Latest posts
Книжный куб
13 Nov, 14:17
Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 4 - Reinforcement Learning with LLMs (Рубрика #AI)Досмотрел наконец-то четвертую лекцию курса "Transformers & LLMs", в которой речь идет про обучение с подкреплением. Пока это самая забористая лекция этого курса. В разборе третьей лекции был пример с агентом, который сделал девятнадцать полезных действий, а на двадцатом сломал программу. В конце упали тесты. Как теперь объяснить модели, какой из двадцати шагов ей стоило сделать иначе? В четвёртой лекции Stanford CME295 Афшин и Шервин Амиди разбирают, как из такой обратной связи получается обновление весов модели.Сначала нужно решить, кто выставляет оценку. Если речь о тоне или ясности ответа, люди могут выбрать лучший из двух вариантов. На этих предпочтениях обучают модель награды, которая дальше оценивает новые ответы. Это схема RLHF (Reinforcement Learning from Human Feedback). Для задач с проверяемым результатом есть RLVR (Reinforcement Learning with Verifiable Rewards): можно сверить число с эталоном или запустить тесты на сгенерированном коде.Для модели каждый шаг — выбор следующего токена по запросу и уже написанной части ответа. В REINFORCE (классический метод Policy Gradient в Reinforcement Learning) модель генерирует ответ, а награда взвешивает градиент логарифма его вероятности. Так итоговая оценка влияет на вероятности отдельных токенов, из которых сложился ответ. Но одиночные оценки дают шумные обновления. И каждый новый ответ надо генерировать токен за токеном. Вероятности токенов в готовом ответе можно пересчитать за один проход, поэтому одну пачку попыток выгодно использовать для нескольких обновлений.🔸 PPO оценивает, чего можно было ожидать на каждом шаге Вместе с моделью обучают critic, который смотрит на уже написанную часть ответа и прогнозирует награду за продолжение. Из этого прогноза и дальнейшего хода попытки получают advantage — оценку того, насколько удачным оказался выбор. Clipping ограничивает стимул слишком сильно менять вероятности, пока мы переиспользуем одну пачку. В схеме из лекции есть и KL-штраф за уход от исходной модели. Для clipping точка отсчёта — версия, которая только что сгенерировала пачку. Для KL-штрафа — фиксированная исходная модель.🔸 GRPO берёт точку отсчёта из самих попыток Допустим, модель предложила четыре исправления, и только одно прошло тесты. У него оценка выше среднего по группе, у остальных ниже. Отдельный critic для этого сравнения не нужен. А если все четыре попытки провалились и получили одинаковый балл, групповое сравнение даёт нулевое преимущество всем четырём. При оценке только по итогу один и тот же advantage применяется ко всем токенам ответа. Даже удачная попытка может содержать несколько совершенно лишних шагов, которые получат тот же сигнал.В исходном GRPO вклад токена зависит и от длины ответа. Чем длиннее ответ, тем меньше вес каждого его токена при усреднении. DAPO усредняет по всем токенам группы, а Dr. GRPO убирает деление на длину конкретного ответа.🔸 On-policy distillation даёт подсказку там, где ученик сам оказался Ученик начинает решать задачу. Учитель видит, что ученик написал к этому моменту, и показывает, какие продолжения считает вероятными. В лекции это выражают через reverse KL: если ученик часто выбирает токен, которому учитель даёт очень низкую вероятность, расхождение обходится дороже. В self-distillation роль учителя играет та же модель, которой на этапе обучения дополнительно показывают, например, эталонное решение. Можно учиться на собственных заходах в тупик, если учитель умеет предложить из них выход.В общем, это отличная лекция, на просмотр которой я потратил неделю и в сумме часа три экранного времени:)#AI #LLM #Learning #Engineering #AgentsYouTubeStanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 4 - Reinforcement Learning with LLMsFor more information about Stanford’s graduate programs, visit: https://online.stanford.edu/graduate-education To follow along with the course schedule and syllabus, visit: https://cme295.stanford.edu/syllabus/ Chapters: 00:00:00 Introduction 00:06:35 RL…Книжный куб
