С февраля 2026 года активно откликаюсь на разные вакансии, потому как зарплаты упали, а хочется перспектив и развития. Несколько дней назад увидел, как в одном тг канале для автотестировщиков активно форсят ресурс updatecv.me. Решил и я попробовать.

Ресурс хочет денег — ну оно и неудивительно. 300 рублей можно и отдать за возможность стать круче в глазах работодателей.

LLM-бум породил не только новые возможности, но и новое поколение атак. За два года мы увидели реальные атаки на агенты: один вредоносный email и Copilot сливает платёжные данные клиентов, одно фальшивое GitHub issue и CI/CD пайплайн скомпрометирован, один тщательно настроенный промпт и AI-агент выполняет удалённый код на вашей машине. Это уже далеко не теория, а зафиксированные исследователями в 2025 - 2026 годах атаки на Microsoft Copilot, OpenAI Atlas, Claude Code и Apple Intelligence.

Атаки становятся изощрённее: злоумышленники маскируют вредоносные инструкции под XML-политики, шифруют в base64, вставляют невидимые символы и даже прячут джейлбрейк в стихи. Встроенные фильтры LLM пропускают до 76% таких атак.

Значит, нужен другой подход - лёгкий, быстрый (чтобы не тормозить агента) и понятный (чтобы вы знали, почему запрос заблокировали). И главное, работающий без вызовов внешних API, внутри вашей инфраструктуры. Потому что в эпоху zero-click атак доверять безопасность облачному провайдеру, который пропускает почти всё, как минимум рискованно.

В этой статье разберем основные виды атак и посмотрим на примере, как выстроить базовую защиту с моделью безопасности OGL-Mini.

Несчастные случаи, приводящие к производственному травматизму, считаются серьёзной проблемой в мире, в том числе и в России. Зачастую произошедшее ЧП заканчивается либо потерей дееспособности работником, либо смертельным исходом. Внедрение ИИ в систему видеомониторинга за строительной площадкой позволяет снизить вероятность несчастных случаев на объекте. С опорой на статистические данные рассмотрим, как это происходит.

Решил начать с сферы строительства тк разбираюсь в ней очень хорошо и считаю, что это одна из важных сфер применения ИИ. Здесь, помимо самого процесса строительства, важен процесс мониторинга за объектами, персоналом и техникой. Современные системы работают с несколькими инструментами:

Почему ИИ убирает неверно показывает результат действий кота и удаляет одну подушку? Причины кроются в обучении и интерпретации нашей реальности. Подробнее про причинно‑следственную связь в нашем мире и о том, как ее «переносят» в ИИ рассказал профессор колумбийского университета и директор лаборатории CausalAI Elias Bareinboim в своем докладе на ICML 2026.

Пересказываю главное из его доклада.

В 2015 Google выкатила серию изображений, которые выглядели так, словно фотографию отдали на редактуру художнику, а потом забыли вовремя его остановить. На обычном пейзаже появлялись десятки глаз, в облаках начинали угадываться собаки, архитектура покрывалась повторяющимися узорами, а деревья превращались во что-то среднее между растительностью и фантазией художника. Изображения быстро разошлись по интернету, а DeepDream довольно быстро стал отдельным визуальным стилем.

Изначально исследователей интересовали не столько сами картинки, сколько возможность понять, что происходит внутри нейросети. Классификатор снаружи выглядит довольно просто: фотография поступает в модель, а на выходе появляется список вероятностей — собака, кошка, автомобиль, самолет. Между этими двумя точками находится огромное количество вычислений, и по одному ответу модели далеко не всегда понятно, почему она пришла именно к нему.

Можно посмотреть на значения активаций отдельных нейронов и каналов, построить карты признаков, найти изображения, которые вызывают сильный отклик. Есть и более радикальный способ исследования: специально изменить входное изображение так, чтобы какой-то внутренний сигнал модели стал сильнее. Так появился DeepDream.

Почему “удалить аккаунт” — это плоская проекция, как из неё рождается предметная область цифрового санкционного управления и зачем профессиональным сообществам нужны таксоны, состояния, события и восстановительные маршруты.

Почему аккаунт уже не всегда “просто аккаунт” — и почему профессиональному сообществу стоит осторожнее обращаться с требованием “удалить”.

Похоже, у AI-агентов есть проблема, которую обычно связывают с людьми: они не всегда умеют работать в команде.

Anthropic провела эксперимент, в котором несколько AI-агентов получили одну и ту же задачу по разработке ПО, но при этом их цели были намеренно сделаны несовместимыми. Результат исследователи назвали настоящей «войной за территорию» между агентами.

