Если не Github, то что?
С момента основания в 2008 GitHub стал так популярен, что сама технология Git прочно ассоциируется именно с этим сервисом.

Но в первой половине 2026 он чувствовал себя неважно — перебои в работе, наплыв ИИ-слопа и изменения тарифов привели к недовольству пользователей и громким угрозам уйти к конкурентам вроде таких. Но только куда уходить?

Отказаться от Github сложно, потому что это сервис, пусть и со своими недостатками, но привычный — все вокруг им пользуются и все проекты там лежат. Но если все-таки решите рассмотреть альтернативы, то сегодня наибольшей популярностью пользуются:
🔵 GitLab — главный конкурент GitHub, куда все переезжают, чтобы потом жаловаться на вездесущие и не всегда полезные ИИ-функции и раздутый сложный функционал;
🔵 Bitbucket — вариант для тех, кому важна интеграция с сервисами Atlassian (Jira и Confluence);
🔵 Gitea — а это для тех, кто хочет разместить хранилище в своей инфраструктуре;
🔵 ForgeJo и Codeberg — главные конкуренты GitHub среди независимых площадок. ForgeJo отпочковалась от Gitea, а потом на ее основе был создан Codeberg.

Есть и более экзотические варианты, например, китайская Gitee и российская GitFlic. У первой где-то есть англоязычная версия.

А что вы думаете про GitHub и его альтернативы?

Fable vs Sol
В соцсетях обсуждают сразу две крупных новости от Antropic и OpenAI

1️⃣Anthropic продлевает промо-доступ к Fable, который должен был закончиться 7 июля, до 12. Пользователи могут потратить до 50% своего недельного лимита на работу с Fable без дополнительных затрат. Сверх этого — придется либо доплатить, либо переключаться на модель попроще.

После 12 июля доступ станет полностью платным: $10 за миллион входных токенов и $50 за миллион выходных.

2️⃣Доступ к новой модели от OpenAI GPT-5 Sol (и заодно моделям попроще Terra и Luna) откроют 9 июля.

Уже выбрали своего бойца: тратить лимиты в еще почти бесплатной Fable или посмотреть, что умеет Sol?

Борьба ИИ за внимание пользователей продолжается
🔜 Чтобы ждать Sol было веселее, OpenAI представила GPT-Live — голосовую модель, способную слушать и говорить одновременно. Она постоянно обрабатывает входящие данные, и это отличает ее от предыдущих версий голосовых чат-ботов, которые делили речь пользователя на отдельные реплики. Тм нужно было подождать, пока тот договорит, обработать и только потом отвечать.

Диалог с GPT-Live получается живым: ИИ быстро реагирует на вопросы, переключается между темами и иногда вставляет «Ага, а он что?», чтобы показать, что слушает. Если ей нужна дополнительная информация, она подключает другую модель, отвечающую за поиск в интернете и рассуждения. Это позволяет ей не ставить разговор на паузу, если пользователь задал особенно сложный вопрос.

🔜 xAI представила Grok 4.5. Он не пытается затмить Fable и Sol: бенчмарки в анонсе честно показывают, что во многих тестах он им уступает. Вместо этого его позиционируют как модель, которая работает быстро и может выдать жизнеспособный результат после одного короткого промпта с минимальными вводными данными. А еще уверенно владеет пакетом Microsoft Office — и презентацию сделает, и табличку в Excel.

Кто следующий ворвется в инфополе с громкими анонсами? Deepseek? 👀

Grok 4.5, GPT-5.5, Opus 4.8 и Fable 5: как разные модели справляются с одинаковыми задачами
Результаты бенчмарков, которые разработчики публикуют, выпуская новую модель, — привычный способ показать возможности ИИ, но не самый наглядный. Интереснее сравнить, как разные модели справляются с одинаковыми задачами: один и тот промпт, одна попытка, без подсказок.

🔜 Ребята из команды приложения TryAI именно это и сделали — оправдали, название. Они дали Grok 4.5, GPT-5.5, Opus 4.8 и Fable 5 четыре задачи на генерацию демок и 3 промпта на программирование, рассуждение и саммаризацию. В конце сравнили результаты и итоговые затраты. GPT-5.6 Sol, которая вышла вчера, на это соревнование опоздала, к сожалению.