13 Nov, 08:46edited
Выпуск 3 AImigo S1E14 переносится на понедельник - у нас заболел один из ведущих.В этом выпуске мы планировали говорить про бюджет на токены или сколько стоит AI в разработке. Но чтобы вы не скучали, я за оставшиеся до понедельника дни расскажу вам про часть материалов, что легли в исследование про текущее состояние дел. Кстати, пост "Как incident.io считает расходы на AI", что был выше, как раз из этих материалов подготовки.P.S. Если у вас есть животрепещущие вопросы по этой теме, то накидывайте в комменты к этому посту и дальше я поотвечаю на них здесь, а часть заберу на обсуждение в подкасте#AI4SDLC #Engineering #Metrics #FinOps #SREКнижный куб
13 Nov, 06:23
Как incident.io считает расходы на AI (Рубрика #AI4SDLC)В incident.io посчитали расходы на AI двумя способами: на инженера в месяц и на effort point, условную единицу сложности выпущенных изменений. За один балл берут PR средней сложности, а остальные PR взвешивают по оценке модели.Гергей Орос приводит в рассылке данные incident.io и уточняет, что сам инвестор компании. После перехода на Opus 5.5 расходы упали примерно с $4 500 до $1 600 в месяц на инженера (после перехода на Opus 5.5 с более старых моделей Антропик). А в расчёте на effort point выделилась инфраструктурная команда. У неё расход примерно в пять раз выше, чем почти у всех остальных. Инженеры используют агента, чтобы разобраться в поведении системы в проде, провести анализ или прогнать бенчмарки. На это уходят деньги, а PR в конце может и не быть.У компании есть цифры и по тому, что происходит после генерации кода. Доля PR, которые дошли до прода без человеческого ревью, выросла с 12% до 43%. Инцидентов на тысячу PR стало на 60% меньше, а в абсолютных числах их стало больше. Изменений выпускают гораздо больше. По разбору команды, сейчас инциденты чаще связаны с тем, что при подготовке изменения не хватало информации о поведении системы в проде. Команда пробует давать агентам обратную связь из эксплуатации.В лонгриде об экономике AI я предлагал считать стоимость принятой задачи с учётом проверки, переделок и цены ошибки. Пример с инфраструктурой хорошо показывает, зачем вообще договариваться, что считать результатом. Если инженер с агентом нашёл и проверил причину сбоя, работа сделана, даже если в репозитории ничего не поменялось.А история с инцидентами продолжает мой доклад про узкие места AI4SDLC. Когда код пишется быстрее и ревью меньше задерживает выпуск, всё больше зависит от того, что мы знаем о поведении системы после релиза. Снижение частоты сбоев на PR и рост числа сбоев за месяц вполне могут ужиться на одном дашборде. Для разговора об окупаемости я бы ещё посмотрел, насколько тяжёлыми были эти сбои и сколько времени они забрали у дежурных.И ещё одна деталь в продолжение «Джуна после кода». Новичкам в incident.io советуют первый месяц обходиться без AI, чтобы освоиться в кодовой базе. Речь про новых сотрудников, в том числе опытных. Мне тут интересен сам выбор команды: первый месяц можно потратить на понимание системы, даже если с агентом первый PR появился бы раньше.#AI4SDLC #Engineering #Metrics #FinOps #SREPragmaticengineerThe Pulse: Details of incident.io’s AI spendThe resiliency startup has slashed the amount it spends on AI; down from $4,500 per dev, per month, in August, to $1,600 now. Detailed data.Книжный куб
13 Nov, 05:08
Материалы Research Insights #47. Помогает ли AGENTS.md агенту? (Рубрика #AI4SDLC)10 ноября 2026 года вышел сольный выпуск Research Insights Made Simple #47 про статью "Evaluating AGENTS.md (v3)", который я уже разбирал в посте раньше. Допустим, мы записали в файл, какие тесты запускать. Агент стал запускать их чаще. А задач он от этого решил больше? В выпуске я разобрал эксперимент ETH Zurich и LogicStar.ai, в котором эти два результата разошлись.В выпуске разобрал🔸Как меняется стоимость и успешность прогонов бенчей На SWE-bench Lite сгенерированные инструкции подняли среднюю стоимость прогона на 20%, на CTXbench — на 23%. Статистически значимого прироста доли решённых задач авторы не нашли. На CTXbench файлы разработчиков сработали лучше сгенерированных, а их преимущество перед запусками без файла статистически не подтвердилось.🔸 Куда уходят дополнительные шаги Если в инструкции указан uv, агент чаще пользуется uv. Если просят запустить тесты, он чаще их запускает. Авторы отслеживали эти действия отдельно, а задачу считали решённой по тестам на поведение патча. Если вам важно, чтобы агент соблюдал порядок миграций, это свойство стоит проверять отдельно.🔸 Что файл добавляет к тому, что агент уже может прочитать В дополнительном эксперименте на CTXbench исследователи сначала сгенерировали файл, затем убрали из репозитория документацию и примеры. В этих условиях сгенерированный файл помогал решать задачи. У пересказа README появляется ценность, когда самого README под рукой больше нет.🔸 Что меняет формулировка задачи «Иногда падает экспорт» и «вот как воспроизвести сбой и каким должен быть результат» оставляют агенту разное количество догадок. Моя гипотеза — чем точнее задача, тем меньше в файле может остаться полезных для неё сведений.🔸 Как поставить свой эксперимент Возьмите одну задачу. Сначала дайте агенту исходный запрос без файла, затем тот же запрос с файлом. В третьем варианте перенесите нужные правила из файла прямо в задание. Сравните стоимость, проверьте, работает ли патч, и посмотрите, сработало ли само правило. Например, поправил ли агент генератор, если нужный файл создаётся автоматически.Материалы выпуска- Страница выпуска с таймкодами и слайды выпуска - Видео: YouTube, VK Видео - Аудио: Podster, Apple Podcasts - Текстовый конспектЕсли у вас есть правило в AGENTS.md, которое появилось после конкретного косяка агента, расскажите, что случилось и как вы поняли, что правило помогло.#ResearchInsights #AI4SDLC #Agents #Evals #Engineeringpolomodov.techAGENTS.md: помогает ли файл контекста… - Research Insights Made SimpleКак AGENTS.md влияет на работу агента, долю решённых задач и стоимость прогона. Разбор экспериментов на SWE-bench Lite и CTXbench.Книжный куб
12 Nov, 12:43
Contemporary Architecture in China: Buildings and Projects 2000–2020 (Рубрика #Books)В 2025-м я дважды был в Китае. Один раз по работе, другой с семьёй. Увидел своими глазами Шанхай, Пекин и другие города. По фотографиям вроде бы понятно, какой там масштаб, а вживую всё равно впечатляет. Поэтому, когда недавно полистал книгу Кристиана Дубрау, было любопытно увидеть знакомые города в другом времени. Вот, например, ночной Шанхай на развороте снят в 2009-м. Сам альбом вышел в 2010-м, хотя в названии стоит 2000–2020.Но больше всего мне понравилось, как в книге меняется масштаб. Только что разглядывал целый город, а теперь смотришь, из чего сложена одна стена или как люди вообще попадают в здание. Вот несколько разворотов, на которых есть где задержаться.🔸 Китайский павильон на Expo 2010 в Шанхае Слева красные ярусы, которые расширяются кверху, справа та же конструкция в лесах. Мне нравится, что можно тут же перевести взгляд с эффектной картинки на стройку и посмотреть, как эту штуку собирали. Вот павильон на сайте Expo 🔸 Национальный центр исполнительских искусств в Пекине Купол вместе с отражением выглядит как целое яйцо. Я бы по фотографии ещё долго гадал, где тут вход. От северного входа к залам ведёт коридор со стеклянным потолком под искусственным озером. Вот как устроен театр 🔸 Исторический музей в Нинбо На снимке люди у стены совсем маленькие, а саму стену хочется разглядывать по кирпичику. В кладку пошли старые кирпичи и черепица со снесённых зданий. Для музея истории отличный ход. Часть того, что он хранит, буквально находится в стенах. Вот тут можно почитать историю проектаЕсли вам, как и мне, нравится разбираться, как что устроено, в этом альбоме легко зависнуть. Я бы листал его с картой под рукой. Начинаешь с Шанхая, который уже видел, и вдруг обнаруживаешь, что ищешь чайную под Чэнду.P.S. В Шанхае мне попалась ещё одна красивая книга, про то, как застраивался город.Теги: #Books #Architecture #China #Travel #CultureКнижный куб
12 Nov, 05:08
Материалы Research Insights #46. Сколько обвязки нужно сильной модели? (Рубрика #AI4SDLC)9 ноября 2026 года вышел сольный выпуск Research Insights Made Simple #46. В выпуске про Harbor я разбирал, как отделить вклад модели от вклада обвязки. В статье "Beyond the Model" вопрос уже про конкретные детали агента. Допустим, поставили модель посильнее. Есть ли смысл по-прежнему запускать субагентов, сжимать историю и вести отдельный план? В работе "Beyond the Model" и "How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?", которые я разбираю в выпуске, ответ зависит от того, что поручили агенту.В выпуске разобрал🔸 Что меняется на исправлении багов В прогонах Beyond the Model на SWE-bench Pro преимущество OpenCode над mini-SWE-agent сократилось примерно с 6 п. п. у Qwen3-Max до 2,67 п. п. у Qwen3.7-Max. Это результат для двух конкретных обвязок. Повторы и интервалы для этих прогонов авторы не описали.🔸 Зачем обвязка на открытой задаче На ProgramBench агенту нужно восстановить программу по документации и поведению эталона. Он сам выбирает, какие входы проверить и когда уже пора писать код. На таких задачах более богатая обвязка помогала и сильным моделям из эксперимента.🔸 Какую работу отдавать субагенту На 200 задачах ProgramBench авторы NanoHarness проверили компоненты по отдельности на двух моделях. Самые устойчивые прибавки дали файловые инструменты и субагенты с конкретной работой. Например, одному можно поручить исследовать поведение эталона, а другому — проверить, где реализация с ним расходится.🔸 Сколько стоит сжать историю В том же эксперименте сжатие отдельно от остальных компонентов сократило число входных токенов Qwen3.7-Max примерно на 54%, а оценка упала на 4,86 п. п. По одной только экономии токенов такая правка выглядела бы удачной.🔸 Что даёт среда исполнения в ML-инженерии Во второй работе самый большой выигрыш дал переход от чата к агенту, который читает и пишет файлы, запускает код и видит результат. При той же сильной модели и равном бюджете времени одна такая сессия в изученных сравнениях оказалась конкурентоспособной со специализированными обвязками.Материалы выпуска- Страница выпуска с таймкодами и слайды выпуска - Видео: YouTube, VK Видео - Аудио: Podster, Apple Podcasts - Текстовый конспектЕсли после смены модели вы пробовали упростить обвязку, расскажите, что выключили и как это сказалось на ваших задачах.#ResearchInsights #AI4SDLC #Agents #Evals #Engineeringpolomodov.techСколько обвязки нужно сильной модели? - Research Insights Made SimpleКогда сильной модели хватает простой обвязки и что меняется на открытых задачах: эксперименты с NanoHarness и агентами для ML-инженерии.Книжный куб
11 Nov, 11:40
3 AImigo S1E14: Бюджет на токены / Сколько стоит AI в разработке? (Рубрика #AI4SDLC)В пятницу, 13 ноября, в 12:00 МСК в новом выпуске 3 AImigo в прямом эфире поговорим о том, как планировать бюджет на AI в разработке.Почему токены дешевеют, а счёт растёт? Агент перечитывает контекст, запускает инструменты и пробует снова, если с первого раза не получилось. По цене миллиона токенов трудно понять, во сколько команде обходится задача, которую она довела до принятого изменения.Обсудим, как посчитать стоимость такого изменения, когда выгоднее подписка, кредиты или оплата по API и как настроить лимиты, чтобы команда могла продолжать работу при приближении к бюджету.Как вы сейчас планируете расходы на AI в команде? Расскажите в комментариях.P.S. Эта серия 3 AImigo неплохо продолжает тему «AI ускорил разработку: как понять, что это правда» , которую я буду сегодня рассказывать на крутой по составу участников конфе AI Dev Live 2026. Конфа уже началась, но вы все еше можете бесплатно на нее попасть и успеть на мой доклад, что будет в 18:50. Подробности и полная программа доступны на сайте И увидимся в прямом эфире (а может быть даже в двух - сегодня и в пятницу).#AI4SDLC #Agents #Engineering #Metrics #ConferenceКнижный куб
11 Nov, 05:08
Материалы Research Insights #45. Модель или обвязка? (Рубрика #AI4SDLC)9 ноября 2026 года вышел сольный выпуск Research Insights Made Simple #45. Если агент завалил задачу, за что браться первым делом? Можно дать ему модель посильнее, а можно разобраться, как обвязка даёт ему инструменты, запускает команды и забирает результат. Авторы "Harbor Adapters and Harbor-Index " сравнили вклад модели и обвязки на 54 бенчмарках (результаты и трейсы доступны на сайте harbor-index.org)В выпуске разобрал🔸 Как перенести бенчмарк и сохранить смысл задачи В Harbor у задачи общий формат для инструкции, окружения и проверки результата. Чтобы понять, изменил ли адаптер сам тест, авторы повторяли прогоны в исходном и перенесённом вариантах с теми же моделью и обвязкой.🔸 Откуда взялись 5,2 раза больше эффекта от моделей, чем от обвязок Каждую из восьми моделей запустили в родной обвязке и в общей Terminus-2. После поправки на различия между бенчмарками размах оценённых эффектов моделей получился в 5,2 раза больше размаха эффектов обвязок. При этом Codex и Claude Code сравниваются через общую Terminus-2. Прямой замер потребовал бы запустить одну и ту же модель в обеих родных обвязках.🔸 Когда есть смысл платить за модель посильнее В этом эксперименте самый большой выигрыш в баллах пришёлся на задачи средней сложности. Если дорогая модель решает больше задач, сравнивать стоит ещё и цену одного успешного решения.🔸 Что скрывается за нулём в таблице Агент мог выдать неверный ответ, а мог потратить токены и так и не отправить результат. В обоих случаях балл один и тот же. Чтобы понять, где агент застрял, приходится смотреть журнал его действий.🔸 Как трудная задача оказывается сломанной В одном задании SWE-bench Pro проверка требовала конкретный формат логов, которого не было в инструкции. Такие расхождения ловили при отборе отдельного набора Harbor-Index. После аудита осталось 82 задачи, а лучший результат на них в третьей версии препринта — 28% у GPT-5.5 с Codex.Материалы выпуска- Страница выпуска с таймкодами и слайды выпуска - Видео: YouTube, VK Видео, - Аудио: Podster, Apple Podcasts - Текстовый конспектЕсли бы вы собирали свой бенчмарк для агента, какую задачу из рабочего репозитория положили бы туда первой? И как бы проверили, что агент её решил?#ResearchInsights #AI4SDLC #Agents #Evals #Engineeringpolomodov.techМодель или обвязка: что сильнее… - Research Insights Made SimpleЧто меняется при замене модели или обвязки агента: сравнение на 54 бенчмарках, стоимость, тайм-ауты и 82 задачи Harbor-Index.Книжный куб
22 Sept, 17:01edited
Код, автомобиль, страховой продукт: чему заново учится CTO | Фёдор Сухарев | Code of Leadership S2E21 (Рубрика #Management)23 сентября в 13:00 мск в прямом эфире поговорим с Фёдором Сухаревым и обсудим, а что из опыта технического руководителя можно забрать с собой в новую отрасль? А что придётся пересмотреть, когда после торговой платформы берёшься за автомобиль, а затем за страховой продукт?Федор расскажет про свой путь от первых задач в CBOSS и работы в Orange — к OTC.ru, Arrival и QIC digital hub. Меня здесь особенно интересует, как меняется само понимание «продукт готов», допустимой ошибки и ответственности за результат.- В Arrival разберём путь одной функции от требований и кода до работы их в автомобиле. Где возникают зависимости между софтом, электроникой и физическим устройством? Что делать, если каждая команда закончила свою часть, а целиком всё ещё не работает? И какYouTubeКод, автомобиль, страховка: чему заново учится CTO | Фёдор Сухарев | Code of Leadership S2E2123 сентября в 13:00 мск — прямой эфир Code of Leadership S2E21 с Фёдором Сухаревым. Что из опыта технического руководителя можно забрать с собой в новую отрасль? А что придётся пересмотреть, когда после торговой платформы берёшься за автомобиль, а затем…Книжный куб
