Аналитика каналаMaxЯндекс

Как Яндекс гонял таборы серверов Сегодня — день рождения Яндекса, нам исполняется 29 лет! Мы по такому случаю решили вспомнить и рассказать историю одного из самых сложных переездов в истории компании. В 2001 году Яндекс переселился в новый офис в вычислительном центре Академии наук на улице Вавилова в Москве. В том числе туда нужно было переместить и серверы поисковика, которые до этого три года стояли у провайдера «МТУ-Информ». Эта эпопея, как перевозку позже назовут в пресс-релизе, оказалась непростой. Вот как её в 2001-м описывал руководитель разработки портала Яндекса Дмитрий Завалишин: Задачка — перевезти Яндекс со Смоленки на Ленинский, не выключая сервиса. И желательно так, чтобы клиенты не заметили. План операции готовился более месяца. Для переезда выбрали субботу 19 февраля, когда нагрузка на поисковик была сниженной из-за выходных. Серверов было много, поэтому запросы пользователей можно было перераспределять с одного на другой. Это и было основой операции. Интересно было видеть, как по мере выключения серверов остальные начинали получать всё больше запросов. В пике они сверкали лампочками своих винчестеров почти непрерывно. Пока одни серверы работали и тянули поиск без перебоев, другие катились по Москве в фургоне сооснователя Яндекса Ильи Сегаловича. По прибытии на Вавилова их сразу подключали к сети и перенаправляли нагрузку на них. Тем временем на Смоленке уже грузили следующую партию. Вот такой короткий отпуск у компьютеров Яндекса — два часа в три года... Ну или по болезни. Тоже бывает. Перевозить этот табор было куда сложнее, чем писать об этом, но в итоге всё позади. Сейчас у Яндекса гораздо больше серверов — чтобы перевезти их тем же методом, понадобилось бы более пяти тысяч фургонов Сегаловича. Но подход к организации сохранился: в компании всегда есть запасные дата-центры, чтобы сервисы не прекращали работу, если часть серверов отключается на обслуживание или из-за неполадки. Подписывайтесь 👉 @techno_yandex

Когда к Алисе можно будет подключить GPT? И выпустит ли Яндекс свой домофон? На эти и другие вопросы читателей ответил Дмитрий Тимко — директор по продукту Алисы AI и Умных устройств Яндекса. Подписывайтесь 👉 @techno_yandex

Приложения Яндекса с Алисой AI вошли в топ-15 мобильных ИИ-приложений в отчёте крупной венчурной компании Andreessen Horowitz (a16z), обогнав DeepSeek, Grok и Perplexity. Помимо рейтингов, его авторы изучили, как меняется использование ИИ в мире. Рассказываем про пять трендов из отчёта. Лидеры выбирают разные пути Anthropic делает ставку на профессиональные задачи — от кода до науки, Google — на творчество: музыку, изображения и видео. OpenAI развивает одновременно потребительские и корпоративные инструменты и остаётся лидером рынка. За ИИ много платят немногие В американской выборке на 1% крупнейших плательщиков приходится почти пятая часть расходов на ИИ. Они тратят в среднем около $900 в месяц и чаще покупают инструменты для работы и творчества. У половины пользователей расходы — не больше $25 в месяц. Агенты берутся за поручения Помощники переходят от ответов на вопросы к выполнению поручений. Общаться с ними можно через сообщения, почту и звонки. За место персонального помощника соревнуются в том числе Dots от OpenAI и Muse от Meta*. Подписке ищут альтернативы Из 44 сервисов рейтинга, созданных вокруг ИИ, 84% предлагают подписку. Авторы отчёта видят потенциал в рекламе и комиссиях с покупок: они могут открыть доступ без ежемесячного платежа. Стартапы находят свои ниши Canva и Notion — в топ-10 веб-рейтинга. Стартапы конкурируют специализацией: Suno создаёт музыку, ElevenLabs работает с голосом. У них собственные модели под конкретные задачи. * Meta признана экстремистской организацией и запрещена в РФ Подписывайтесь 👉 @techno_yandex

Если модель говорит по-русски, это ещё не значит, что вы с ней на одной волне Каждую нейросеть нужно адаптировать под понимание и общение на конкретном языке. На примере новой открытой нейросети Яндекса Alice AI Foundation, которую обучили с нуля внутри компании, рассказываем, как ИИ прививают знание русского. Токенизация на русском LLM читают текст не по словам или буквам, а по токенам — кусочкам текста, из которых складываются промпты, размышления и ответы. Таким фрагментом может быть один символ, целое слово или его часть. Чтобы нейросеть могла нарезать текст на токены, разработчики заранее составляют для неё словарь. Собирают его автоматически: если слово часто встречается в датасете, оно получает собственный токен.  Но если обучающие материалы были, скажем, на английском, то русские слова при обработке будут дробиться на несколько токенов. И вообще один и тот же текст на разных языках превращается в разное количество токенов. Например, в Claude Opus 5 фраза «Это тестовый текст для подсчёта количества токенов на разных языках» на русском занимает 17 токенов, а на английском — всего 13. Словарь Alice AI Foundation создавали на текстах, где преобладал русский, поэтому она эффективно его токенизирует. Поэтому обработка запросов упрощается — модели требуется меньше токенов, чтобы получить результат. Она начинает читать и генерировать текст быстрее, а на оплату её работы требуется меньше денег. Заодно в контекстное окно помещается больше текста, и нейросеть дольше сохраняет память о начале переписки. Обучение на русском Материалы для обучения влияют и на то, насколько хорошо модель понимает пользователя. Смысл запросов часто зависит от страны, поэтому просто перевести английские тексты недостаточно — модель нужно обучать на русских, чтобы она понимала местные реалии и культурный код.  При этом, чтобы модель запомнила факт, его нужно пересказать несколько раз в разных формах. Например, строчку «Пётр I основал Петербург в 1703 году» для обучения превращают в реплику экскурсовода, в запись в духе исторической заметки и в вопрос с ответом.  Тестирование на русском Результат адаптации под русский язык нужно проверять на специальных тестах, основанных на популярных запросах пользователей. Для Alice AI Foundation в Яндексе разработали собственные тесты на знание истории, права, английского и общих фактов. В последней категории, к примеру, она набрала 86,5 балла против 83,2 китайской DeepSeek-V4-Flash-Base, которая в 3,5 раза больше. Alice AI Foundation получилась компактной благодаря архитектуре MoE: из 80 млрд параметров для обработки токена задействуются лишь около 3 млрд. Так модель вмещает больше знаний, но требует меньше вычислений — и на многих задачах обходит более крупные открытые нейросети. Релиз модели заметили и за рубежом, где её включили в число ключевых запусков недели. А подробнее о разработке и обучении Alice AI Foundation можно почитать в техрепорте. Подписывайтесь 👉 @techno_yandex