Kurgan-Telecom Ru | Информационные технологии

Технические специалисты из Epic Games снова готовятся менять правила игры. Пятая версия Unreal Engine уже вытолкнула индустрию в эпоху кинематографичных графических технологий, но шестая — это шаг куда более дерзкий. UE6 задуман не как очередное обновление движка, а как фундамент для огромной, постоянно живущей игровой экосистемы, где профессиональные студии и творческое сообщество Fortnite работают в одном пространстве.

Epic хочет, чтобы разработка больших проектов стала менее болезненной: меньше ручной возни с потоками, меньше хаоса в архитектуре, меньше устаревших систем, которые тянутся с прошлых поколений. Поэтому в UE6 переписывают базовые механизмы работы с CPU, вводят новый язык Verse, обновляют графический стек и пересобирают подход к открытым мирам.

В этой статье мы подробно разберем, какие архитектурные изменения ждут движок, как нейросети помогут в оптимизации и когда ожидать первые игры на новом технологическом поколении.

Новичок вышел — а работать нечем: ни ноута, ни доступов, ни пропуска. Крайним делают HR, хотя готовили не они. Показываем, как навести порядок, стащив рабочие приёмы у айтишников.

Я несколько месяцев мониторю, как ChatGPT, Perplexity, Gemini и «Алиса» отвечают на вопросы про бренды и продукты. И почти сразу упёрся в путаницу, которую тащат из классического SEO: считается, что «попасть в ответ ИИ» — это когда нейросеть поставила ссылку на твой сайт в списке источников. Ссылка есть — победа, ссылки нет — провал.

На практике это две разные вещи, и меряются они по-разному. Есть цитата (citation) — сноска, ссылка на страницу как на доказательство. И есть упоминание (mention) — когда модель называет бренд прямо в тексте ответа, без всякой ссылки. Дальше я разберу на публичных данных двух исследований (Ahrefs и Profound) плюс на собственном замере, почему упоминание важнее цитаты и почему оптимизировать имеет смысл именно под него.

Хабр, привет! Меня зовут Илья Благородов, я занимаюсь разработкой уже более 30 лет, а ещё я — один из экспертов онлайн-магистратуры «Фронтенд-, бэкенд-разработка и ИИ-решения» ИТМО в партнёрстве с Яндекс Практикумом. Сегодня хочу поговорить о том, как правильно выбирать инструменты для разработки, почему разбираться в разных инструментах — не равно уметь их правильно применять и что с этим делать.

Мы собрали training‑free детектор галлюцинаций из шести готовых языковых моделей, получили хорошие метрики и наткнулись на красивую загадку: группу примеров, которые все судьи единогласно считали корректными, хотя эталонная разметка помечала их как галлюцинации.

На первый взгляд это выглядело как универсальная слепая зона LLM‑as‑judge — переносимый и потенциально важный результат. Однако собственная процедура проверки показала обратное: большей части этих меток не удалось пройти сверку с первоисточником. Судьи всё это время были правы.

Эта статья не столько о детекторе и не о предполагаемой слепой зоне, сколько о процедуре проверки, которая в итоге поймала нас самих.

В пятницу вечером менеджер получает письмо: нужно 200 метров ВВГ 3х2.5, не плоский. Открывает 1С, вбивает запрос и видит 47 позиций. Какой из них круглый, а какой плоский? Какой с оболочкой ок-0.66, а какой по ТУ? Ошибёшься и на стройке машину развернут.

На одну позицию уходит 4–7 минут. Пять позиций в заявке, двадцать заявок в день. К концу недели уже не в номенклатуру смотришь, а в стену.

Это классическая задача, на которой ломаются универсальные AI-агенты. Расскажу, как мы сопоставляем свободный текст клиента со справочником на 12 тысяч позиций.

У врачей есть такой «философский камень» — клиническое мышление. Откровенно говоря, всем бы нам у лучших из них поучиться смотреть на симптомы отдельного человека в целом, не лечить симптомы, видеть незаметные знаки и связывать их с основным состоянием систем. В бизнесе это называют аналитическими способностями, но разница всё же есть. Иногда удивляешься, какая по сути мелкая пакость сломала рабочий процесс, привела к конфликтам или даже финансовым потерям. А заметь эту пакость сразу, и всё заиграет иначе: профилактика всегда дешевле лечения, хоть и требует труда и дисциплины. В общем, сегодня расскажу вам о мелких и неочевидных проблемах с CRM, которые могут пустить насмарку все старания по внедрению. Пустячок, а неприятно :-)

Привет, Хабр! Я, Ольга Попова, ИИ-Евангелист Лаборатории искусственного интеллекта Департамента больших данных Россельхозбанка, подготовила дайджест новостей про ИИ. Поехали!