Задача сама по себе была довольно обычной: переписать Python-бэкенд на другом языке программирования. Но каждому агенту дали собственные приоритеты, из-за которых успешное выполнение задачи одним агентом могло мешать другому.

Дальше началось самое интересное.

Американский экономист и профессиональный инвестор Бенджамин Грэм не был обладателем огромного состояния, но его советы помогают людям зарабатывать миллиарды долларов. Так Грэм достиг своей жизненной цели — «каждый день создавать что-то новое и проявлять великодушие». Его ученик, Уоррен Баффет, занявший пятую позицию в рейтинге самых богатых людей мира по версии Forbes, назвал Бенджамина одним из тех, кто «сажает деревья, в тени которых будут отдыхать другие люди».

Для примера будем использовать наш продукт для просмотра топологии и верификации(EDA) и расскажем, как мы построили его лицензирование.

Каждый коммерческий продукт рано или поздно упирается в один вопрос: кому именно вы продаёте право пользоваться программой.

Если заказчиков несколько десятков крупных предприятий, всё относительно просто. Есть договор, количество рабочих мест, менеджеры с обеих сторон и ежегодное продление.

Но если продукт одновременно нужен заводам, университетам, небольшим компаниям и стартапам, модель меняется. Это уже не десять клиентов, а сотни или тысячи машин: учебные лицензии, trial, временные ключи, один ноутбук на нескольких сотрудников.

В этот момент плохо работает модель «один бинарь и проверка лицензии есть или нет».

Я попросила Алису AI и ГигаЧат настроить lifecycle-политику объектного хранилища в одном конкретном облаке. Ответы выглядели убедительно, пока я не сверила их с документацией и не нашла расхождения. Почему так получилось? А главное, что с этим делать SEO-специалисту и техническому писателю?

Приветствую, уважаемые читатели.

Меня очень порадовал и удивил ваш интерес к недавней статье об адамантанах и алмазоидах, которая собрала +52 и 21,7% дочтений. Поэтому я, продолжая заниматься следующей статьёй, предложу вашему вниманию интереснейший Guest Post под авторством уважаемой Владиславы Шраменко @Kotyara99о физико‑химических свойствах углеродных нанотрубок и о том, как их получать, правильно сжигая углеродный порошок. Статья богато иллюстрирована. Далее — от автора.

Мы собрали подборку из топ-10 проектов по рейтингу на сайте Product Radar за июль 2026 года. Это проекты, за которые проголосовало большинство пользователей сайта. 

Product Radar — здесь каждую неделю публикуются лучшие онлайн‑сервисы и железки от русскоязычных команд. Это площадка, где энтузиасты из мира технологий делятся своими идеями, обсуждают и создают вместе новые продукты, чтобы делать жизнь людей лучше.

ИИ-агент может не только писать код, но и сам забирать задачи из YouGile, выполнять их и обновлять статусы. Рассказываю, как я связал Codex и Claude Code с таск-трекером, почему обычный retry после timeout однажды создал дубли и зачем между LLM и API нужен отдельный детерминированный слой.

В предыдущей части мы сшивали разрезанные спрайты в анимации для ассетов вручную. Теперь попробуем сделать это же, но с помощью нейросети Seedance 2.0. Я выбрал несколько спрайтов в случайном порядке и использовал промт:

Написал свой ассемблер, чтобы понять, откуда в дизассемблере берётся ff010113. Заодно посчитал, сколько строк моей программы процессор вообще не умеет исполнять, и проверил это на четырёх наборах команд, включая живой ESP32 на столе. На кристалле первая программа серии сломалась: она пишет в UART быстрее, чем провод успевает передавать, и в эмуляторе этого не видно.

С самых первых минут аварии стояла насущная задача — узнать, что творится внутри разрушенного блока в реакторе, какие процессы там происходят и насколько они опасны. Но сделать было труднее, чем сказать. Кроме зашкаливающей радиации путь преграждали завалы, а сперва ещё и высокая температура. Всё это делало физически невозможным доступ людей к реактору. И пришлось выкручиваться всеми возможными способами...

В статье разбираем реальное тестовое задание на позицию аналитика DWH: четыре коротких SQL-запроса. Все синтаксически корректны, все дают верный результат на контрольных данных. И в каждом спрятана предпосылка, при нарушении которой цифры в витрине становятся неверными — без ошибок, без предупреждений, просто другие числа в отчёте

Рутина в проверке конструкторской документации — головная боль: одни и те же проверки, одни и те же таблицы, одни и те же вопросы заказчику. Я решил передать часть этой рутины нейросетям. Рассказываю, что из этого вышло.

Новая архитектура Qwen4 против продакшн-27B на трёх прогонах и назойливая ошибка в собственной документации про NVFP4A16. Переходим с 3.8-27B на Next-Flash или нет?