Блог об AI
Заметки о нейросетях, промпт-инжиниринге и том, как искусственный интеллект меняет всё вокруг.
Последние записи
Google AI Essentials: кому точно НЕ стоит проходить этот курс
Не все получат пользу от Google AI Essentials. Разбираем пять критериев, по которым можно определить, стоит ли тратить время и деньги — или лучше выбрать другой путь.
Гибкость инфраструктуры vs скорость релизов: почему PaaS побеждает
Каждая компания хочет скорости, но многие тихо убивают её, оптимизируя инфраструктуру под гипотетические будущие сценарии. Вот почему гибкость часто становится самой дорогой формой организационного торможения.
AI-новости недели: Opus 4.8, $900 млрд Anthropic и почему ИИ больше не отбирает работу
Claude Opus 4.8 делает ставку на честность, Anthropic стартапом почти триллион долларов, а Сэм Альтман признаётся, что ИИ пока не забрал белые воротнички. Главное за неделю.
IKBO: как Meta ускорила рекомендательные системы в 4 раза, убрав бесполезное копирование данных
Meta представила IKBO — метод оптимизации GPU-ядер для рекомендательных систем, который устраняет избыточное копирование пользовательских эмбеддингов и даёт до 4× ускорения на H100.
Качество человеческих данных: почему ИИ хуже, чем его разметчики
Все говорят о моделях, но мало кто задаётся вопросом — а правильно ли мы размечаем данные? Разбор исследования Лилиан Венг о качестве человеческой разметки.
Claude Opus 4.8: честность, скорость и сотни агентов в одной задаче
Anthropic выпустила Claude Opus 4.8 — модель, которая работает в 2.5 раза быстрее, в 4 раза честнее предшественника и умеет запускать сотни параллельных субагентов для задач уровня портирования 750 000 строк кода.
3 ограничения ИИ, которые новички игнорируют до первой ошибки
Смещение данных, cutoff date и галлюцинации — три ограничения ИИ, которые новички узнают слишком поздно. Разбираем на примерах, как не попасть в ловушку.
Нужны ли агентам семантические метаданные: разбор исследования Google
Исследователи Google сравнили два агента: один искал данные в открытом вебе, другой — в индексе из 90 миллионов датасетов с разметкой schema.org. Результат оказался контринтуитивным.
SAERL: как разобрать мозг LLM, чтобы научить его быстрее
Исследователи из Tsinghua University предложили SAERL — метод, который заглядывает внутрь LLM через Sparse Autoencoder и использует эти сигналы для умного отбора и упорядочивания обучающих данных.
PyTorch 2.12: 100-кратное ускорение eigendecomposition и конец TorchScript
PyTorch 2.12 принёс 100-кратное ускорение batched eigendecomposition, unified graph capture API, поддержку MX-квантизации и положил конец TorchScript. Разбираем, что важно.