До того как Карел Чапек придумал слово “робот”, Норберт Винер написал эпохальную “Кибернетику”, а Электро — прообраз Бендера Родригеса — выкурил первую сигару, человек сумел собрать некое подобие роботизированного интеллекта. И у этого странного поделия была не менее странная история.   

Есть два способа узнать, что вам пришло письмо. Первый — каждые тридцать секунд бегать к почтовому ящику и заглядывать внутрь. Второй — почтальон звонит в дверь, когда письмо реально есть.

Long Polling — это первый способ. Бот в бесконечном цикле долбит getUpdates на серверы Telegram: «есть что‑нибудь? а сейчас? а сейчас?». Telegram, надо отдать ему должное, держит соединение открытым и отвечает не мгновенно, а когда появляются апдейты — поэтому polling и называется long. Но суть не меняется: инициатор — вы, соединение висит постоянно, и весь этот механизм живёт внутри одного вашего процесса.

Webhook — это почтальон. Вы один раз говорите Telegram: «вот мой HTTPS‑адрес, стучись сюда». Дальше при каждом новом сообщении Telegram сам делает POST‑запрос на ваш эндпоинт с JSON‑апдейтом внутри. Нет сообщений — нет запросов. Нет запросов — нет расхода ресурсов.

Для пет‑проекта на пять пользователей разницы никакой, поллинг даже удобнее — не нужен домен и сертификат. Но как только бот становится частью нагруженной системы, вебхуки выигрывают по всем фронтам: апдейт прилетает мгновенно, а не в конце очередного цикла опроса; входящий трафик — это обычные HTTP‑запросы, которые можно балансировать между несколькими инстансами; и главное — бот превращается в обычный веб‑сервис, к которому применим весь стандартный инструментарий: Nginx, healthcheck'и, метрики, горизонтальное масштабирование.

Привет! Хочу рассказать вам о том, как мы применили продуктовый подход к исследованию опыта разработчиков при работе с Figma, чтобы создать единый стандарт оформления макетов в компании.

На Хабре уже есть несколько отличных разборов того, как разные команды наводят порядок в Figma: аннотации, стрелки, сценарии, раскладки макетов и так далее. Я видел материалы Ozon Tech, t2, Иннотех — это классные справочники правил, можно брать и пользоваться. Но, когда в 2024 году я взялся за задачу подготовки стандарта для нашей компании, то столкнулся с вопросами, о которых нигде ничего не нашел. Как разработать единый подход? Что считать правильным и почему? Как упаковать эту идею и «продать» остальным членам команды, а главное: что делать дальше?

В этой статье поделюсь нашим методом поиска ответов на эти вопросы.

Итак, друзья, на днях вышел традиционный обзор рынка труда. Теперь уже за июнь 2026 г. Оригинал материалов размещен тут. На мой взгляд, он показывает интересную картину: не то чтобы кадровый дефицит закончился; скорее рынок стал сложнее и менее однородным.

Рынок труда в России за последние годы застрял в нескольких формулировках: «кадровый дефицит», "гонка зарплат", "рынок соискателя". Людей не хватает, зарплаты растут, работодатели конкурируют за кандидатов, бизнесу сложно закрывать вакансии.

И если смотреть только на общий показатель hh.индекса, кажется, что рынок развернулся в сторону работодателя. В июне 2026 года он составил 8,3, т.е. на 1 размещенную вакансию приходится указанное число соискателей. И вроде бы все здорово, но если погрузиться чуть глубже на уровень профессий и отраслей, картина быстро перестает быть простой и очевидной.

Два года по вечерам в одиночку пилю текстовую MMORPG в Telegram. Сейчас в ней 1111 аккаунтов и 586 выживших, которые бродят по мрачному острову. И где-то в админке ждёт кнопка, которая сотрёт их прогресс до нуля. Сезонный вайп, как в Rust. Я собрал её, проверил на тестовом сервере и до сих пор не нажал на проде. Рассказываю, почему «стереть всех» это не DELETE FROM, как один разработчик не держит в голове 99 таблиц, и какой тест блокирует мне деплой, если я забыл про новую таблицу.

ИИ снова закрывается. Пока мир следит за технологической войной чипов, Пекин и Вашингтон начали закрывать доступ к самому главному — готовым моделям. США уже убрали Claude Mythos из общего доступа, из-за рисков в кибербезопасности. 

Китай в свою очередь готовится заблокировать экспорт GLM, Qwen и DouBao. Добро пожаловать в эпоху «цифрового суверенитета», где нейросети официально признаны стратегическим оружием. Разбираемся, к чему приведет эта односторонняя прозрачность.

