llm.
Microsoft обучает виртуальных репетиторов с помощью AI‑двойников учеников
Исследователи из Microsoft Research и Университета Иллинойса в Урбане‑Шампейне представили StudentSim — систему для создания виртуальных копий учеников. Такие модели воспроизводят уровень знаний, типичные ошибки и реакцию людей на подсказки преподавателя. На них можно тестировать и обучать виртуальных репетиторов, не привлекая для этого реальных учеников.
Как создавался агрегатор ИБ‑новостей: склейка сюжетов, семь признаков важности и порог по данным
Идея агрегатора новостей по кибербезопасности зародилась еще давно. Хотелось получать самое важное и без инфошума. LLM тогда ещё не были повседневным инструментом, и первую версию реализовал на модели суммаризации rut5_base_sum_gazeta, а важность считал textrank. Работало так себе. Потом появились сервисы, которые сами подбирают новости под настроенную ленту. Но оптимального решения так и не увидел — это либо про всё сразу, либо что‑то про одну узкую тему.
Как подключить к LLM вашу документацию и базу знаний
Материал подготовлен в рамках курса «ИИ для Python‑разработчиков». Привет, Хабр! Меня зовут Андрей Бирюков. Я — независимый эксперт в области ИТ и ИБ, преподаю в учебных центрах и пишу статьи и книги.Вы когда‑нибудь пытались спросить у ChatGPT о том, как работает ваш собственный проект? Модель вежливо отвечает, но её ответы — это общие шаблоны, основанные на обучении на миллионах чужих репозиториев.
Приглашаем на конференцию о будущем AI-first аналитики Data Driven 2026
26 сентября в Москве и онлайне пройдёт Data Driven 2026
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.
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.
