Инструменты и практика

Новый OCR-модель Sarvam Vision 2.1 позволяет читать документы на индийских языках так же уверенно, как английские

Первый в мире OCR-модель, способный распознавать документы на индийских языках с такой же точностью, как английские, представил Sarvam Vision 2.1. Как сообщает Analytics Vidhya, это решение разрушает вековую дилемму: ранее компании в Индии вынуждены были выбирать между структурным разбором документов и распознаванием скриптов — теперь оба функционала доступны одновременно. Это особенно важно для финансовых отделов, автоматизирующих обработку счетов, и страховых компаний, работающих с рукописными заявками из разных штатов. Модель предназначена для цифровизации региональных документов, ранее считавшихся сложными для автоматической обработки.

Индийские документы больше не «непонятны» для ИИ

Раньше индийские языки — от хинди до тамильского, кералы или бенгали — требовали от ИИ специальных подходов, которые либо снижали точность, либо не позволяли одновременно сохранять структуру документа. Sarvam Vision 2.1, как утверждает Analytics Vidhya, устраняет этот барьер, обеспечивая высокую точность распознавания и сохранение формата. Это означает, что компании могут автоматизировать процессы, не теряя в качестве — будь то обработка паспортов, медицинских карт или налоговых деклараций. Модель работает с документами, содержащими смешанные языки и сложные шрифты, что делает её особенно полезной для многоязычного индийского рынка.

Структура и распознавание — теперь без компромиссов

Согласно Analytics Vidhya, Sarvam Vision 2.1 позволяет не только распознавать текст, но и сохранять его структуру — например, поля формы, таблицы, подписи. Это критически важно для автоматизации в финансах, где ошибки в структуре могут привести к финансовым потерям. В страховом секторе модель помогает обрабатывать заявки, написанные на разных региональных языках, без необходимости ручного вмешательства. Для компаний, работающих с документами в регионах с высокой грамматической и графической вариативностью, это решение становится ключевым инструментом цифровизации.

Коротко

• Sarvam Vision 2.1 — первый OCR-модель, способный распознавать индийские языки с такой же точностью, как английские.
• Решает вековую проблему: теперь можно одновременно сохранять структуру документа и распознавать скрипты.
• Практически применим в финансах, страховании и цифровизации региональных документов.
• Разработано специально для индийского рынка с его многоязычностью и сложными шрифтами.
• Как сообщает Analytics Vidhya, модель уже используется в бизнес-процессах, требующих высокой точности.

Архитектура ИИ-агентов требует сознательного удаления зависимостей

В последние часы сообщества разработчиков ИИ столкнулись с фундаментальной проблемой: каждая архитектурная граница, которую вы рисуете в системе, удаляет сигналы, на которых зависят ваши инструменты. Это не вопрос поиска оптимальных решений, а структурная задача — как сообщает Towards Data Science. Вместо того чтобы искать «лучший» способ интеграции, нужно пересмотреть, какие сигналы вы вообще используете, и осознанно их удалять, чтобы избежать утечек и нестабильности.

Google ускоряет загрузку моделей через снимки Pod в GKE

Google представил бенчмарки для функции GKE Pod Snapshots, которая позволяет сократить время старта моделей на 89% и загрузить модель размером 70 миллиардов параметров за 37 секунд. Снимки сохраняют состояние CPU и GPU через gVisor в Cloud Storage, что упрощает управление жизненным циклом. Однако, как отмечает Steef-Jan Wiggers, возникает вопрос: как эффективно обновлять снимки, если они сопоставляются по хешу спецификации, серии машины и версиям ядра и драйверов — и как решать проблему устаревания.

Docker Cloud Sandboxes: единая среда для локального и облачного выполнения

Docker Cloud Sandboxes предлагает безопасные, хостинговые среды для выполнения AI-агентов, основанные на аппаратно-обеспечиваемой изоляции microVM. Это позволяет обеспечить единый интерфейс CLI и консистентную среду выполнения, независимо от того, работаете ли вы на локальной машине или в облаке. По словам Sergio De Simone, такой подход упрощает миграцию задач между средами, сохраняя стабильность и безопасность.

