Google представил Science One Framework: ИИ для научных исследований без «галлюцинаций»
Компания Google анонсировала экспериментальный исследовательский прототип Science One Framework*, предназначенный для проведения прозрачных и достоверных научных изысканий с помощью искусственного интеллекта. Главная цель проекта — полностью исключить «галлюцинации» нейросетей.Сбор доказательств («режим детектива») ИИ автономно ищет публикации, датасеты и документацию по теме исследования, анализирует их и отбирает подтверждённые факты.Построение «цепочки доказательств» (Chain of Evidence)
Звезда в машинном тумане: как ИИ стал оружием, целью и чужим голосом в браузере
AI-ассистенты уже давно стали рабочим инструментом: они помогают писать код, анализировать документы, отвечать на письма, запрашивать данные из других систем. Но вместе с удобством приходят и дополнительные риски, каждая новая функция становится еще одной мишенью.Привет Хабр! В этой статье я, Юрий Туманов, AppSec-инженер в блоке ИБ «Ростелекома», вместе с коллегами по отрасли — Игорем Коркиным из Positive Technologies и Оксаной Докучаевой из ФМБА России — расскажу вам о том, как ИИ меняет правила игры в кибербезопасности: и для атакующих, и для защитников.Скрытый текст⚠ Дисклеймер.
Как у меня тоже НЕ получился торговый бот на Polymarket
Вдохновлено постом: Как у меня НЕ получился торговый бот на PolymarketВводные данные. Я никогда не торговал, не шарю в трейдинге, на Polymarket даже аккаунта нет. Увидел кейс, где парень с LLM сделал $10k из $1k за месяц. Подумал: «А почему бы и нет?». Долго ковырялся, девять стратегий протестировал — все в минусе. В общем “поднять бабла” ничего не делая не получилось.Что я хотел сделать (и где ошибся в приоритетах)Изначально задача была простая: сделать paper-trading
Hermes оказался для меня игрушкой
Делюсь опытом эксплуатации Hermes в домашней лаборатории и выводами, к которым пришёл в процессе.ОглавлениеПозиционированиеХорошее применение (почти)Что я сам бы не смог сделать
Как гуманитарий без опыта в кодинге собрал инди‑игру с AI‑агентом за полтора месяца
От концепт‑дизайна велосипедного магазина до релизной web‑игры на GitHub Pages — и почему документация оказалась важнее промптов.Kadence — инди‑игра о буднях веломастерской.
Почему агент на самом деле дешевле RAG
Наивная арифметика, которая всех обманываетКлассический RAG-ассистент работает так: пользователь пишет вопрос → эмбеддинг → поиск в векторе → один вызов LLM для синтеза. Одна итерация. Чисто, быстро, дёшево. Если ответ правильный.Проблема в том, что с первой попытки он правильный не всегда. Пользователь переспрашивает: «нет, я имел в виду другое». Ассистент делает второй запрос. Потом третий. К четвёртому переспросу пользователь машет рукой и зовёт живого оператора. Оператор тратит 10–15 минут, находит нужный документ, копирует абзац в чат. Вопрос закрыт. Стоимость вопроса — не 1 вызов LLM, а:
Как думает LLM
Почему ChatGPT иногда может ответить мгновенно, а иногда заставляет смотреть на надпись Thinking почти минуту?На первый взгляд кажется, что модель стала умнее и теперь действительно размышляет перед ответом. А раз уж она размышляет, может модель обрела… самосознание? Конечно, это не так, модель не думает в привычном понимании, она строит несколько гипотез, находит и отбрасывает неудачные варианты и предоставляет пользователю ответ. Этот процесс сегодня называют Reasoning.
Я хотела дать AI память. Пришлось организовать работу
Часть I. Как память превратилась в рабочий процессУ меня есть три правила работы с контекстом.Первое правило работы с контекстом — выносить его из чата.Второе правило работы с контекстом — прежде чем выносить, нужно сортировать.Третье правило работы с контекстом — не в контексте дело.Только не говори, что дело опять во мне.
Claude Opus 5 Max удалила всю базу данных проекта через десять минут после начала работы
Программист рассказал
Локальные LLM на iPhone: память, Core ML, MLX и ограничения
Всем привет! Меня зовут Никита Нагорнов, я iOS‑разработчик в компании «Исходный Код». В этой статье разберем, как запускать локальные LLM на iPhone.Поговорим про:Архитектуру Apple Silicon и Unified Memory — почему не можем использовать всю доступную память;Память, квантование и KV Cache — где приложения начинают падать и как это отловить;Core ML и MLX — чем отличаются, где какой быстрее и почему нельзя всё запускать на нейронном процессоре;Температуру и троттлинг — что происходит с телефоном на длинной сессии;

