llm.
AI-ревьюер кода. Ирония судьбы, или С лёгким мердж-реквестом
Привет, Хабр! На связи Оля и Эрик из команды больших языковых моделей ecom.tech
Как устроена токеномика — экономика мира ИИ
Долгое время разработчики жили в парадигме «закон Мура
Как мы делали многоуровневую память для корпоративных AI-агентов в VK AI Space
Привет, Хабр. Меня зовут Сергей Врулин, я Team Lead в команде агентов VK AI Space — корпоративной платформы для создания и запуска AI-агентов.В июле 2026 года VK AI Space
Z.ai выпустила GLM 5.3 Flash с открытыми весами. Модель уже доступна в KodaCode
Компания Z.ai представила GLM 5.3 Flash – первую нативно мультимодальную модель в серии GLM-5. Веса модели опубликованы на Hugging Face, а в карточке репозитория указана лицензия MIT.До официального релиза модель тестировали на OpenRouter под названием Ox Alpha. За несколько дней она возглавила рейтинг платформы по использованию.
Z.ai выпустили GLM-5.3-Flash: ту самую Ox Alpha, которая за неделю стала топ-1 в OpenCode и OpenRouter
Z.ai выпустили GLM-5.3-Flash, первую нативно мультимодальную модель семейства GLM-5. Она поддерживает контекст до 1 млн токенов и содержит 320 млрд параметров, из которых при генерации активируются 18 млрд.
Агент написал себе навык и соврал, что тот работает
Я делаю агента, который умеет дописывать себе навыки. Не в смысле «подключает плагины из маркетплейса», а буквально: упёрся в то, чего не умеет — сгенерировал код, собрал, установил, пользуется.Первый раз это сработало примерно так, как я и мечтал. Агент сказал «у меня нет такого навыка», спросил разрешения, минуту пыхтел компилятором и отчитался: готово, метод доступен.Метода не было.
FlautGuard: как мы построили многоуровневую защиту LLM от prompt injection и утечек данных
Защита языковой модели отличается от защиты обычного веб-приложения одной принципиальной особенностью: пользовательский ввод для LLM — это не только данные, но и потенциальная инструкция.В обычном приложении строка остаётся строкой. В LLM пользовательский текст интерпретируется самой моделью, поэтому граница между «данными» и «командой» становится значительно менее очевидной.Отсюда появляются prompt injection, попытки извлечения системных инструкций, обход ограничений и утечки информации через ответы модели.С этой проблемой мы столкнулись при разработке FlautFast — нашей LLM внутри инфраструктуры FlautCompany.
Мы выдали командам ИИ‑инструменты и получили нулевой эффект
Привет, Хабр! Меня зовут Евгений Симонович, я работаю в Ви.Tech.Расскажу одну историю, как мы набивали шишки. Мы начали внедрять ИИ и LLM в контур разработки в декабре, к середине года собрали из этого стратегию, и по дороге успели получить около нулевой эффект, разобраться, почему так, и переделать подход. Мне кажется, это применимо к кому угодно в екоме, у кого цель звучит примерно так же: быстрее доставлять бизнесу ценность.Перед началом рамка: будет нечисто про чисто SDLC.
Как использовать LLM в тестировании: разбираем harness, автотесты и LLM-судью
Поговорим об этом на Bugs Busters — бесплатном митапе ЮMoney для QA-специалистов. В программе — три доклада о задачах, с которыми тестировщики уже сталкиваются при работе с LLM:как устроен LLM-harness и зачем агенту нужна обвязка;как собрать помощника на базе ИИ для разбора падений автотестов;как понять, подходит ли конкретная LLM для вашей задачи, и сравнивать модели с помощью LLM-судьи.Покажем не только идеи, но и практические подходы с инструментами, которые используем в работе.Когда:
