# Яндекс - Как мы делаем Яндекс / Статьи 1 440 статей от авторов компании Яндекс This is one page of public article previews, not the complete archive. Follow Next page to continue. Summaries are not the original full articles. ## Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU DevFeed: [Не трогая веса модели: как мы построили исследовательского агента Алисы AI и в разы сократили потребление GPU]() Original publisher: [Read original article]() Author: prohor33 (Яндекс) Published: 2026-09-14T08:01:22Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Artificial Intelligence](), [Retrieval Augmented Generation (RAG)](), [SDKs](), [Large Language Model]() Tags: [agent](), [ai](), [ai-867179ebf949](), [deepresearch](), [llm](), [rag](), [research](), [sdk](), [tag-14fcd5db6179](), [tag-1605473766c5](), [tag-6237da65686b]() ### AI overview The article describes how the Alice AI team built and deployed a Deep Research agent without changing the model weights. It traces the evolution from a reasoning mode with a multi-query RAG pipeline into a full agent capable of planning research, searching the web, handling dynamic JavaScript content, running Python code, and working with downloaded files. It also discusses production rollout, answer quality, latency, and GPU consumption. ### Source excerpt Меня зовут Прохор, я лид команды агента "Исследовать" -- это режим глубокого исследования в чате с Алисой AI. Напомню, про что вообще речь, если никогда не пользовались Deep Research: это специальный режим работы, который строит уникальный план решения задачи пользователя, делает сотни поисков по вашему запросу, умеет ходить на сайты (даже с динамическим JavaScript-контентом), писать и выполнять Python-код (для сложных расчётов), работать со скачанными файлами и так далее. Всё это для того, чтобы дать лучший ответ на ваши сложные запросы, например: "Спланируй мне путешествие в Дагестан на две недели на машине с детьми". За год агент прошёл путь от первого прототипа до продакшена -- вместе с ним менялись качество ответов, скорость работы и потребление GPU. За продуктовую часть отвечал Руслан Илиев, продакт менеджер агента: он сформулировал продуктовые цели, определил набор инструментов и валидационный набор запросов, а затем вёл запуск от закрытого вейтлиста до 100% продакшена. Как мы к этому пришли -- через выброшенный прототип, десятки слоёв обвязки и пару болезненных уроков, -- расскажу по порядку. Добро пожаловать под кат! Читать далее ## Открываем претрейн Alice AI Search: как устроена модель быстрых ответов Алисы на Поиске DevFeed: [Открываем претрейн Alice AI Search: как устроена модель быстрых ответов Алисы на Поиске]() Original publisher: [Read original article]() Author: pet67 (Яндекс) Published: 2026-09-11T06:05:13Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Artificial Intelligence](), [AI search](), [Transformers](), [Mixture of Experts (MoE)](), [Large Language Model](), [hugging face]() Tags: [agentic](), [ai](), [ai-search](), [alice-ai](), [hugging-face](), [llm](), [ml](), [moe](), [rl](), [tag-178bc8f01f24](), [tag-4004cf5948d3](), [tag-61cd5a476b1d](), [tag-d89cae10e887](), [tag-e6d9cc1f0757](), [transformers]() ### AI overview This developer article explains the Alice AI Search pipeline for generating fast answers, including its search and context-processing stages, shorter information contexts, a sparse Mixture-of-Experts architecture combined with an Encoder-Decoder, and online reinforcement learning from user behavior signals. It also announces the open release of the Alice AI-T5-35B-A0.6B Base model, with external inference available through Hugging Face Transformers while optimized production inference remains internal to Yandex. ### Source excerpt Быстрый ответ Алисы AI -- это самый массовый генеративный продукт Яндекса и первое соприкосновение с Алисой для пользователей Поиска. Даже в час пиковой нагрузки пользователь должен получить лаконичный ответ за считаные секунды. Для этого мы, команда Alice AI Search, адаптируем весь пайплайн быстрых ответов -- от собственного претрейна с кастомной архитектурой до онлайн-rl-обучения на поведенческие сигналы пользователей. В статье разберём, как устроен генеративный ответ в Поиске, и расскажем про основные улучшения июньского релиза: как мы ускорили ответы за счёт коротких инфоконтекстов, зачем совместили Encoder-Decoder с разреженной MoE-архитектурой и как обучение на реальных пользовательских сигналах повлияло на качество и использование продукта. Кроме того, мы выложили в открытый доступ обученную с нуля модель Alice AI-T5-35B-A0.6B Base с тем ограничением, что внешним пользователям доступен инференс через Hugging Face Transformers, а