22 Sept, 09:59
Прямой эфир про AI4SDLC и мои lessons learned начинается, подключайтесь и задавайте вопросыYouTubeAI4SDLC: что бы я делал по-другому | Режиссёрская версия | Research Insights Made Simple #31Что арендовать у AI-провайдеров, что дорабатывать под свою среду и чем владеть самим? 22 сентября 2026 года в 13:00 МСК выйдет Research Insights Made Simple #31 — режиссёрская версия моего выступления на Deep Tech Night 5 сентября: «AI4SDLC: что бы я делал…Книжный куб
22 Sept, 09:26
Modern Computer Architecture and Organization — от процессора до AI-дата-центра (Рубрика #Books)У меня на столе лежит первое издание Modern Computer Architecture and Organization Джима Ледина — решил с его помощью освежить знания про архитектуру компьютера. А тут выяснилось, что уже вышло третье, с отдельными главами про GPU и LLM. В GOTO Book Club есть разговор с автором, который хорошо объясняет, как AI-бум добрался до этой книги.Сама книга — последовательный проход по устройству компьютера снизу вверх. Сначала транзисторы, цифровая логика и элементы процессора, дальше память, ввод-вывод и аппаратно-программный интерфейс. Затем кэши, конвейер, параллельное выполнение, x86/x64, ARM и RISC-V. Есть и выход на уровень систем: виртуализация, специализированные вычисления, устройство смартфонов, ПК и облачных серверов. Первое издание вышло в 2020 году.Для разработчика здесь полезнаYouTubeModern Computer Architecture & Organization • Jim Ledin & Maciej «MJ» Jedrzejewski • GOTO 2026This interview was recorded for the GOTO Book Club. #GOTOcon #GOTObookclub http://gotopia.tech/bookclub Check out more here: https://gotopia.tech/articles/452 Jim Ledin - President at Ledin Engineering & Author of “Modern Computer Architecture and Organization”…Книжный куб
21 Sept, 14:00
Прямой эфир про Developer Productivity начинается, подключайтесь и задавайте вопросыYouTubeResearch Insights Made Simple #30: Developer Productivity for Humans21 сентября 2026 года в 17:00 МСК — сольный выпуск Александра Поломодова о продуктивности разработки и серии исследований Google Developer Productivity for Humans. Представим, что сборки стали быстрее, AI помогает писать код, а графики активности растут.…Книжный куб
21 Sept, 08:14
Research Insights Made Simple #30: Developer Productivity for Humans (Рубрика #Management)21 сентября в 17:00 МСК в сольном выпуске соберу серию исследований Google и мои разборы о продуктивности разработки в одну картину.Представим, что сборки ускорили, AI пишет больше кода, а графики активности растут. Как понять, что команде стало легче доводить работу до полезного результата? И не переехала ли сэкономленная работа к тому, кто теперь всё это проверяет?В этой серии мне интересна связка технических условий с человеческим опытом: скорость, удобство работы и качество результата рассматриваются вместе. На выпуске разберу:- Как выбирать метрики под конкретную инженерную цель и сопоставлять логи с опросами разработчиков; - Что ожидание сборок, переключения и адаптация новичков говорят об условиях работы; - Как учитывать качество, технический долг и вклад коллег, который плохо виденYouTubeResearch Insights Made Simple #30: Developer Productivity for Humans21 сентября 2026 года в 17:00 МСК — сольный выпуск Александра Поломодова о продуктивности разработки и серии исследований Google Developer Productivity for Humans. Представим, что сборки стали быстрее, AI помогает писать код, а графики активности растут.…Книжный куб
21 Sept, 05:08
