Сверка таблиц в PostgreSQL, или О том, нужны ли для этого специальные утилиты
Лет десять назад я делал инструмент сверки таблиц для мультимастера — крайне неэффективным способом: брал снапшот и под ним просто шёл по таблице, м…
Latest News
⚑ Report a ProblemTech news from the best sources
All topics
- игры
AI
News
Tech
agents
ai
api
architecture
automation
backend
beginners
career
devchallenge
devops
javascript
llm
machinelearning
mcp
opensource
performance
productivity
programming
python
react
security
showdev
testing
tutorial
typescript
webdev
Prom++ против Prometheus: проверяем 7,8 раза экономии памяти на своём стенде
Для моих задач Prometheus ел слишком много памяти, и я стал искать альтернативу. Нашёл Deckhouse Prom++, у которого заявлена экономия памяти в 7,8 р…
Какую MoE-модель выбрать для локального кодинга на GTX 1080 Ti: перплексия против реальной скорости
В одной из своих статей , посвященной тестированию возможности запуска локальной модели на домашнем ПК, с не самой сильной и новой видеокартой, я по…
Период полураспада бенчмарка ИИ сократился вдвое: 19 месяцев вместо 38
В мае я подал OenoBench, винный бенчмарк для языковых моделей, на NeurIPS. В дискуссии с ревьюерами всплыл вопрос, на который ни у меня, ни у них не…
Как скормить нейросети большой проект и не скормить лишнего: что я узнал, пока агенты читали мой код
Год назад я копировал файлы в чат с нейросетью по одному. Сейчас агенты читают проект сами через MCP‑сервер, и месяц наблюдений за&nb…
SSD как кэш, HDD как постоянное хранилище: экспериментируем с кэшированием в bcachefs
Вы когда-нибудь задумывались над смыслом названия этой файловой системы? А между тем ключевая фича, с которой все начиналось, — это как раз кэширова…
Почему O(1) не гарантирует высокую скорость: четыре структуры данных для графа signal – effect
Сигнал изменился - как найти связанные эффекты и удалить известную связь? Сравниваю четыре структуры графа signal - effect по стоимости операций и п…
MWS AI Vision Bench: что изменилось за год и зачем мы добавляем антифрод
Год назад мы выложили в открытый доступ MWS AI Vision Bench — бенчмарк для оценки мультимодальных моделей на русскоязычных документах. За это время…
MWS AI Vision Bench: что изменилось за год и зачем мы добавляем антифрод
Год назад мы выложили в открытый доступ MWS AI Vision Bench — бенчмарк для оценки мультимодальных моделей на русскоязычных документах. За это время…
Прогнали GigaChat 3.5 по реальным кейсам: Результаты большого тест‑драйва
GigaChat 3.5 вышел в июле этого года, а в начале сентября были выложены открытые веса этой модели. И многие сейчас задаются…
Приниматоры решений: бенчмарк на русском для Jev-style моделей
Последние пару лет мы довольно странно используем большие языковые модели. Из-за их умения делать всё мы пытаемся решить с их помощью всё — роутинг…
Дал девяти популярным скиллам для Claude Code плацебо: два лучше пустышки, один хуже
Я сравнил девять самых популярных скиллов для Claude Code с пустышкой: нейтральным текстом той же длины, без единого совета, как работать. Агент 450…
Корпуса персональных данных: 56 тысяч размеченных сущностей и ни одного вызова инструмента
Детектор нашёл телефон. Шлюз его скрыл. Агент вызвал CRM и не нашёл клиента. Проверка пройдена, задача провалена. Как так получается и почему тысячи…
Сколько Rust помещается в 0.5B
Temper 0.5B — моя небольшая модель, дообученная на базе Qwen2.5-Coder-0.5B‑Instruct, упор которой сделан на языке Rust. Узкая специал…
Маскирование ПДн для LLM: метрика, которую не считает никто, и шесть шлюзов против живого агента
