Записи из Telegram-канала и не только
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.
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.
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.
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.
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.
Память агента - это не RAG и не векторный поиск. Разбираю на пет-проекте, чем память ИИ-агента отличается от RAG, нужна ли графовая база и что из энтерпрайз-стека оказалось оверинжинирингом.
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.
Недельный лимит Claude Code таял за 4 дня. Разбор, почему толстые скиллы жрут подписку: progressive disclosure, скрипты вместо генерации, выбор модели. С реальными размерами скиллов до и после.