оптимизированный production-инференс пока доступен только внутри Яндекса. Читать далее ## Contributing to OpenSRE and Integrating It with Yandex Cloud DevFeed: [Contributing to OpenSRE and Integrating It with Yandex Cloud]() Original publisher: [Read original article]() Author: nowhere\_in\_space (Яндекс, Yandex Cloud & Yandex Infrastructure) Published: 2026-09-10T07:00:10Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [SRE](), [Cloud](), [GitHub]() Tags: [ai-e2239b5ae8fa](), [cloud](), [kubernetes](), [llm](), [opensre](), [postgresql](), [sre](), [tag-831b63de9433](), [tag-e1321f9c36de]() ### AI overview The author describes contributing to OpenSRE, an early public-alpha tool for AI SRE agents that investigate and resolve production incidents, and pursuing an integration with Yandex Cloud. The article cautions that OpenSRE's safety is not guaranteed and recommends running it without modifying permissions. ### Source excerpt Представьте: ночной алерт, приложение отдаёт пятисотки, но само оно живо. Понятно, что дальше начнётся знакомое -- вкладки с графиками, поиски в логах и попытки понять, кто и что изменил. Сколько на это обычно уходит времени? А что, если вместе с вами в инциденте будет разбираться ИИ-агент? Привет! Я Антон Воронцов, CRE в Yandex Cloud. В конце июля я в очередной раз листал свежие репозитории на GitHub, чтобы посмотреть, что происходит в моих смежных дисциплинах: SRE, автоматизациях и, понятное дело, ИИ. Вдруг я наткнулся на один интересный репозиторий, который активно рос: количество звёзд, коммиты и заинтересованные люди из разных стран -- всё это про OpenSRE. Эта статья о том, как я впервые контрибьютил во внешний проект, что стало самым сложным и как вообще работает этот инструмент. Читать далее ## Profiling a Yandex Food PHP monolith to identify CPU usage and reduce allocated cores DevFeed: [Profiling a Yandex Food PHP monolith to identify CPU usage and reduce allocated cores]() Original publisher: [Read original article]() Author: m03r (Яндекс) Published: 2026-09-08T07:31:51Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [PHP](), [cpu](), [eBPF](), [Linux]() Tags: [cpu](), [ebpf](), [haproxy](), [linux](), [perforator](), [php](), [postgresql]() ### AI overview A backend developer describes investigating unexpectedly high CPU usage in a legacy PHP monolith at Yandex Food. By profiling the application with Perforator and its PHP support, the investigation examined why CPU consumption was unusually high and how the allocated capacity could be reduced. ### Source excerpt Всем привет, меня зовут Миша, и я бэкенд-разработчик в платформе Яндекс Еды. Я уже рассказывал, как мы анализировали наш PHP-монолит и вынесли из него процессинг заказов, и с тех пор роль этого легаси заметно уменьшилась. Заодно туда стали писать гораздо меньше нового кода, релизы стали реже, и он спокойненько себе работал, не привлекая лишнего внимания. Так оно бы и продолжалось, но тут случилась повышенная нагрузка и необходимость зарезервировать побольше мощностей для беспроблемной обработки повышенного спроса. Монолит справился на отлично, но самое интересное случилось потом: возвращая выделение ресурсов к прежним значениям, я случайно обратил внимание, что RPS в пиковые вечерние часы как-то подозрительно совпадает с количеством ядер CPU, выделенных на весь монолит. Количество выделенных ядер, конечно, ещё ничего не означает, поэтому я полез смотреть реальное потребление процессорного времени, сложив CPU usage по всем подам. С помощью нехитрой арифметики я обнаружил, что 100% загрузки одного ядра приходятся на 2,5 RPS. Какое-то время я находился в состоянии глубокого изумления, после чего решил, что это никуда не годится, и отправился в увлекательное приключение на 20 минут. Немного спойлеров: дело оказалось далеко не только в PHP. Читать далее ## Что умеет ассистент по умолчанию на Android -- на примере Алисы AI DevFeed: [Что умеет ассистент по умолчанию на Android -- на примере Алисы AI]() Original publisher: [Read original article]() Author: podgaiskii (Яндекс) Published: 2026-09-04T13:15:34Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Android](), [SDK](), [Artificial Intelligence]() Tags: [ai](), [ai-867179ebf949](), [android](), [app](), [google-play](), [sdk](), [tag-4004cf5948d3](), [tag-734ada67b369](), [tag-d346fb5ae499]() ### AI overview This article explains what an Android default assistant, using Alice AI as an example, can access and do after the user selects it. It describes the role's technical permissions, limits on access to the screen and other apps, and the additional permissions or mechanisms required for capabilities such as accessing device features. ### Source excerpt На