Посмотреть, пощупать и оценить самостоятельно все, что нагенерили модели, можно в оригинальном посте.

Выводы получились следующие:
🔵 Grok 4.5 не смог с первой попытки сгенерировать 3D-модель кубика Рубика, но хорошо справился со всеми остальными, работал быстро и оказался самым дешевым в использовании.
🔵GPT-5.5 тоже не справилась с кубком, который она сделала двухмерным, зато она даже шустрее Grok и остальные генерации у нее вышли самыми стильными по оценке исследователей.
🔵Opus 4.8 и Fable 5 показали самые стабильные результаты, но они медленнее конкурентов, а Fable 5 еще и намного дороже.

ИИ-2040
В апреле 2025 группа исследователей написала длинную статью с прогнозами, куда нас приведет развития ИИ: в одном из сценариев в 2030 году роботы уничтожат всех людей, а в 2035 начнут колонизировать космос. В новом материале они предложили более благоприятный вариант развития событий.

🔜 В 2027 правительство США начнет прислушиваться к людям, которые переживают из-за негативного влияния ИИ и всей сопутствующей инфраструктуры на общество и экологию. Начнут предпринимать первые, пока по большей части бессмысленные, шаги к тому, чтобы взять развитие технологии под контроль.

🔜 В 2028 ИИ начнет все активнее заменять разные профессии: разработчики будут прицельно создавать и обучать агентов, заточенных под разные сферы деятельности. Человечество будет неуклонно двигаться к созданию искусственного интеллекта многократно превосходящего человеческий.

А дальше все будет зависеть от того, к какому соглашению придут США и Китай: согласятся ли они сотрудничать? Откажутся ли от участие в гонке технологий для того, чтобы вместе создать безопасный ИИ, которому люди смогут доверять?

🔜 Если они смогут найти общий язык, это приведет к Плану А, который авторы считают самым благоприятным.

Обе страны договариваются о том, чтобы временно затормозить работу над ИИ и продолжить только на условиях полной прозрачности. Развитие ИИ замедляется, но становится более контролируемым и направленным на благие цели. К 2040 году это позволяет решить многие проблемы, стоящие перед обществом, но при этом ИИ становится настолько умным, что если он захочет захватить контроль, люди уже ничего не смогут сделать.

Все равно не очень концовка, но по крайней мере, никто никого не уничтожил. Как вам такой вариант развития событий? Думаете, он возможен?

Есть еще план S, но даже более фантастический, чем уничтожение человечества роботами: полный международный мораторий на разработку ИИ.

На каком языке вы общаетесь с ИИ?
Оказывается, это влияет на его стиль общения.

Anthropic изучили, как меняется характер ответов Claude в зависимости от модели и языка по 4 шкалам:
🔵уступчивость и осторожность: соглашается ли он со всем, что пишет пользователь или старается предостеречь от неудачных решений;
🔵теплота и строгость: хвалит и подбадривает или требует точности;
🔵детальность и краткость: пишет ли подробные ответы или ограничивается короткими и по существу;
🔵искренность и исполнительность: признает ли, когда не уверен в ответе.

Как оказалось, когда он взаимодействует с пользователями на разных языках, он ведет себя по-разному.
🔵На арабском и хинди он склонен общаться более вежливо, ответы дает емкие и уверенные.
🔵На английском он более многословен, строг и может поспорить с утверждениями, которые сочтет ложными.
🔵На русском он переходит сразу к сути, требует доказательств и анализирует мотивацию пользователя, прежде чем дать совет.
🔵На тайском и японском он не только использует формальную вежливую речь, но и заботится о чувствах пользователя, а на корейском еще и много шутит.
🔵На французском он копирует манеру речи пользователя, многословен и дополнять ответы наглядными примерами.

Всего сравнили его поведение на 20 языках, но причины таких отличий не нашли. Возможно разница в датасетах: где-то было больше сухих профессиональных текстов, где-то — более литературных и неформальных.

