Я так и думал: вайбкодинг вызывает зависимость — официально. 🚬
Coddy Tech опросили 305 разработчиков и выяснили, что 80% хотя бы раз ощущали использование ИИ скорее как зависимость, чем как преимущество. А самые активные пользователи ИИ на 51% чаще сообщали о выгорании!
Дело в том, что почти половина работяг продолжают кодить с ИИ после работы, даже если собирались остановиться, треть откладывает сон ради ещё одного промпта, а 39% говорят, что с ИИ им стало сложнее вообще отключаться от работы. Ведь когда агент всё делает правильно, то ты получаешь дофамин, а когда ломает — адреналин. Так все и подсаживаются на ИИ-иглу.
Создать собственного ИИ-агента теперь проще, чем сварить утренний кофе — Cloud.ru запустил пространство Agents Space, где можно за пару минут собрать готового помощника по проектам.
Внутри сервиса уже есть готовые агенты, например первый в России автономный ИИ-агент — ГигаАгент. Вся работа идёт в удобном чате, к нему легко подключаются нужные тулзы для разработки, почта, календарь, облачное хранилище и т. д.
И всё это — без настройки серверов, моделей и фреймворков 😮💨
Разработчик превратил Google Developer Documentation Style Guide в скилл!
Скилл построен на официальном гайде Google для техдоков: как писать ясно, последовательно и понятно для разработчиков и других технических специалистов. Так что агент сначала изучает ваш проект, а потом по всем правилам пишет README, инструкции, гайды по миграции, проверяет форматирование, ссылки и делает всё по красоте.
Вышло новое поколение GigaEmbeddings — линейка эмбеддинг-моделей 480M, 3B и 10B-A1.8B для семантического поиска, RAG, классификации и кластеризации.
Команда изменила архитектуру и добавила поддержку vLLM и SGLang. За счёт этого выросла скорость инференса: 3B работает в 1,6 раза быстрее предыдущей версии, а MoE-флагман 10B-A1.8B (1,8 млрд активных параметров) — в 2 раза.
Флагман набрал 74,99 в ruMTEB и занял первое место. Модель 3B прокачала обработку кода на 14,5 пункта (с 62,37 до 76,93), а 480M стала лучшей русскоязычной моделью среди решений до 500 млн параметров.
Объём обучающих данных вырос в несколько раз за счёт датасетов Nemotron, F2LLM и KALM. Баланс языков сохранили через мержинг экспертов, а 480M обучали дистилляцией от старших моделей.