AI-«мусор» в тренировочных данных: как его обнаружить и почему это опасно

Исследователь, опубликовавший статью в Towards Data Science, протестировал три метода обнаружения «AI-мусора» — неочищенных, неструктурированных или искажённых данных — в тренировочных наборах. Результаты показали, что детекторы AI часто фальсифицируют реальные данные, а фильтрация таких «шумов» может снизить точность моделей. Это подчеркивает необходимость осторожности при очистке данных: иногда «мусор» — это не мусор, а полезная информация, которую вы не хотите потерять.

Внутреннее пространство LLM: метрики и кривизна текста

Внутри трансформеров токены индексируются как координаты, а структура абзацев — как метрическое пространство. Как пишет автор в Towards Data Science, это означает, что LLM не просто «понимает» текст, а работает в криволинейном пространстве, где геометрия абзацев влияет на семантику. Это открытие может повлиять на разработку систем, которые учитывают не только лексику, но и структуру текста как физическое поле.

Рекомендательные системы: сложность не в архитектуре, а в производстве

Mallika Rao в InfoQ AI/ML подчеркивает, что настоящая сложность адаптивных рекомендательных систем заключается не в их архитектуре, а в их работе в реальном времени. Ключевые факторы — это обратные связи, свежесть ретриевала, многоступенчатая оркестрация и бюджет задержки. Все они требуют тонкой настройки и мониторинга, чтобы системы могли учиться и эволюционировать в условиях реальных ограничений: задержек, затрат и наблюдаемости.

Cloudflare перешёл с WordPress на EmDash: быстрее и легче

Cloudflare опубликовал детали миграции своего основного блога с WordPress на EmDash — внутреннюю систему управления контентом, разработанную в компании. Новая платформа спроектирована для улучшения производительности и кэширования и прошла тестирование на способность обрабатывать до 7000 запросов в секунду. Как отмечает Renato Losio, это решение позволяет Cloudflare управлять контентом более эффективно, сохраняя контроль над производительностью и масштабируемостью.

Коротко

• Архитектура ИИ-систем требует осознанного удаления зависимостей, а не поиска оптимизаций.
• Google сократил загрузку моделей в GKE на 89% с помощью снимков Pod, но возникают вопросы по управлению их жизненным циклом.
• Docker Cloud Sandboxes обеспечивают единое окружение для локального и облачного выполнения AI-агентов.
• «AI-мусор» в тренировочных данных может вредить точности моделей, и его фильтрация не всегда полезна.
• LLM работают в криволинейном пространстве, где структура абзацев влияет на семантику.
• Адаптивные рекомендательные системы сложны не из-за архитектуры, а из-за управления в реальном времени.
• Cloudflare перешёл с WordPress на EmDash, чтобы улучшить производительность и масштабируемость.

Ускорение и оптимизация: как Google, Perplexity и Docker меняют работу с AI-моделями

В последние часы в мире технологий наблюдается активное развитие инфраструктурных решений для работы с крупными языковыми моделями — от ускорения их загрузки до переноса вычислений в безопасные сандбоксы и даже замены ключевых сервисов на внутренние решения. Google представило новые возможности в Google Kubernetes Engine, позволяющие сократить время запуска моделей до 37 секунд при загрузке 70-миллиардного параметра, а Perplexity — полностью перешел с Amazon DynamoDB на собственную систему CobbleDB, сократив задержки в пять раз и снизив затраты на хранение. В то же время Docker предлагает унифицированные сандбоксы для работы с AI-агентами на локальных и облачных машинах, а новая парадигма Agentic Context Engineering позволяет моделям улучшать себя без перезаписи весов.