А вы замечали отличия, когда говорите с ИИ на разных языках? 👀

Шпаргалка по визуализации данных
На Tableau Public выложили целый интерактивный справочник, который поможет выбрать подходящий способ визуализации данных. Выбираете, что хотите показать — динамику, корреляцию, распределение и так далее — и проваливаетесь в соответствующий раздел. Внутри будет краткая справка и набор идей для графиков, которые можно использовать.

На главной странице еще и список источников со статьями и гайдами.

Пригодится, когда не можете определиться, какой график лучше подойдет под ваши цели.

Правда, возникает вопрос — долго ли еще такие справочники будут актуальны? Не устареет ли сама концепция дашбордов в эпоху готовых ответов от ИИ? Есть мысли по этому поводу, скоро обсудим, так что не переключайтесь. 👀

“Зачем нужны дашборды, когда можно просто скормить данные ИИ, и он нагенерирует инсайтов?”

Увидел недавно такой тейк, и я понимаю, откуда он берется.

Да, ИИ может прямо сказать, что делать: перестать сливать деньги на рекламу, нанять больше сейлзов и так далее. С дашбордом так не получится, там придется самому анализировать графики и делать выводы.

Но есть две проблемы.
1️⃣Любой ИИ все еще галлюцинирует и ошибается. Ему нужен человек, который будет перепроверять его выводы и задавать правильные вопросы.
2️⃣Конкретный, но оторванный от контекста совет от ИИ не дает составить полную картину.

Представьте, что едете в незнакомое место. У вас нет карты, и вы ориентируетесь только на голосовые подсказки навигатора: «Через 100 метров поверните налево, затем направо». Скорее всего, вы быстро запутаетесь и перестанете понимать, куда едете и как долго еще осталось. А если перед глазами будет карта с подсвеченным маршрутом, ориентироваться будет намного проще. Вы будете не только понимать, где повернуть, но и зачем и что будет дальше.

С дашбордами то же самое. Они помогают:
🔵видеть взаимосвязи между метриками;
🔵замечать закономерности и аномалии;
🔵формировать собственное понимание происходящего, а не слепо следовать чужим рекомендациям.

ИИ может подсказать направление, но именно дашборд поможет проверить его выводы и принять осознанное решение. Будущее не за ИИ, который заменит дашборды, а за комбинацией ИИ, дашбордов и здравого человеческого смысла.

А вы согласны? Или все-таки считаете, что дашборды рано или поздно отомрут?

Токенфляция: проблема продвинутых ИИ моделей
Пользователь из Threads (принадлежат запрещенной в РФ Meta) написал GPT-5.4 Pro «Привет, я Дарио Амадей», и она так переволновалась, что думала над ответом 5 минут.

Каждая новая ИИ-модель умнее предыдущих, и это подтверждают результаты бенчмарков. Каждый анонс очередных GPT или Opus сопровождают табличками и графиками, где показывают, насколько лучше они справляются со все более сложными задачами. Но у этого прогресса есть и отрицательная сторона: более простые, тривиальные задачи теперь у поумневшего ИИ требуют намного больше ресурсов. У этого явления даже появилось отдельное название — токенфляция.

Суть в том, что для выполнения одной и той же задачи и достижения одинаковых результатов более продвинутой модели понадобится больше токенов, чем ее предшественнице попроще.

🔜 Например, вот тут автор протестировал, как разные ИИ реагируют на простые запросы: «Hi», «commit» и «WTF». 5 минут никто не размышлял, но Claude на простой «привет» сделал 33 вызова инструментов. Проблема не только в деньгах и растранжиривании токенов, но и в том, что это просто нерациональная трата времени пользователя, который ждет, когда модель наконец-то что-то ему ответит.

Для тех, кто строит ИИ-продукты и агентные системы, это хороший повод задуматься не только о качестве ответов, но и об эффективности. Иногда лучший агент — не тот, который исследовал весь репозиторий, а тот, который понял, что на «Привет» достаточно просто ответить: «Привет!»

