Тематическая лента
Подборка материалов
Публикации, объединённые общей практической задачей.
2253
материалов
01
Доброта убивает факты: почему эмпатичные AI ошибаются на 34% чаще — результаты Оксфорда
Исследование Оксфорда (Nature, апрель 2026) показало: чем дружелюбнее настроена LLM, тем чаще она ошибается в ответах грустным пользователям. Почему fine-tuning
02
Google I/O 2026: сможет ли поисковый гигант догнать Anthropic и OpenAI в AI-кодинге?
Разбираем, почему на Google I/O 2026 не было killer-продукта для программистов. Gemini 2.5 Pro, Claude Code, GPT-5.3 Codex — кто лидирует и есть ли у Google шан
03
Фейковый ARR в AI-стартапах: как распознать манипуляции инвесторов и не попасться на удочку
Узнайте, как AI-стартапы завышают ARR, чтобы привлечь инвестиции. Советы от Garry Tan и Jack Newton по проверке метрик. Не попадитесь на удочку!
04
Классический SAST умер. Да здравствует AI SAST: как LLM вынесли мусор из статического анализа
Разбираем, как LLM превращают статический анализ из шумной свалки в умный фильтр. Метрики, кейсы Claude Code Security и прогноз на 2026 год.
05
Google показала AI-очки с дисплеем. Я пощупал прототип — вот что там реально работает
Эксклюзив: что умеют Google AI-очки с дисплеем — тест прототипа на I/O 2026. Виджеты, навигация, перевод. Партнёрство с Warby Parker. Сравнение с Meta, Apple.
06
AI-кодинг: ускоряет или разоряет? Анализ затрат и токен-максинга в крупных компаниях
Разбираем, как Amazon, Meta и Salesforce тратят миллионы на AI-ассистентов, но получают долги и баги. Токенмаксинг — новая угроза. Практические советы.
07
Как WeatherNext от DeepMind за пять дней увидел ураган «Мелисса»: история одного спасения
Модель DeepMind WeatherNext за 5 дней предупредила Национальный центр ураганов о быстром усилении урагана Мелисса до категории 5. Эвакуация на Ямайке прошла вов
08
Старые таблетки, новые мишени: как Google Co-Scientist и FutureHouse превращают AI в фармацевтический катализатор
Как AI-агенты Google Co-Scientist и FutureHouse ускоряют поиск новых применений для существующих препаратов. Кейсы, публикации в Nature и перспективы метода к 2
09
Почему Gemini 3.5 Flash стала «деревянной»: разбор оптимизации под агентные бенчмарки и жертвы качеством диалога
Разбираем, почему Gemini 3.5 Flash проваливает живые диалоги, хотя бьет рекорды в тестах. Закон Гудхарта, файнтюн под агентные бенчмарки и цена метрик.
10
Будущее программирования: половина разработчиков уже доверяет Claude Code без проверки кода
На мероприятии Anthropic выяснилось: 50% разработчиков отправляют pull request, написанные Claude Code, не читая код. Разбираем тренд, риски и мнения.
11
Ваша LLM-аналитика — это подтасовка фактов: почему темы ≠ наблюдения
Исследователи путают выделенные моделью темы с реальными наблюдениями. Это ведет к смещению и ложным выводам. Разбираем bias и предлагаем решения.
12
Почему Gemini 3.5 Flash на деле глупее, чем на графиках: разбор агентного файнтюна и закона Гудхарта
Разоблачение: Gemini 3.5 Flash блестяще сдаёт бенчмарки, но тупит в реальных задачах. Разбираемся, как файнтюн под метрики и закон Гудхарта убивают агентный инт