устройствах под управлением ОС Android можно выбрать ассистента по умолчанию -- почти так же, как браузер. Один раз выбираете в настройках -- и дальше открываете его системным жестом поверх любого приложения. Удобно. Казалось бы, теперь выбранный ассистент может видеть всё, что происходит на телефоне, и делать с ним что угодно... Вовсе нет. При установке Android автоматически выдаёт приложению только базовые разрешения. Для доступа к расширенным возможностям нужно отдельное разрешение пользователя, а некоторые функции обычному стороннему приложению недоступны совсем. Меня зовут Ваня, я руководитель команды Android-разработки SDK Алисы и техлид проекта дефолтного ассистента. Сегодня мы с вами разберёмся, где проходят эти границы, на примере Алисы AI. Читать далее ## Training Yandex's Alice Omnimodel to Integrate Text and Images DevFeed: [Training Yandex's Alice Omnimodel to Integrate Text and Images]() Original publisher: [Read original article]() Author: formica\_rufa (Яндекс) Published: 2026-09-03T07:03:43Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Large Language Model](), [vlm](), [Artificial Intelligence](), [Mixture of Experts (MoE)](), [qwen](), [Mercury]() Tags: [ai](), [llm](), [ml](), [moe](), [qwen](), [tag-055aee430837](), [tag-61cd5a476b1d](), [tag-831b63de9433](), [tag-86b843454893](), [tag-95a2c958e46b](), [tag-ef0b1bf200df](), [vlm]() ### AI overview Yandex describes its work on an Alice omnimodel that combines a text LLM and a visual VLM into one model for text and image interactions. The article focuses on lessons from training and alignment, including the role of MoE architecture and reinforcement learning. ### Source excerpt Ещё недавно Алиса отвечала на текст и на картинку будто двумя разными голосами. Под капотом и правда жили две генеративные модели: текстовая LLM и визуальная VLM, а между ними -- стена из непрозрачного роутинга, разных форматов ответов и разной вёрстки. Почти год мы сводили их в одну омнимодель -- такую, которая воспринимает текст и изображения как единое целое, без переключений за кадром. Получилось не всё и не сразу, но путь вышел поучительным, и в этой статье я хочу поделиться тем, что мы поняли про обучение таких моделей. Попутно -- несколько неочевидных поворотов: почему за два года до этого та же затея разваливалась, что изменила MoE-архитектура, почему омнипретрейн пришлось собирать с конца и почему один вид RL переезжает на большую модель легко, а другой рассыпается прямо на глазах. Меня зовут Алексей Григорьев, я представляю большую команду разработки омнимодели Яндекса. Вместе с моим коллегой Данилой Кашиным я расскажу про все технические грабли не со стороны наблюдателя, а как их непосредственный собиратель. Но рассказывать я буду с акцентом не на красивом замысле, а на самой болезненной части -- алайнменте. Читать далее ## How Yandex Tracker reduced its MongoDB cluster count from 70 to 7 DevFeed: [How Yandex Tracker reduced its MongoDB cluster count from 70 to 7]() Original publisher: [Read original article]() Author: onurimanov (Яндекс) Published: 2026-09-02T07:00:24Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [MongoDB](), [базы данных](), [яндекс]() Tags: [architecture](), [migration](), [mongodb](), [tag-1cd610c0e518](), [tag-39f0c170b680](), [tag-4004cf5948d3](), [tag-5335b6f99fba](), [tag-56a552acf7d0](), [tag-622612a5798e](), [tag-68e701e78517](), [tag-89f0c6f39f5d](), [tag-9d8cf70dc46c](), [tag-d189f87ebb8f]() ### AI overview A technical article describes how Yandex Tracker changed its data-storage architecture from one database per organization to a model using fewer backend clusters. The change reduced the number of backend clusters from 70 to 7 and cut resource consumption by half, while addressing operational complexity and MongoDB collection limits. ### Source excerpt Разворачивать новый кластер базы данных каждую неделю -- так себе удовольствие, особенно когда обслуживание десятков кластеров съедает время дежурных. Когда кластеров стало много, локальные аномалии стало сложнее замечать на общих дашбордах. С этой проблемой мы столкнулись в Яндекс Трекере: за год количество активных организаций и кластеров выросло вдвое, а нагрузка на сервис поднялась всего на 13%. Получилось парадоксально: потребление ресурсов и сложность эксплуатации росли вместе с числом организаций, хотя реальная нагрузка увеличивалась значительно медленнее. Читать далее ## PereStruct: Modular Pipeline and Dataset for Parsing Historical Newspapers DevFeed: [PereStruct: Modular Pipeline and Dataset for Parsing Historical Newspapers]() Original publisher: [Read original article]() Author: makSShan (Яндекс, Yandex Cloud & Yandex Infrastructure) Published: 