Y Combinator: железо, агенты и основатели (Рубрика #AI)В свежем выпуске The Lightcone «The State of Startups in 2026» команда YC связывает несколько изменений одной идеей: AI позволяет маленьким командам браться за более сложные задачи. В этой картине меня интересуют две вещи: откуда берётся экономика новых производств и зачем каждому софтверному продукту заводить собственного агента. Со вторым тезисом я бы поспорил.По данным, которые ведущие приводят в выпуске от 17 сентября 2026 года: - Доля hard tech среди принятых в YC компаний выросла с 8% до 20%; - Робототехники — примерно с 1% до 6–7%; - Компаний с одним основателем — примерно с 5% до 18–19%.Это статистика отбора YC. На неё влияют и предложения основателей, и предпочтения инвесторов; переносить проценты на весь рынок я бы не стал.1️⃣ Железо и спрос на производство Под hard tech здесь понимают роботов, чипы, энергетику,YouTubeThe State of Startups in 2026YC works with thousands of founders every year, which gives us an early look at how startups are changing. Right now, the shift is striking: startups are moving from bits to atoms, nearly one in five YC companies has a solo founder, and companies are reaching…Книжный куб
20 Sept, 14:59
Jev: интеллект для обычного if (Рубрика #AI4SDLC)В предыдущем посте Диогу Алмейда предлагал учить AI принимать решения, которые можно встроить в обычную программу. У этой идеи уже появилось вполне осязаемое продолжение: модель Jev от его компании TypeSafe. Любопытно здесь то, сколько возможностей разработчики согласились отдать ради одного полезного свойства — быстро отвечать на маленькие вопросы.15 сентября 2026 года TypeSafe открыла ранний доступ к Jev и объявила о раунде на $40 млн под руководством DCVC. Модель вообще не пишет свободный текст. Ей передают состояние — например, обращение клиента и сведения о заказе — и набор вопросов с заранее заданной формой ответа: - Choice выбирает вариант из списка: в какую очередь отправить обращение; - Score оценивает по описанной шкале: насколько срочно нужна помощь; - Noul возвращает вероятность ответа «да»: просит ли клиент вернуть деньги.Книжный куб
20 Sept, 12:15
Диогу Алмейда: AI, за которым можно не присматривать (Рубрика #AI4SDLC)Почему AI впечатляет решением сложных задач, а обычный возврат денег клиенту всё ещё страшно поручить ему без проверки? В 18-минутном июльском выступлении на AI Engineer Диогу Алмейда предлагает искать ответ в цели обучения. По его мнению, индустрия научилась делать отличных помощников, а надёжная автоматизация требует другого набора свойств. Алмейда — один из основных авторов InstructGPT, работы 2022 года, которая помогла превратить языковую модель в исполнителя инструкций. Теперь он разбирает ограничения этого подхода. Получается интересная исследовательская петля: сначала научить AI работать с человеком, затем понять, что мешает убрать постоянный присмотр.RLHF учит модель получать хорошие человеческие оценки. В классической схеме люди сравнивают ответы, на этих предпочтениях обучают модель вознаграждения, аYouTubeJev CEO: I made ChatGPT, now I'm building what's nextDiogo Almeida, a GPT-4 co author formerly at OpenAI and now CEO of TypeSafeAI, creators of Jev, argues that RLHF made models that are extraordinary at pleasing the human in the loop, and that is exactly the problem. Optimizing for human preference optimizes…Книжный куб
20 Sept, 09:12
Материалы 3 AImigo S1E6: как не утонуть в потоке AI-изменений и сохранить силы (Рубрика #AI)Готовы материалы шестого выпуска 3 AImigo, который вышел 18 сентября 2026 года. Вместе с Евгением Сергеевым и Алексеем Литвиновым обсудили, как оставаться в контексте AI, когда на чтение всех новостей, проверку новых моделей и собственно жизнь претендуют одни и те же часы.Агенты умеют собрать подборку, составить учебный план и напомнить о занятии. А вот сил на его прохождение у человека от этого автоматически не прибавляется. На этом разрыве и сошлись три довольно разных подхода к обучению и работе с информацией.Обсудили - Как выбирать, за чем следить. Евгений начинает с личных целей и планирования недели. Я использую технологический радар: читать сейчас, наблюдать или перестать отслеживать. И прошу подбирать материалы, которые расширяют картину мира, а не только подтверждают то, что ужеpolomodov.techКак не утонуть в потоке AI-изменений и сохранить силы — 3 AImigoМодели, агенты и исследования появляются быстрее, чем их удаётся проверить. Погоня за новостями отнимает время у практики и собственных размышлений.Книжный куб
