Тема: как граф знаний в 2026-м перестал быть про поиск и стал тем, по чему сверяют действия ИИ — и почему это естественный слой для V. В прошлых лонгридах несколько раз всплывал один и тот же вопрос: против чего проверять агента? Само-судейство ненадёжно, формальная проверка требует структуры, а governance-платформы дают разрешения и аудит, но не модель мира. И вот в 2026-м на роль этой модели мира тихо выдвинулся граф знаний — но не в той роли, в какой его привыкли видеть. Раньше граф знаний был про поиск: достать релевантные факты, связать сущности, помочь ретриву. Теперь он берёт на себя другую работу — быть тем, по чему ИИ сверяют. Разберём этот…

Любой, кто гонял Claude Code или Cursor по большому репозиторию, знает этот момент. Сначала всё бодро. Потом контекст распухает — и модель начинает плыть: путает файлы, теряет нить, забывает, что было сказано в начале. Качество не обрывается, оно протекает. Тихо и незаметно. У этого даже есть имя — context rot. Последние два года индустрия делала вид, что лечит болезнь размером окна. 8 тысяч токенов, 128 тысяч, миллион. Но больше окно — не значит, что модель им пользуется. Засунь в начало миллионного промпта важный факт, спрячь второй в середине, и модель честно провалит обоих. Это известный эффект, «lost in the middle». Окно росло, а внимание оставалось дырявым. И вот на этом…

Два года все говорили про чат. Один умный ассистент, одно окно: ты пишешь — он отвечает. А в начале 2026-го крупные игроки тихо сменили ставку. Будущее корпоративного ИИ — это не окно, а штат. Десятки агентов, у каждого свои права, свой доступ к системам, своя работа. И как только агентов становится много, вылезает скучная, как мир, истина: штатом надо управлять. Звучит банально — пока не упрёшься в цифру. До 95% корпоративных ИИ-пилотов не дают внятной бизнес-пользы. Не потому что модели слабые: модели как раз сильные. А потому что один агент в вакууме ничего не решает. Ему нужен доступ к CRM, к хранилищу, к тикетам. Ему нужно не мешать соседним агентам.…

У любого, кто строит на ИИ, рано или поздно встаёт один и тот же вопрос: как понять, что агент выдал хорошо? Прочитать всё руками невозможно — миллион ответов в день человек не вычитает. И тут напрашивается соблазнительно простое решение: пусть одна модель проверяет другую. Это и есть «LLM-as-judge». Идея захватила индустрию почти мгновенно, и неспроста. Но за два с лишним года накопилось ровно столько данных о том, где она ломается, что в 2026-м рядом громко поднялась вторая школа — не уговорить модель согласиться, а математически доказать. Разница между этими двумя подходами и есть, по сути, твоя поляна. Так что разберём оба края честно. Соблазн отдать проверку самой модели Стартовая точка…

Тема: efficiency-инференс — квантизация весов и сжатие KV-кэша. Менее шумная, чем релизы моделей, но именно она решает, влезет ли хорошая модель в одну видеокарту. Прямо про твой полигон. Пока все считали параметры — у кого триллион, у кого больше, — тихо сместился сам вопрос. Гонка «чей мозг крупнее» упёрлась в стоимость, и реальным фронтом стало другое: как заставить хорошую модель работать дёшево. Не построить датацентр, а уложиться в то железо, что есть. И вот тут за 2025–2026 годы накопилось столько, что отдельный лонгрид напрашивается сам. Сжимать можно в двух местах. Веса модели — чтобы она вообще влезла в память. И KV-кэш — чтобы она тянула длинный контекст и много запросов,…

Тема: inference-time scaling и адаптивное рассуждение — та самая ось «вычисления на генерации = интеллект», на которой стоял RLM, только теперь во весь рост и со своими подводными камнями. Несколько лет рост ИИ означал одно: больше параметров, больше данных, больше вычислений на обучении. Потом эта кривая начала выполаживаться — каждый новый кусок данных приносит всё меньше уникального, отдача тает. И индустрия открыла вторую ось: добавлять вычисления не на обучении, а на генерации. Дать модели подумать дольше — и она решит то, что не решала с первого захода. Звучит как чистая победа. На практике оказалось, что у «подумать ещё» есть точка, после которой становится хуже. Разберём и саму идею, и её…

Куда на самом деле идёт искусственный интеллект — и почему рынок видит игрушки, а не завод. Со стороны кажется, что искусственный интеллект — это чат-боты и маркетинг. Спросил — ответил, написал текст, нарисовал картинку. Скепсис понятен: именно это пока на виду. Но на виду — самый край, а не суть. Суть — в одном сдвиге, который меняет не интерфейс, а саму природу софта: переход от советчика к исполнителю. Чат-бот советует. Агент делает Чат-бот — это советчик. Ты спрашиваешь, он отвечает, а делаешь всё равно ты сам. Агент — исполнитель: он сам бронирует, оформляет, платит, договаривается, запускает процессы. Разница как между консультантом, который рассказывает, что надо сделать, и подрядчиком, который берёт…

Десять лет в безопасности спорили теоретически: когда ИИ всерьёз сдвинет равновесие между атакой и защитой? Фаззинг с ИИ, статический анализ с машинным обучением, ревью кода через языковые модели — всё это были постепенные улучшения, не смена категории. В апреле 2026-го разговор перестал быть теоретическим. Anthropic показала модель, которая находит уязвимости сама. И не просто находит — строит к ним рабочие эксплойты без участия человека. А потом отказалась выкладывать её в открытый доступ — именно из-за этих способностей. Разберём, что произошло, какого масштаба находки, какую тревожную деталь там нашли — и почему это твоя тема сразу с нескольких сторон. Что случилось в апреле 7 апреля 2026-го Anthropic представила Claude Mythos Preview…