Google ускоряет загрузку моделей через снимки Pod

Google представила новые бенчмарки для функции GKE Pod Snapshots, которая позволяет значительно сократить время запуска моделей. По данным InfoQ AI/ML, загрузка 70-миллиардной модели занимает всего 37 секунд, а стартовая задержка снижается на 89% по сравнению с традиционными методами. Снимки создают копии состояния CPU и GPU-памяти через gVisor и сохраняют их в Cloud Storage, что позволяет быстро восстанавливать рабочие сессии. Однако, как отмечают практики, сложность возникает на этапе управления снимками — их актуальность определяется по хешу спецификации, серии машины и версиям ядра и драйверов, что требует тщательной системы управления жизненным циклом.

Perplexity заменил DynamoDB на внутреннюю систему CobbleDB

Perplexity перешел от Amazon DynamoDB к собственному ключевому хранилищу CobbleDB, написанному на Rust. По данным OReilly Data, это позволило сократить задержки запросов в пять раз и снизить затраты на хранение. Новая архитектура эффективно обрабатывает большие пакеты документов и обеспечивает высокую производительность при значительных нагрузках. В отличие от внешних сервисов, CobbleDB позволяет компании полностью контролировать оптимизацию под свои нужды, что особенно важно для масштабируемых систем поиска и рекомендаций.

Docker предлагает единый сандбокс для AI-агентов

Docker Cloud Sandboxes — это платформа, обеспечивающая безопасные и унифицированные среды выполнения для AI-агентов, работающих как на локальных машинах, так и в облаке. Как сообщает InfoQ AI/ML, сандбоксы построены на основе аппаратно-обеспечиваемой изоляции микровиртуальных машин, что гарантирует безопасность и консистентность среды. Работа с агентами становится проще благодаря единым CLI-процессам и инфраструктуре, управляемой Docker, что упрощает миграцию задач между локальными и облачными средами.

Новые подходы к обучению и оптимизации моделей

В мире AI появляются новые методы, позволяющие моделям улучшать себя без изменения весов. Agentic Context Engineering (ACE), описанный в статье Analytics Vidhya, позволяет агентам редактировать контекст, из которого они получают информацию, что приводит к улучшению производительности на задачах. Также KD Nuggets и InfoQ AI/ML публикуют материалы по оптимизации SLM (Sequential Language Models), включая стратегии батчинга по длине текста вместо поэлементного обработки — что позволяет повысить эффективность и снизить нагрузку на систему.

Рекомендательные системы и безопасность AI

В сфере рекомендаций, как отмечает Mallika Rao в InfoQ AI/ML, реальная сложность не в архитектуре моделей, а в системном управлении: реальные системы должны учитывать задержки, стоимость и наблюдаемость. Это включает в себя работу с обратной связью в реальном времени, свежесть ретривалов и многоступенчатую оркестрацию. В то же время, как сообщает OReilly Data, безопасность AI становится все более сложной задачей — с ростом доступа к инструментам и данным возникают вопросы о контроле, ответственности и даже цифровой рекламе. Anthropic подчеркивает, что безопасность требует не только улучшения моделей, но и системного подхода к их использованию.

Коротко

• Google сократил время загрузки моделей до 37 секунд с помощью снимков Pod в GKE.
• Perplexity заменил DynamoDB на внутренний CobbleDB, сократив задержки в 5 раз и снизив затраты.
• Docker предлагает унифицированные сандбоксы для работы с AI-агентами на локальных и облачных машинах.
• Новая парадигма ACE позволяет моделям улучшаться, не перезаписывая веса.
• Рекомендательные системы требуют управления задержками, стоимостью и наблюдаемостью, а не только архитектуры.
• Безопасность AI требует не только улучшения моделей, но и системного контроля и ответственности.