Мы прогнали шесть шлюзов маскирования ПДн через живого агента с инструментами, чтобы измерить то, чего не мерят существующие бенчмарки: возвращается…
Правда о Coil в Jetpack Compose: измеряем реальный оверхед SubcomposeAsyncImage
«SubcomposeAsyncImage в списках использовать нежелательно, он тормозит скролл» — так написано в документации популярной библиотеки Coil. Действитель…
Какую LLM выбрать: собираем свой бенчмарк
Обычно, когда выбирают LLM, сначала смотрят рейтинги. Проблема рейтингов в том, что по ним не узнать, как модель справится с вашими задачами и…
Blackview Gamibook 16 — самый честный обзор на ноутбук за 160к с RTX5060
В современных ноутбуках меня пугает только одно: в моделях дешевле 1.000$ чаще всего дискретного GPU вообще нет и роль видеоускорителя выполняет уре…
Как я собрал винный бенчмарк на 3 266 вопросов руками LLM и где они меня подвели
Полгода назад я решил измерить, сколько языковые модели на самом деле знают про вино. Вышел бенчмарк OenoBench: 38 104 факта из открытых источников,…
GenAI Pretest: как в Авито научили ИИ предсказывать «бизнесовое» качество ТВ-рекламы ещё до съёмок
Представьте: ролика ещё нет. Есть только его прототип, который сделан с помощью ИИ, а вы уже знаете, насколько он будет хорош для бизнеса, и знаете…
Больше чем WER: RESON — открытый инструмент и датасет для оценки ASR в телефонном канале
Привет, Хабр! Меня зовут Александр Шевченко, я техлид команды ASR ML (направление ASR/TTS-платформы Audiogram ) в MWS AI. Мы занимаемся совершенство…
Больше чем WER: RESON — открытый инструмент и датасет для оценки ASR в телефонном канале
Привет, Хабр! Меня зовут Александр Шевченко, я техлид команды ASR ML (направление ASR/TTS-платформы Audiogram ) в MWS AI. Мы занимаемся совершенство…
Асимметрия как методологический и инструментальный принцип тестирования моделей
Цель статьи – показать практический потенциал идеи асимметрии: она возникла как логико-риторическое правило, а сегодня стала реальным методологическ…
WebPageBench: веб-среда для оценки агентов
Веб-агент сообщил «готово» — а сделал ли? На живых сайтах это не проверить: контент меняется, а судить приходится либо по словам самого агента, либо…
«Переходи на Spark», говорили они. Сравнил pandas, Polars, DuckDB и PySpark на слабой машине
Сценарий знакомый: открываешь в pandas файл побольше, ноутбук задумывается, и через минуту всё падает с MemoryError. Следом обычно звучит совет: для…
PHP: четыре Active Record в одной клетке — кто быстрее достаёт ваши данные
В прошлый раз я вытащил Active Record из Yii1 в отдельный composer-пакет и показал, что код Yii1 умеет жить без фреймворка. Но интереснее…
Jev и обычные LLM: сравниваем качество, скорость и стоимость
Сравнил Jev и обычные LLM на трёх задачах: определение спама, выбор категории комментария и оценка негатива. Проверил качество ответов, скорость и с…
Бенчмарк качества англо-русского перевода для ведущих западных и китайских LLM
Сто ловушек в одном рассказе, LLM-судья с ключом ответов и балл, который считает код. Так устроен бенчмарк художественного перевода, который теперь…
Питон не проглотит суслика: почему Go и Python обречены делить один прод
Гипотеза, с которой я начинала, звучала максимально прямолинейно: Go компилируется в машинный код, питон интерпретируется, значит Go быстрее примерн…
Почему нельзя просто загрузить историю с фитнес-браслета в LLM и попросить оценить здоровье
Исследователи из Meta и KAIST решили проверить очевидный на первый взгляд вопрос: если дать большой языковой модели реальную историю измерений с фит…