.1
Anthropic обновила сразу две специализированные модели.Fable 5.1 получила заметный прирост в кодинге, агентных задачах и исследованиях. В Terminal-Bench Science модель набрала 52,6% против 24,7% у Fable 5.
Anthropic представила Claude Fable 5.1 — модель для сложных задач и долгой работы с ИИ-агентами
Anthropic выпустила Claude Fable 5.1 — новую модель из семейства Claude, которая стала преемником Claude Fable 5. Модель ориентирована на задачи с длительным контекстом и многоэтапным выполнением: агентное программирование, исследовательскую работу, анализ документов и другие сценарии, где требуется последовательное решение сложных задач.Claude Fable 5.1 доступна через Claude API и платформы партнёров Anthropic. По сравнению с предыдущей версией модель получила улучшения в работе с ИИ-агентами, более глубоким рассуждением и длительными рабочими процессами.
Обречён с самого начала: проблема ИИ‑дашбордов
Три промпта, три дашборда — и то, что специалист по аналитике по‑прежнему должен привносить сам в эпоху визуальной аналитики с использованием искусственного интеллекта.Если вам когда‑либо приходилось запускать дашборд внутри компании, вы наверняка сталкивались со знакомым сценарием.Вы выкатываете «Идеальный дашборд!». Все добавляют его в закладки. Через две недели аудитория начинает терять интерес. Через полгода данные устаревают, а посещаемость почти сходит на нет.И ваша работа отправилась на кладбище дашбордов.Причины смерти хорошо известны:
Разработчики Roblox научили статичные 3D‑модели повторять движения из видео без готового рига
Исследователи из команды Roblox, Массачусетского университета в Амхерсте (США) и Критского института технологического образования (Греция) представили BLARM (Blending LAtent Rigid Motion Primitives) — систему, которая переносит движение из видео на статичную 3D‑модель. Для этого не нужен заранее подготовленный скелет или размеченные веса скиннинга. Модель машинного обучения сама определяет, какие части объекты должны двигаться.

