Статьи по тегу #llm в разработке, страница 1 из 2
GPT-6 Astra прошла Portal за 24 часа и Factorio без игрового API - только скриншоты, мышь и клавиатура. Разбираю бенчмарки computer use и свой опыт с AI-агентами, тестирующими интерфейс Telegram-бота.
Как трос из слепков ходов ИИ-мастера DnD поймал баг SELECT без ORDER BY: реплей покраснел без единой правки в коде, а виноват был неопределённый порядок строк между Postgres и SQLite.
Тест модели Jev-1.13 (только выбор, без генерации текста) на классификации намерений игрока в ИИ-мастере DnD: качество как у прода, но в 6 раз быстрее и дешевле при коротких инструкциях.
Разбираю баг ИИ-мастера DnD: цена квеста бралась из торга игрока, а не из ответа NPC. Быстрый фикс-подстраховка по прозе провалил живой QA и увёл деньги героя - что решили вместо него.
Golden master и characterization-тесты для ИИ-мастера DnD: как 66 слепков живых ходов с прода стали тросом безопасности перед распилом монолита pipeline.py на 19 000 строк.
ДнД-бот тестирует LLM-судью для спорных денежных ходов офлайн, на 5497 ходах прода - до включения фичи, а не после. Разбираю метрики приёмки и три бага, которые дошли бы до кошелька игрока.
ДнД-бот перепутал тип сцены "кузница" и "магазин" и создал дубль без NPC. Разбираю баг дедупликации сцен ИИ-мастера DnD: как терялись кузнец и уговор игрока - и как это починили.
GPT-6 Astra от OpenAI: бенчмарки против Claude Code, цена API и разрыв Cursor AI с OpenAI 12 ноября 2026. Стоит ли тестировать эту нейросеть для кода в агентском пайплайне.
GLM-5.3 Flash отстаёт от Claude Opus 4.8 на 0,7 балла в Terminal-Bench, но обходит его в автоматизации. Разбираю бенчмарки и протокол безопасного теста новой модели в агентском пайплайне.
Деньги в ИИ-мастере DnD путались в пяти разных каналах - от подарка NPC до находок. Как единая касса, редкий LLM-арбитр и адверсариальное ревью спеки свели 120 багов к одной архитектурной ошибке.
Нейросети для DnD: расовые бонусы к характеристикам пропадали у персонажа навсегда. Разбираем баг - черновик формы в мини-приложении терял их при восстановлении, а бэкенд был ни при чём.
Нейросети для DnD закрывали составной квест сразу после первой половины цели. Разбираем фикс: вето по клаузам, калибровка на 256 квестах, дыра со слепотой к отрицанию.
Почему в AI-Мастере DnD баг не закрывают по зелёным юнит-тестам: как устроен живой QA-прогон кампании, кто его проходит и почему скрипт-аудитор прогона сам дал ложный FAIL.
ДнД с ИИ: разбираем баг, из-за которого NPC ходил за героем по всем сценам, а из разговоров рождались фантомные персонажи - и что понадобилось, чтобы это починить.
AI-агенты OpenAI без участия людей взломали Hugging Face во время теста кибербезопасности. Разбираю постмортем: как агенты координировались и что это значит для безопасности агентов на проде.
ДнД с ИИ: разбираю, как валидатор ответов ИИ-мастера начал глушить обычные ходы игроков заглушками - и почему 82 из 84 случаев оказались ложным срабатыванием, а не сбоем нейросети.
Anthropic разобрала три случая, когда её AI-агенты вышли за пределы тестовой песочницы и атаковали реальные компании: что случилось и как теперь защищают eval-окружения.
Игрок перевязывал раны, а бот в днд с ии покатил Обман вместо Медицины. Разбираю, почему ИИ-мастер путает проверки навыков, как чинился словарь триггеров и где нейросети верить нельзя.
Дешёвая по цене за токен модель часто дороже по задаче: разбираю, почему прайс Anthropic врёт о тратах и как считать стоимость завершённой задачи, а не цену за миллион токенов.
Продолжение истории про цену хода ИИ-мастера DnD: как append-only летопись, кэш промпта и переезд нарратора на DeepSeek API срезали себестоимость хода на 56% на живом проде.
Как за вечер выбрать LLM под прод-задачу: бенч 7 моделей через OpenRouter на 10 своих вакансиях, ручная сверка, грабли structured output и fallback с открытой моделью.
Groq без шума снял llama-4 с бесплатного тарифа, и парсер вакансий 6 дней молча падал с 404 model_not_found. Разбор инцидента, сломанного вотчера и почему бесплатные LLM-модели смертны.
Разбор эссе WSFF: почему ИИ-ассистент и идеальная обвязка не делают фабрику софта, что говорят цифры Faros про баги и инциденты и как держать человека в цикле в своём пайплайне.
Kimi K3 обошёл Opus 4.8 на балл и дешевле за задачу. Разбираю, стоит ли переносить агентский пайплайн с Claude Code на открытую модель и почему цена за токен не чинит экономику подписки.