Большие языковые модели (LLM) демонстрируют впечатляющие возможности в генерации кода, но их применение в сложных проектах часто сталкивается с проблемами надежности и консистентности. Рассмотрим Interoperable Literate Programming (ILP) — новый подход, использующий принципы грамотного…
Павел на конференции DevOps Conf Павел Селиванов четыре года зарабатывал игрой на контрабасе, бас-гитаре и тубе, а затем ушел в ИТ. Сейчас он архитектор и Developer-адвокат в VK Cloud Solutions, учит других специалистов работе с Kubernetes и выступает на конференциях. В этом интервью: как Паша готовится к выступлениям за четыре часа и почему не боится облажаться на публике. Павел Селиванов выступает 9 декабря на VK Kubernetes Conference, здесь можно посмотреть программу конференции. Читать дальше →
Проблемы качества базы данных LLM[1] и необучаемости LLM в силу ограничения размеров контекстного окна сводятся к одной проблеме никак с LLM не связанной – оценке доверия к публикациям и их авторам вообще. Вторая проблема – LLM не умеет решать простые логические задачи легко решаемые
Исследователи Anthropic собрали LLM-агента, который читает код Python-библиотек, сам формулирует свойства, пишет property-based тесты на Hypothesis и ищет контрпримеры. В результате он нашёл баги в NumPy, aws-lambda-powertools, tokenizers и других проектах — часть патчей уже приняли мейнтейнеры. Разбираемся, как работает такой агент, почему property-based тестирование хорошо подходит для LLM и где у подхода пока границы. Читать далее