Новые подходы к обучению ИИ: агенты, улучшающие контекст без перезаписи весов

В области генеративного ИИ появился новый метод — Agentic Context Engineering (ACE), позволяющий агентам улучшать производительность на разных задачах, редактируя только контекст, в котором они читают информацию, без изменения самих весов модели. Как сообщает Analytics Vidhya, исследование, описывающее ACE, объясняет, почему полные перезаписи контекста неэффективны, как работает механизм обновления «playbook» и где именно наблюдаются практические приросты эффективности. Этот подход открывает путь к автономному самоулучшению ИИ-агентов, не требуя переподготовки их архитектуры.

Портфолио для специалистов: 10 решённых проектов по генеративному ИИ

Для кандидатов в сфере ИИ и машинного обучения проекты — это не просто учебные задания, а ключ к прохождению собеседований и построению профессионального имиджа. Как подчёркивает Analytics Vidhya, рекрутеры оценивают не только теоретические знания, но и способность решать реальные задачи. В этом контексте публикация предлагает десять готовых проектов по генеративному ИИ, охватывающих спектр от базового машинного обучения до сложных систем генеративного ИИ. Каждый проект включает инструменты, методы и практические решения, которые помогут кандидатам продемонстрировать техническую гибкость и навыки решения проблем.

Коротко

• Новый метод ACE позволяет ИИ-агентам улучшать себя, редактируя контекст без изменения весов модели.
• Исследование ACE объясняет, почему полные перезаписи контекста неэффективны и где наблюдаются реальные приросты.
• Для специалистов по ИИ рекомендуют 10 решённых проектов по генеративному ИИ, от базовых до продвинутых.
• Проекты помогают кандидатам продемонстрировать практические навыки и техническую гибкость перед работодателями.
• Источники: Analytics Vidhya.

Новые инструменты и подходы в AI-разработке

В последние часы сообщества разработчиков и исследователей AI активно обсуждают новые инструменты, методы и парадигмы, которые меняют подход к созданию и тестированию моделей. В центре внимания — визуальные гайды по MCP, а также попытки построить более надёжные и честные системы, где AI не просто возвращает ответы, а доказывает их достоверность. В то же время разработчики мобильных приложений стремятся оптимизировать UX с помощью LLM, а платформы в банковской сфере переосмысливают свою роль как среды для сотрудничества, а не просто инфраструктуры.

MCP и интеграции с Claude Code, Tavily и Playwright

Команда KDnuggets представила визуальный гайд по MCP — системе, позволяющей объединять различные инструменты в единую рабочую среду. Как сообщает KDnuggets, гайд объясняет, как использовать MCP с Claude Code, Tavily, GitHub и Playwright, и демонстрирует новые возможности через простые схемы. Это делает концепцию доступной даже для тех, кто не имеет глубокого опыта в интеграциях. Для разработчиков, работающих с автоматизацией и тестированием, MCP предлагает готовые шаблоны и визуальные схемы, которые упрощают настройку и масштабирование процессов.

Построение честных AI-систем: за пределами RAG

В статье на Towards Data Science исследуется проблема, что ретривал (RAG) не означает доказательство истинности. Авторы предлагают альтернативный подход — строить AI, который не просто извлекает информацию, но доказывает свою правоту. Как пишется в публикации, ключ к этому — не в улучшении ретривала, а в создании механизмов, которые позволяют модели проверять и обосновывать свои выводы. Это особенно важно в критичных сценариях, где неверные ответы могут иметь серьёзные последствия. Статья призывает разработчиков пересмотреть архитектуру AI-систем, чтобы они не просто «выглядели» надёжными, а действительно были надёжными.

Тестирование и автоматизация: от зелёных тестов к спецификациям

В статье Towards Data Science поднимается вопрос, почему «зелёный» тестовый набор не всегда означает качество. Авторы утверждают, что в современных системах тестирование должно быть привязано к спецификациям, а не к простому отсутствию ошибок. В первой части серии «Spec-Driven Test Automation» авторы предлагают перейти от проверки того, что работает, к проверке того, что работает правильно. Это требует пересмотра подходов к автоматизации: тесты должны быть основаны на ожидаемом поведении системы, а не на отсутствии сбоев. Такой подход позволяет выявлять не только баги, но и дизфункциональность, которая может быть «зелёной» на первый взгляд.

