llm.
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:
RAG в медицинской аналитике: как построить управляемый контур вместо очередного чат‑бота
Эта публикация подготовлена на основе моей ВАК‑статьи «Методологический подход к применению Retrieval‑Augmented Generation в медицинской аналитике для развития интеллектуальной поддержки деятельности медицинской организации». Для Хабра я убрал академическое оформление, сократил обзор литературы и подробнее объяснил практическую архитектуру, ограничения и способ оценки такого решения.
Новый голосовой режим ChatGPT на GPT-Live-1: возможности, проблемы и лайфхаки
В июле 2026 года OpenAI заметно изменила голосовой режим ChatGPT и запустила GPT-Live-1 — модель для более естественного разговора в реальном времени.Теперь ChatGPT умеет слушать во время собственной речи, реагировать на перебивания, ждать окончания мысли, работать с веб-поиском, памятью, текстом и изображениями в одном диалоге. Сложные вопросы он при необходимости может передавать более мощной модели для отдельного анализа.Но вместе с этим появились и новые особенности: Live может отлично держать длинный контекст, а через минуту внезапно перейти на «угу», перебить пользователя или додумать то, чего он не говорил.
Код‑ревью в эпоху ИИ: 7 ошибок, ведущих к инцидентам
Материал подготовлен в преддверии старта курса «ИИ для разработчиков».Всем привет, меня зовут Сергей Прощаев и в этой статье расскажу про ревью кода, созданного ИИ, и про то, почему AI Code Review так часто не спасает. Я Tech Lead и руководитель направления Java | Kotlin разработки в FinTech & E‑commerce, преподаю на курсах разработки и архитектуры в ОТУС.Типичный сценарий, который я всё чаще вижу в командах, выглядит так. Разработчик ставит задачу
Как мы автоматизировали перевод скриншотов в документации
Привет! Меня зовут Глеб Смольяков, я инженер-программист в DevRel-отделе Битрикс24.
От задачи до MR: как устроен конвейер разработки с ИИ-агентами в «Первой Форме»
ИИ-агент может за минуты подготовить изменение, на которое у разработчика прежде уходил час. Но ускорение написания кода создаёт другую проблему: растёт нагрузка на проверку. Нужно изучить diff, понять предположения агента, проверить затронутые компоненты и убедиться, что решение соответствует задаче, а не просто проходит формальные проверки.Почему агент выбрал этот модуль? Какие связанные части системы изучил? Какие варианты отбросил? На какие требования и результаты проверок опирался? Если этот контекст остаётся в закрытой сессии, следующему участнику процесса приходится собирать его заново.