А вы сталкивались с токенфляцией? 👀

Я заработал на Upwork $635К и рассказал у себя в Линке, как у меня это получилось. Пост набрал больше 300К просмотров, и после публикации фрилансеры стали присылать мне свои профили на разбор. Когда я проанализировал больше 1000 из них, начал замечать определенные закономерности.

Главный вывод: разница между теми, кто зарабатывает 50 долларов в час, и теми, кто зарабатывает 150, не в навыках. Ключевое отличие в том, как они себя подают и позиционируют как специалистов. Правильно оформленный профиль и портфолио, персонализированные отклики, умение грамотно выстроить диалог с клиентом — вот, что помогает выйти на новый уровень.
Я собрал весь этот  опыт и превратил его в отдельный продукт — High Earners.

Это четырехуровневая система:
🔵Оценка — тест на сайте, который за 2 минуты поможет увидеть свои слабые места.
🔵Плейбук — бесплатное руководство на 40 страниц, выжимка из опыта 300+ фрилансеров, которые преодолели отметку в $1 млн на Upwork.
🔵Разбор реального профиля с Upwork — теория из плейбука, примененная на практике. Этот материал можно использовать как гайд для самостоятельно аудита своего профиля.
🔵ИИ-тренажер — 8 модулей, после прохождения которых вы получите персонализированные рекомендации по выбору ниши, оформлению профиля, написанию откликов и формированию цен.

Если вы работаете на Upwork как фрилансер и ваши ставки давно не растут, начните с оценки. Всего за две минуты вы узнаете, что именно мешает вам зарабатывать больше.

Красоты с Tableau вам в ленту
Позалипать в пятницу и заодно порассуждать о ценности визуализаций, которые больше про творчество, чем про данные.

В комментариях под недавним постом про шпаргалку по визуализации данных отметили, что в ней много графиков, которыми на практике редко пользуются. По крайней мере, если речь идет про дашборды для бизнеса. В общем, красиво, но нефункционально.

🔜 А что скажете про визуализации вроде вот такой? Несколько видов калейдоскопов, которые можно крутить и наблюдать, как меняется рисунок. Самое то, если под конец недели на строчки кода и сообщения в Slack глаза смотреть устали.

Впечатляют такие проекты или на ваш взгляд это трата времени? В конце концов, есть, наверняка, и более подходящие платформы, чем Tableau, где можно делать такие штуки.

Страхи, что ИИ начнет массово отнимать у людей работу, оказались сильно преувеличены, но есть роль, которую он действительно начал вытеснять.

Это “переводчики данных”. Это были такие люди, которые переводили бизнес-запросы на язык SQL, а потом рассказывали руководителям, что показывают дашборды.

Теперь эту работу выполняет ИИ. У него можно просто спросить: “Почему упала выручка?” - и он сгенерирует запрос, чтобы вытащить данные из базы, сформулирует подробный отчет и посоветует, что с этим делать.

На первый взгляд кажется, что это к лучшему: данные становятся доступнее, потому что исчезает “прослойка” между ними и бизнесом. Но это радует, пока не окажется, что ИИ выдал неверный ответ, а перепроверить его было некому. Он умеет генерировать инсайты, но не может оценить, какие из них имеют реальную ценность и помогают принимать решения, а какие нет. А еще он может  оперировать корректными данными, но сделать из них неправильные выводы.

Получилось, что ИИ убрал “языковой барьер” между бизнесом и данными, но создал новую проблему: необходимость перепроверять и критически оценивать его инсайты.

🔜 Какие еще роли, на ваш взгляд, скоро вытеснит ИИ?

Microsoft разрабатывает язык для описания визуализаций данных, ориентированный на ИИ
Он называется Flint, и его главная идея в том, чтобы позволить пользователю концентрироваться на сути того, что надо отобразить на графике, не настраивая вручную детали вроде шкал, интервалов и так далее.