DeepSeek Harness: практические выводы из тестирования

Команда KDnuggets провела тестирование DeepSeek Harness — инструмента для управления и масштабирования LLM. Как сообщает KDnuggets, член команды Shittu Olumide оценил его в реальных условиях и выявил как сильные стороны, так и области для улучшения. Выводы включают в себя оценку производительности, удобства интеграции и масштабируемости. Хотя тестирование не является полноценным обзором, оно даёт практическое представление о том, как DeepSeek Harness может быть использован в реальных проектах. Это особенно важно для тех, кто рассматривает переход на новые платформы и инструменты для управления LLM.

Платформы как среды сотрудничества: опыт банковской индустрии

В публикации InfoQ AI/ML описывается опыт создания платформы в банковской сфере, где платформа рассматривается не как инфраструктура, а как среда для сотрудничества. Как пишет Ben Linders, культура команды определяется структурой: платформа должна поддерживать открытые сессии, награждать вкладчиков, создавать стандарты, которые все могут использовать. Важно, что платформа зависит от прикладных команд, а прикладные команды — от платформы. Это взаимозависимость требует совместных стандартов и культуры, где разработчики и продукт-менеджеры работают вместе. Такой подход позволяет создавать более гибкие и масштабируемые системы.

Когда правильный ответ — «ничего»: надёжность в LLM-пайплайнах

В статье Towards Data Science поднимается вопрос: что возвращает пайплайн, когда правильный ответ — «ничего»? Авторы отмечают, что механизмы надёжности, добавленные в LLM-пайплайны, часто сами становятся причиной ошибок. Например, система может быть уверена в своём ответе, даже если он пуст или не соответствует контексту. Это особенно актуально в сценариях, где отсутствие ответа — это не ошибка, а корректный результат. Статья призывает разработчиков пересмотреть, как они обрабатывают «пустые» или «неопределённые» случаи, чтобы не превращать их в ложные убеждения системы.

Платформы как инфраструктура: от программного обеспечения к политике

В интервью с Dan Gookin, бывшим автором серии «For Dummies» и нынешним мэром города Coeur d’Alene, Idaho, обсуждается, что происходит, когда программное обеспечение, которое вы арендуете, становится инфраструктурой, которую вы не можете покинуть. Как сообщает OReilly Data, разговор начался как встреча по публикациям, но быстро перешёл к более глубоким вопросам: какое будущее у программного обеспечения, которое становится неотъемлемой частью общественной инфраструктуры? Это особенно актуально в условиях, когда облачные сервисы и SaaS-платформы становятся не просто инструментами, а основой для бизнеса и даже политики.

Оптимизация UX с LLM на мобильных устройствах

Balakrishnan Ramdoss в публикации InfoQ AI/ML описывает архитектуру производственных, AI-управляемых приложений для мобильных устройств. Как сообщает InfoQ AI/ML, автор предлагает подходы, позволяющие снизить задержку модели, использовать server-driven UI и Backend-for-Frontend-паттерны для динамического рендеринга мультимодальных интерфейсов. Также рассматриваются методы оптимизации промптов для выбора UI и интеграции локального, приватного AI на устройстве. Это позволяет создавать приложения, которые не только быстрые, но и удобные, с минимальной задержкой и максимальной конфиденциальностью.

