KodaCode 1.2.0 получил новые модели, субагентов и планирование в Desktop и CLI
Вышел KodaCode 1.2.0. В релиз вошли новые Koda Base и Koda Pro, фоновые субагенты, планирование в Desktop и CLI, расширенное управление через Telegram и доработки, помогающие агенту продолжать работу после временных ошибок и обрывов соединения.Новые Koda Base и Koda ProKodaCode получил две обновлённые собственные модели для разных классов задач.Koda Base теперь основана на Qwen 3.8 Flash 125B. Base остаётся доступной бесплатно с дневными лимитами во всех основных клиентах KodaCode.
ИИ в тестировании: разбираем падения автотестов, оцениваем LLM и строим обвязку агентов
В августе прошёл Bugs Busters — митап для QA-специалистов от ЮMoney. Спикеры компании рассказали, как применяют ИИ для анализа причин падения e2e-автотестов, как устроен инструмент для подбора оптимальной LLM-модели под конкретную задачу и как строить обвязку вокруг агентов. Пропустили митап? Собрали главное из докладов и приложили записи выступлений.Разбираем падения автотестов с помощью ИИ
Как мы научили ИИ-модель понимать документы и теперь оформляем новых сотрудников в 2 раза быстрее
Странно говорить о современном стеке и одновременно предлагать новым сотрудникам вручную вписывать данные паспорта в кадровую анкету. Автоматизируя процесс онбординга, мы пошли дальше стандартной OCR. На базе LLM VL-модели разработали цифровой продукт Sminex Start, который проводит процесс оформления. Ручные трудозатраты свелись к минимуму, данные не покидают внутренний контур, новые сотрудники с первого дня понимают, что пришли в технологичную компанию. Как нам это удалось и какие преимущества в цифрах и отзывах мы уже видим — рассказываем в статье.LLM vs OCR
Не бенчмарком единым: стелс‑модель union‑alpha на реальной задаче — сутки от релиза до боя
Дисклеймер: в статье упоминается Meta — организация, признанная экстремистской и запрещённая на территории РФ. Статья — не прогрев и не реклама. Все логи, цифры и скрины — из реальных прогонов на тестовом аккаунте.Все ключи, телефоны и названия в примерах изменены; код, схема, логика и скрины‑ из рабочего проекта заказчика, и строго с его разрешения! Статья не является рекламой/самопиаром и тому подобное. Пролог: живая встреча, бэклог и бесплатная модель
Почему LLM не могут овладеть человеческим языком в совершенстве
Даже идеальная модель с бесконечным объемом текста не восстановит ту часть смысла, которая никогда не была закодирована в языковой форме.
Красная королева в Core War: как LLM сражался с 317 человеческими воинами
Игрушка для программистов, Core War, была придумана в 1984 году. Известная песочница собирает желающих "побороться" кодами до сих пор. Она может быть полезна как инженерам (кибербезопасность и борьба с хакерами), так и биологам (эволюционные процессы) и экономистам (развитие рынка в условиях конкуренции). С появлением LLM игра получила новое развитие. Исследователи из Sakana AI и MIT предложили обновленную стратегию, основанную на эволюционных процессах и противоборствующей динамике. Идея Core War
CMF: новый формат для создания специализированных LLM моделей
Универсальные языковые модели умеют решать множество задач, но за эту универсальность приходится платить: они большие, тяжёлые и содержат множество переплетённых способностей сразу. Мне хотелось научиться брать уже обученную LLM и компилировать её под конкретную работу, получая компактного специалиста, который можно запускать на более дешевом оборудовании.При этом одна универсальная модель могла бы служить основой для целого семейства таких специалистов с автоматическим выбором подходящего под каждый запрос.
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.