Ему нужны только сами данные, семантические описания полей (то есть, что они значат — отрезок времени, категория, прибыль и т. д.) и требования к оформлению:

{
  "data": {...},
  "semantic_types": {
    "game": "Category",
    "period": "YearMonth",
    "newUsers": "Profit"
  },
  "chart_spec": {
    "chartType": "Heatmap",
    "encodings": {
      "x": "period",
      "y": "game",
      "color": "newUsers"
    },
    "chartProperties": {
      "colorScheme": "redblue"
    }
  }
}

На основе этой информации, Flint создает подробную спецификацию визуализации:

{
  "data": {...},
  "mark": {
    "type": "rect",
    "width": 47
  },
  "height": {
    "step": 29
  },
  "encoding": {
    "x": {
      "field": "period",
      "type": "temporal",
      "scale": {
        "nice": false,
        "domain": [
          "2024-12-16T19:38:10.909Z",
          "2025-12-16T04:21:49.090Z"
        ]
      }
    },
    "y": {
      "field": "game",
      "type": "nominal",
      "sort": null
    },
    "color": {
      "field": "newUsers",
      "type": "quantitative",
      "scale": {
        "scheme": "redblue",
        "domain": [
          -84108,
          84108
        ],
        "domainMid": 0
      }
  ... // и еще 18 строк в таком же духе

Здесь пример для Vega-Lite, но он также работает с ECharts, Chart.js, Plotly и Excel.

За счет того, что он не просто оперирует типами данных, но и «понимает» их смысл, он и подбирает подходящие настройки вроде размера графика в целом и отдельных элементов. Если объем данных вырастет, он сможет перестроить визулизацию, чтобы она оставалась понятной и читабельной. Ее легко редактировать: чтобы изменить тип или оформление графика, надо просто внести правки в спецификацию для Flint, и он сам все переделает по новому ТЗ.

Язык ориентирован в первую очередь на ИИ-агентов. Вместо того, чтобы генерировать длинную детальную спецификацию, они могут написать намного более короткое и простое описание для Flint.

🔜 Что у него получается, можно увидеть в галерее. Как вам, кстати? 👀

ИИ-агенты вступили в сговор
В середине июля платформа Hugging Face сообщила об атаке анонимного ИИ-агента на ее инфраструктуру, который получил доступ к внутренним базам данных. Вскоре выяснилось, что за атакой стояли модели OpenAI.

Историю активно обсуждали последние несколько недель, а OpenAI и Hugging Face опубликовали свои официальные заявления с объяснением ситуации. Но на всякий случай напомним для тех, кто забыл или пропустил.

🔜 OpenAI тестировала возможности своих моделей в закрытой среде. Когда у них не получилось справиться с задачей своими силами, они приняли очень человеческое решение поискать ответ в интернете. Они нашли уязвимость, которая позволила им постепенно выбраться из своего тестового загона и выйти в сеть. Hugging Face стала жертвой атаки, потому что ИИ предположил, что именно там сможет найти модели или датасеты для решения поставленной задачи. 

То, что ИИ вырвался из изолированной тестовой среды, чтобы без разрешения пользователя взломать компанию — это уже само по себе повод для размышлений. Но оказалось, что он не просто нашел уязвимость: модели тайно сговорились друг с другом, чтобы скоординировать свои действия. 

🔜 Планировать «побег» начали еще в мае, а сообщениями обменивались через внутреннюю систему управления пакетами. 4 июля сотрудники OpenAI обнаружили и закрыли чатик, но модели нашли способ продолжить общение — на этот раз они прятали послания друг другу в именах директорий. Ну и в итоге, 16 июля добились желаемого и взломали  Hugging Face. 

Skynet близко?

Самый актуальный ИИ-бенчмарк 
Мем был слишком хорош, чтобы оставаться в комментах к предыдущему посту. 

На выходных из тестовой среды вырвались китайская Kimi K3 и принадлежащая запрещенной и экстремистской организации Meta AI. Первая просто убежала, а вторая, по примеру моделей OpenAI, взломала некую неназванную компанию. 

🔜 В связи с этими новостями энтузиаст создал Felony Bench, который ранжирует ИИ-разработчиков по количеству «киберпреступлений» их моделей. Лидируют, само собой, Anthropic и OpenAI. Ждем, когда же Gemini кого-нибудь взломает?