Коротко

• MCP предлагает визуальные инструменты для интеграции Claude Code, Tavily, GitHub и Playwright, упрощая работу с автоматизацией.
• Вместо RAG разработчики предлагают строить AI, который доказывает свою истинность, а не просто извлекает информацию.
• Тестирование должно быть основано на спецификациях, а не на «зелёных» тестах — это ключ к качеству.
• DeepSeek Harness показал себя в реальных условиях: его можно использовать, но есть области для улучшения.
• Платформы в банковской сфере должны быть средами для сотрудничества, а не инфраструктурой — культура определяется структурой.
• В LLM-пайплайнах надёжность может привести к ошибкам — нужно пересмотреть обработку «пустых» ответов.
• Программное обеспечение, которое арендуете, может стать инфраструктурой — это требует новых подходов к политике и управлению.
• Для мобильных приложений с LLM важны оптимизация задержки, server-driven UI и локальный AI для приватности.

Новые подходы к разработке и безопасности AI-систем

В последние часы сообщества разработчиков и исследователей AI обсуждают ключевые аспекты оптимизации, безопасности и архитектуры современных систем. В центре внимания — как улучшить производительность моделей, как обеспечить их надежную интеграцию в реальные приложения, и как предотвратить уязвимости даже в самых защищённых средах. Важно, что эти темы не ограничиваются техническими деталями — они затрагивают и философию разработки, и практические последствия для бизнеса и пользователей.

Оптимизация и производительность моделей

Разработчики продолжают исследовать способы повышения эффективности больших языковых моделей. В частности, на KD Nuggets Tutorials представлено обновление серии по оптимизации SLM — теперь описан метод батчинга по длине, а не по элементам, что позволяет улучшить вычислительную эффективность. В то же время, на Towards Data Science авторы анализируют, как метрики MSE могут вводить в заблуждение при прогнозировании физических сигналов, и предлагают альтернативные подходы с учетом неопределенности. Также исследуется, как RAG и агенты различаются по функционалу: RAG извлекает информацию, агенты — действуют, и между ними можно построить промежуточный слой, который, как показали эксперименты, может улучшить производительность и надежность систем.

Безопасность и аудит AI-систем

Безопасность AI-систем становится всё более актуальной темой. Как сообщает OReilly Data, растущий доступ моделей к инструментам и данным ставит под сомнение механизмы контроля и ответственности. В новом выпуске «This Week in AI» Christina Stathopoulos рассматривает, как вопросы безопасности проявляются в моделировании, государственном регулировании и цифровом маркетинге. Anthropic в своём отчёте по угрозам подчеркнул, что безопасность требует не только улучшения моделей, но и создания структурного контроля, включая мониторинг и ответственность за использование. Также, как отмечает InfoQ AI/ML, исследователь Patrick Wardle обнаружил непатчённую уязвимость в клиенте Meta Muse для macOS, позволяющую непривилегированному ПО манипулировать разрешениями, что поднимает вопросы доверия к платформам и безопасности AI-клиентов.

Инфраструктура и архитектура будущего

Разработка инфраструктуры для будущих приложений продолжает развиваться в сторону децентрализации и эффективного управления. В InfoQ AI/ML Christine Lemmer-Webber и David Thompson описывают архитектуру Spritely, которая использует Scheme, WebAssembly и CRDT для построения приложений без центральных серверов. Также Vercel Labs представили scriptc — компилятор TypeScript в нативные исполняемые файлы, который исключает зависимость от JavaScript-движков, обеспечивая более быстрые старты и меньшее потребление памяти, хотя и с меньшей производительностью в исполнении. В то же время, InfoQ запустила сертификационную программу «High-Performing Teams», направленную на обучение команд по интеграции AI в рабочие процессы и метрикам эффективности.

Агенты, инструменты и практическое применение

Сфера агентов и их интеграции в реальные задачи активно развивается. InfoQ AI/ML опубликовала статью о «Harness» — инструменте, который позволяет управлять агентами, включая финансовые помощники, с учётом инструментов, памяти, доступа к моделям и контроля затрат. Также на Towards Data Science исследуется, как TypeSafe AI’s Jev справляется с задачами классификации по сравнению с LLM — в частности, по точности, задержке и калибровке — и как он может использоваться как слой принятия решений. В InfoQ AI/ML также представлены сессии QCon AI New York 2026, охватывающие агентную авторизацию, производственные гварды и оценку AI-систем после развертывания — что указывает на переход от экспериментов к практическому внедрению.

