Дайджест ИБ, 1–7 сентября: GPT-6 Astra в проде, зарубежные NGFW теряют долю, утечка 153 млн прав
Новости недели 1-7 сентября по информационной безопасности: агрегатор читает ленты новостей примерно 240 источников и склеивает материалы об одном событии в сюжет. За семь дней прочитано 11 653 материала, 1 267 из них пришли от профильных изданий, вендоров и регуляторов. Ниже двадцать сюжетов, отобранных из этого потока, со ссылками на первоисточники.
TechCrunch выпустило глоссарий по ИИ
В попытке упростить понимание, что происходит в мире ИИ, издание TechCrunch выпустило глоссарий с основными терминами, которые относятся к этой теме. Как поясняют авторы, «словарь движется столь быстро, что заставляет даже очень умных людей из технической сферы чувствовать себя неуютно». К каждому термину дано краткое пояснение, иногда есть ссылки на более подробные статьи по теме. Глоссарий включает в себя 32 термина в алфавитном порядке. Там встречаются такие понятия, как:Галлюцинация
TSMC почти вдвое увеличила планы по закупке оборудования из-за бума ИИ
Аппетиты ИИ-отрасли продолжают расти. В конце 2025 года TSMC рассчитала
Anthropic отказалась от покупки ИИ‑стартапа Decart AI за $6 млрд
Anthropic приняла решение не приобретать стартап в сфере искусственного интеллекта Decart AI, пишет Bloomberg со ссылкой на источники. В прошлом месяце собеседники информационного агентства рассказали о планах разработчика Claude купить израильскую компанию за $6 млрд. Тогда они не исключили, что сделка может сорваться.
Как мы обучаем обычных сотрудников использовать ИИ (и зачем)
Примерно полтора года назад мы в компании начали проводить еженедельные воркшопы по ИИ. Или, как мы сами их называем, ИИ‑кружки. Сначала для разработчиков, а позже — для «чайников» не‑разработчиков тоже. Как, зачем, и к чему это в итоге привело — в статье.
Я прогнал топ VRAM-калькуляторов для LLM — все ошибаются в одном и том же
Я прогнал топ выдачи Google по «llm vram calculator» — от самого навороченного до однокнопочных. Все ошибаются в одном и том же: ни один не моделирует, что движок резервирует почти всю память под пул заранее, а не раздаёт её под KV по мере запросов. Ответ «сколько запросов влезет» из-за этого всегда мимо.Наивное большинство спотыкается ещё и о геометрию KV: на DeepSeek-V2-Lite обычная формула завышает память почти на порядок (в 7–11 раз). Разбираю обе ловушки и сверяю числа с живым vLLM.Ошибка №1: движок забирает память заранееПишете две строки:from vllm import LLM llm = LLM("meta-llama/Meta-Llama-3-8B-Instruct")
«Яндекс Музыка» вводит новые правила работы с ИИ‑контентом
Сервис «Яндекс Музыка» вводит
Acer представила мини-ПК Veriton RI110 с Panther Lake, 96 ГБ памяти и OCuLink
Acer представила компактную рабочую станцию Veriton RI110 AI на базе процессора Intel®
Как мы превратили правила команды разработки в инструкции для LLM-агента
Привет, Хабр! На связи команда разработки Just AI. Сегодня расскажем, как мы автоматизировали часть задач в процессах разработки с помощью LLM-агента. Не генерацию функций и не написание кода по промпту — с этим кодинг-ассистенты уже неплохо справляются. Нас интересовало другое: что происходит с задачей до и после того, как разработчик закончил писать код.
Как с помощью graph RAG добиться многоходовых рассуждений от LLM с 2B весов
Пару недель назад YouTube подкинул мне пятиминутный ролик с небольшого канала, где автор демонстрирует преимущества RAG на графах над обычным RAG поверх корпуса текстов.Пример довольно простой. LLM должна ответить на вопрос: “Кто должен подписать возврат клиенту на 800 фунтов в марте?”. Ответ, естественно, содержится в предоставленных текстах, но для того, чтобы его добыть, нужно уметь в multi-hop reasoning, т.к. необходимая информация лежит в 3х разных местах:инструкциях по возврату средствсписке сотрудниковсообщениях электронной почтыДля правильного ответа (