20 Sept, 05:08edited
Regenerative Software — Чад Фаулер (Рубрика #Books)Книга ещё не дописана, а рекомендовать её уже хочется. "Regenerative Software" Чада Фаулера выходит у O’Reilly в Early Release, и текущие главы, на мой взгляд, очень хорошо объясняют, куда движется разработка софта и почему. Финальный релиз издательство пока планирует на апрель 2027 года, но предмет для разговора уже есть.Фаулер начинает с экономики. Десятилетиями работающий код было дорого создавать, поэтому вокруг его сохранения выросла вся культура разработки. При этом в коде оседало знание о системе: странные исключения, последствия инцидентов, особенности клиентов. Когда всё это существует только внутри реализации, переписывание превращается в археологическую работу. Новую версию написать можно. Вспомнить всё, что было зашито в старой версии, гораздо сложнее (и никто это без острой нужды не делал). Кстати, эти размышленияO’Reilly Online LearningRegenerative SoftwareThe assumptions underneath modern software development have quietly broken. Version control assumes humans make changes incrementally. Code review assumes a human authored the code.... - Selection from Regenerative Software [Book]Книжный куб
19 Sept, 14:17
Материалы 3 AImigo S1E5: джун без простых задач (Рубрика #AI4SDLC)Готовы материалы пятого выпуска 3 AImigo, который вышел 11 сентября 2026 года. Вместе с Евгением Сергеевым и Алексеем Литвиновым продолжили разговор о найме со стороны начинающего инженера: если небольшие исправления и доработки можно отдать агенту, на чём теперь учиться человеку, которому ещё только предстоит получить первую работу?В разговоре разделили две вещи: начать делать продукты и начать получать за это деньги. AI помогает быстрее собрать и запустить свой проект. Но работающий продукт сам по себе ещё не гарантирует ни заработка, ни того, что его автор понимает, как всё устроено.Обсудили: - Кто будет растить следующих инженеров. Отрасли нужны будущие опытные специалисты, а отдельной компании может быть выгоднее усилить тех, кто уже умеет работать. Обсудили этот конфликт интересов; при этом успешные стажировкиpolomodov.techДжун без простых задач. Как войти в IT в эпоху AI? — 3 AImigoНачать делать продукты стало проще, а получить первую инженерную работу — сложнее: AI забирает небольшие задачи, на которых раньше учились новички.Книжный куб
19 Sept, 09:12edited
IT как Лего: почему эта ложная метафора приносит больше вреда, чем пользы, и что использовать вместо неё (Рубрика #Architecture)На ArchDays 2024 в докладе про эволюцию архитектуры в Т-Банке у меня был слайд «IT as a Lego». Так выглядела концепция повторного использования решений: выделяем блоки, собираем системы из кирпичиков, всё взаимозаменяемо и красиво. Тогда я сказал коротко, что метафора не работает. Сейчас хочу разобрать, почему именно, тем более что Чад Фаулер пишет для O'Reilly книгу "Regenerative Software" ровно про это (книга топовая и я про нее расскажу сразу, как дочитаю)Чем Лего подкупает У кубика один интерфейс — стандартные выпуклости, и любой кубик стыкуется с любым. У кубика нет состояния, и он не меняется, пока его не трогают. Заменить кубик стоит ноль. Отсюда получается очень удобная логика для планирования: система равна списку блоков, блок равен строке вpolomodov.techАрхитектура в крупном финтехе: вчера, сегодня, завтра — ArchDays 2024Эволюция от коробочных решений к собственной разработке, Spirit и AI-native архитектуре
A feedback bot for your channel — free
Followers write to the bot, you answer by reply, your account stays hidden. Created in one tap.
How it works →Related Channels
Other channels in the same section of the catalogue.