Подходы к разработке и подготовке к будущему

Разработчики всё чаще обращают внимание на фундаментальные аспекты кодирования и адаптацию к новым устройствам. На KD Nuggets опубликованы 7 продвинутых приёмов Python, которые помогают улучшить навыки без необходимости изучения новых синтаксических конструкций. Также, как сообщает InfoQ AI/ML, iOS-разработчики должны подготовить приложения к новому iPhone Duo — с его внешним и внутренним экранами, а также с изменённой навигацией и поведением камеры. Помимо этого, Towards Data Science предлагает практические советы по максимизации использования подписок на код-агентов, а InfoQ AI/ML — подкаст о будущем AI в корпоративной среде, где обсуждаются вопросы внедрения, этики и роли инженеров.

Коротко

• Оптимизация SLM через батчинг по длине и анализ ошибок MSE — ключевые темы для повышения производительности моделей.
• Безопасность AI-систем требует не только улучшения моделей, но и контроля за их использованием — как показало открытие уязвимости в Meta Muse.
• Инфраструктура для будущего: Spritely и scriptc предлагают децентрализованные и эффективные альтернативы традиционным подходам.
• Агенты и их инструменты становятся частью практического внедрения — от финансовых помощников до слоёв принятия решений.
• Разработчики должны адаптироваться к новым устройствам и языкам — от Python-приёмов до подготовки к iPhone Duo.

Перемены в инфраструктуре и архитектуре AI-систем

Perplexity перешла от Amazon DynamoDB к внутреннему ключевому хранилищу CobbleDB, написанному на Rust. Этот шаг позволил сократить задержки запросов в пять раз и снизить затраты на облачное хранилище, особенно при обработке больших пакетов документов. Новая архитектура обеспечивает более эффективную обработку высоких нагрузок и улучшает масштабируемость при значительном производственном трафике, как сообщает InfoQ AI/ML.

AWS представила обновление Model Context Protocol (MCP), которое устраняет требования к сессиям и «прилипанию» запросов к конкретным серверам. Теперь протокол не требует хранения состояний сессий на уровне протокола, что позволяет маршрутизировать запросы независимо и упрощает горизонтальное масштабирование. Ответственность за состояние приложений, повторные запросы, наблюдаемость и идемпотентность переносится на другие уровни архитектуры, как сообщает InfoQ AI/ML.

Новые подходы к разработке и тестированию AI-агентов

На QCon AI New York 2026 подтверждено 23 сессии, охватывающих агентную авторизацию, производственные ограничения, инфраструктуру совместного инференса и методы оценки AI-систем после деплоя. Эти темы отражают переход от концептуального уровня к практическому применению, как сообщает InfoQ AI/ML.

Статья «The Agent Harness» предлагает два подхода к построению агентов: через AWS AgentCore Harness и через LangChain с Envoy AI Gateway. Сравнение показывает различия в управлении инструментами, памятью, доступом к моделям, контролем затрат и наблюдаемостью. Также рассматриваются компромиссы в отношении владения операциями, портабельности и объема инженерных усилий, как сообщает InfoQ AI/ML.

Улучшения в разработке и UX для мобильных приложений

Balakrishnan Ramdoss описывает архитектуру производственных AI-приложений для мобильных фронтендов. Он предлагает решения для снижения задержек моделей, использование паттернов Backend-for-Frontend и серверного UI для динамического рендеринга мультимодальных интерфейсов, а также интеграцию локального, приватного AI на устройстве для обеспечения низкой задержки и конфиденциальности, как сообщает InfoQ AI/ML.

