Пределы AI coding agents: что показал кейс Depixelizing Pixel Art
Разбор Habr-эксперимента с Depixelizing Pixel Art: почему сложная графическая задача лучше обычного бенчмарка показывает пределы AI coding agents.
аналитика
Аналитика данных с ИИ: инструменты, методики и кейсы применения для бизнес-аналитиков и дата-сайентистов.
Контроль расходов на ИИ: почему компании переходят от энтузиазма к лимитам
Компании переходят от безлимитного внедрения ИИ к лимитам, бюджетам и маршрутизации моделей. Что меняет usage-based billing и как считать AI-агентов.
Databricks Omnigent: зачем компаниям мета-харнесс для AI-агентов
Databricks открыла Omnigent: слой над Claude Code, Codex, Cursor и Pi для управления агентными сессиями, sandbox, политиками и расходами.
RIFT-Bench: как проверять безопасность AI-агентов
RIFT-Bench проверяет безопасность AI-агентов как систему: структура, инструменты, traces, ASR/AAR и компромисс между защитой и utility.
GPT-5 в иммунологии: как модель OpenAI помогла разобрать загадку T-клеток
OpenAI показала кейс GPT-5 Pro в иммунологии: модель помогла объяснить эксперимент с T-клетками через IL-2, но не заменила учёного.
OpenAI Broadcom Jalapeño: зачем OpenAI свой inference-чип
OpenAI и Broadcom показали Jalapeño, первый OpenAI Intelligence Processor для LLM inference. Разбираем, что известно, где vendor-claims и почему важна сеть.
OpenAI beneficial trait training: как RL делает модели устойчивее
OpenAI проверила beneficial-trait training: 5% данных в RL post-training улучшили 44 из 53 evals. Разбираем, что это значит для alignment и где границы вывода.