На NLP/LLM собеседованиях часто проверяют не только знание архитектуры Transformer, но и понимание полного жизненного цикла современной LLM: как модель предобучается, почему обычная GPT-модель ещё не является удобным ассистентом, зачем нужен instruction tuning, как работает RLHF и что такое alignment, какие у него есть подводные камни.

В этой статье - чеклист по GPT-like моделям, prompt engineering, этапам обучения LLM и alignment. Это не полноценная лекция с нуля, а тренажёр перед техническим интервью: пройтись по ключевым определениям, увидеть типовые вопросы и закрыть пробелы в формулировках.

Содержание:

Краткая история развития LLM от GPT до ChatGPT

Техники промпт-инжениринга

Этапы обучения LLM

Alignment

Итоговый чеклист вопросов с собесов

Полезные материалы

Чтобы измерять нагрузку, ошибки, задержки и потребление ресурсов, осознанно поддерживать SLO и настраивать алерты, не обойтись без Prometheus. Он принимает текстовый формат на HTTP-эндпоинте. Только вот Kafka, PostgreSQL, сетевое железо и Redis метрики по HTTP не отдают, либо понимают только JMX, SNMP и собственный REST API. Так что без переводчика не обойтись.

Всем привет! Я DevOps-разработчик из MTC Web Services. Этим материалом я открываю цикл из пяти постов, благодаря которому вы шаг за шагом напишете собственный Prometheus exporter с нуля на языке Go. Но просто написать код может и ИИ. Моя же цель — дать вам не только практическую, но и теоретическую основу, чтобы в будущем вы могли легко разработать свой exporter под любую задачу. 

Если вдруг вам уже знакома теория и важнее практика — заглядывайте в оглавление за практикой. В качестве примера я выбрал kafka_exporter: он покрывает несколько типов источников, позволяет реализовать паттерн Custom Collector и его легко тестировать локально. А еще есть много популярных kafka_exporter, с которыми мы сможем сравнить наш результат. Код буду коммитить в репозиторий.

Мы сильно улучшили нашего агента в этом релизе и прокачали нашу топовую модель Koda pro в основе которой GLM 5.2. В момент первого запуска в нашем плагине даже не было режима «Агент», а сейчас он стал для нас основным. С момента запуска этого режима в прошлом сентябре мы накопили много опыта в создании кодового агента. В релизе 1.0 мы значительно улучшили агентность: обновили реализацию агентных инструментов, системный промпт и провели новую итерацию обучения моделей. В результате, на нашем бенче из задач, отобранных из SWE-bench Verified, на нашей старой версии Koda Pro метрики увеличились на 10%.

Модель              resolved/completed

Koda-pro old v9.8. 59%

Koda-pro (GLM5.2)            77.4%

claude-sonnet-5          78.8%

Koda Pro основанная на GLM 5.2 и близка по метрикам к топовым моделям.

Мы провели большое число замеров нашего агента с различными opensource-моделями. GLM 5.2 показала себя наилучшим образом. Также ещё подкрутили настройки под неё. Отдельная история — это оптимальный инференс модели и как её ужать в одну ноду. В итоге у нас получилось раскачать Koda Pro до уровня Claude Sonet 5.

В центре практически каждой наблюдаемой массивной галактики находится сверхмассивная чёрная дыра. Космический телескоп НАСА имени Джеймса Уэбба обнаружил, что некоторые из этих сверхмассивных чёрных дыр могут быть даже слишком большими для галактик, в которых они находятся, что ставит под сомнение представления астрономов об этих объектах и вызывает вопросы об их росте в ранней Вселенной. Астрономы по-прежнему исследуют многие ключевые вопросы, касающиеся этих загадочных и мощных объектов, и их изучение может помочь учёным понять, как формируются и растут галактики.

Я астроном, изучающий сверхмассивные чёрные дыры в других галактиках. Эти увлекательные астрономические объекты могут рассказать исследователям о том, как материя поглощается или выбрасывается из центра галактики и как это может влиять на другие процессы в галактике.

Небольшая история о том, как я искал для себя читалку, как в итоге придумал новый формат для электронных книг — и, главное, как я месяцами воевал с дешёвыми LLM, чтобы они генерировали этот формат без ошибок. Будет и про устройство формата, и про то, как он «затюнен» под копеечные модели, и про основные проблемы.

Я разрабатываю спортивный гаджет, и он умеет принимать пульс со стандартных BLE-датчиков с профилем Heart Rate. Датчиков у меня было три ...