InfoQ запустила сертификационную программу «High-Performing Teams», рассчитанную на пять недель. Она охватывает проектирование команд, потоки разработки, работу с AI и метрики. Программу ведет редактор InfoQ и ведущий подкаста Olimpiu Pop, как сообщает InfoQ AI/ML.

Безопасность и архитектурные уязвимости

Специалист по безопасности Patrick Wardle обнаружил непоправленный нулевой день в клиенте Meta Muse для macOS. Уязвимость позволяет непривилегированному ПО манипулировать широкими правами ассистента, что угрожает конфиденциальности ввода и безопасности аккаунта. Несмотря на горячий фикс от Meta, инцидент вызывает вопросы о доверии платформе и границах безопасности, как сообщает InfoQ AI/ML.

Apple представила концепцию Reference Image — режим камеры iPhone 18 Pro, который подписывает пиксельные данные прямо на сенсоре и обрабатывает их в закрытом облачном вычислении под подписью Apple. Разработчики на Hacker News и Reddit подвергли критике, что именно это подтверждает, какова степень анонимности и насколько верно использование идентификации, как сообщает Steef-Jan Wiggers.

Коротко

• Perplexity заменила DynamoDB на внутреннее CobbleDB, сократив задержки в 5 раз и снизив затраты.
• AWS обновила MCP, убрав требования к сессиям и упростив масштабирование.
• QCon AI New York 2026 охватывает агентную безопасность и оценку AI в производстве.
• InfoQ запустила сертификацию команд для эффективной работы с AI.
• Meta столкнулась с уязвимостью в Muse для macOS, позволяющей манипулировать правами.
• Apple предлагает новый подход к подтверждению происхождения фото через сенсорную подпись.

Новые генеративные модели OpenAI вышли с сокращённой ценой, но с сохранённой мощностью

OpenAI представила две новые версии генеративных моделей — GPT-6 Sol и GPT-6 Luna — которые, по утверждению разработчиков, достигают почти такого же уровня производительности, как GPT-6 Astra, но при этом обладают значительно более доступной стоимостью. Оба варианта получены с использованием методик, аналогичных тем, что применялись для создания Astra, но с оптимизацией под более низкую стоимость. API-тарифы для этих моделей снижены на 50% по сравнению с предыдущими версиями GPT-5.6, что делает их привлекательными для разработчиков, ищущих баланс между мощностью и бюджетом. Эти модели, по данным Analytics Vidhya, сохраняют ключевые достижения Astra, но при этом уменьшают вычислительные затраты, что может ускорить внедрение генеративного ИИ в корпоративные и стартап-проекты.

Портфолио для резюме: 10 решённых проектов по генеративному ИИ

Для тех, кто стремится перейти от теории к практической работе в сфере искусственного интеллекта, Analytics Vidhya предлагает список из десяти готовых проектов, построенных на основе генеративных моделей. Эти проекты охватывают широкий спектр задач — от базовых задач машинного обучения до сложных систем генеративного ИИ, что позволяет кандидатам продемонстрировать не только техническую гибкость, но и способность решать реальные бизнес-задачи. Такой портфолио-подход особенно ценен для рекрутеров, которые ищут специалистов, способных не просто понимать алгоритмы, но и применять их на практике. Каждый проект включает описание задачи, используемые инструменты и технические решения, что помогает кандидатам структурировать свой опыт и повысить шансы на трудоустройство.

Коротко

• OpenAI запустила GPT-6 Sol и GPT-6 Luna — модели с почти такой же производительностью, как GPT-6 Astra, но с 50% сниженной ценой на API.
• Эти модели созданы с использованием методик, аналогичных тем, что применялись для GPT-6 Astra, но с оптимизацией под более низкую стоимость.
• Analytics Vidhya предлагает 10 готовых проектов по генеративному ИИ, которые помогут кандидатам построить практическое портфолио и продемонстрировать навыки решения реальных задач.