2026-09-01T07:05:21Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Artificial Intelligence](), [яндекс](), [vlm]() Tags: [ai](), [ai-studio](), [bleu](), [computervision](), [ocr](), [perestruct](), [rouge](), [tag-4004cf5948d3](), [tag-65c8d6d9e736](), [tag-9bf5e01ce62e](), [tag-d27a0708d400](), [vision](), [vlm](), [yandex-ai-studio](), [yolo]() ### AI overview The article presents PereStruct, a modular pipeline for reconstructing articles from historical newspaper scans. It combines YOLO-based layout detection, Yandex Vision OCR, Yandex AI Studio models for error correction, and a semantic model for assembling article blocks; the authors also publish code, an annotated dataset, and a benchmark. ### Source excerpt Попробуйте открыть скан советской газеты и прочитать одну статью от начала до конца. Человек быстро замечает крупный заголовок, продолжение в соседней колонке и подпись под фотографией. Для алгоритма перед ним -- это выцветшая страница с десятками тесно расположенных прямоугольников, нестандартными шрифтами и неоднозначным порядком чтения. Даже если OCR правильно распознаёт почти все слова, на выходе ещё не получится документ. Нужно понять, какие фрагменты относятся к одной статье, где её начало, в каком порядке соединить блоки и что не следует включать в основной текст. Мы разработали PereStruct -- модульный пайплайн для разбора исторических газет. Он объединяет детектор вёрстки на базе YOLO, Yandex Vision OCR, коррекцию ошибок с помощью моделей Yandex AI Studio и отдельную модель семантической сборки статей. Вместе с кодом мы публикуем размеченный датасет и бенчмарк, чтобы другие команды могли изучать подход и ставить эксперименты на исторических документах. Читать далее ## Кому верит Яндекс Браузер и как попасть в этот список: запускаем Yandex Browser Root Certificate Program DevFeed: [Кому верит Яндекс Браузер и как попасть в этот список: запускаем Yandex Browser Root Certificate Program]() Original publisher: [Read original article]() Author: Ilya\_Golubtsov (Яндекс) Published: 2026-08-28T08:00:27Z Content type: release Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [browser](), [яндекс](), [Certificate Transparency](), [Chromium](), [API]() Tags: [api](), [browser](), [certificate-transparency](), [chromium](), [tag-2b4427fb2566](), [tag-4004cf5948d3](), [tag-4d5248fd6bfe](), [tag-d8952f30fc4a](), [tag-dfac9042ce7b]() ### AI overview Yandex opens the Yandex Browser Root Certificate Program, a public process for adding root certificates to the browser's trust store. The article explains its participation requirements, auditing process, WebPKI controls, and the browser's use of Chromium-derived trust data and separate Certificate Transparency logs. ### Source excerpt За 15 лет WebPKI -- экосистема доверия между сайтами и пользователями -- сильно выросла. Появились технологии, которые делают это доверие более прозрачным и проверяемым, изменились подходы к управлению, а многие процессы стали автоматическими: выпуск и обновление сертификатов, публичный аудит через Certificate Transparency и другие механизмы. И, конечно, в истории WebPKI были серьёзные инциденты безопасности, которые показали: правила доверия должны быть публичными, прозрачными и проверяемыми. Однако один вопрос не решается автоматически: кому браузер должен доверять и на каких условиях. Каждый вендор определяет это сам. Поэтому мы открываем Yandex Browser Root Certificate Program -- публичную программу добавления корневых сертификатов в хранилище Яндекс Браузера. В ней описаны требования к участникам, аудит и понятная процедура подачи заявки. Под катом рассказываем, какие требования нужно выполнить и как в Браузере устроены WebPKI и связанные с ними контроли безопасности. Читать далее ## Using snapshot tests to prevent accessibility regressions in a Jetpack Compose Android app DevFeed: [Using snapshot tests to prevent accessibility regressions in a Jetpack Compose Android app]() Original publisher: [Read original article]() Author: ithersta (Яндекс) Published: 2026-08-27T07:05:12Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Compose](), [Android](), [яндекс]() Tags: [android](), [compose](), [jetpack](), [jetpack-compose](), [qa](), [tag-4004cf5948d3](), [tag-e69b694e3ce2](), [tag-f538878e20ff]() ### AI overview The article explains how the Yandex Mail Android team uses snapshot tests with Jetpack Compose to detect accessibility regressions. It describes Compose semantics, TalkBack, and why manual accessibility checks are insufficient as screens and shared components grow. ### Source excerpt Почта -- массовый продукт, которым пользуются самые разные люди, и поэтому он должен быть максимально доступен. Нам важно, чтобы приложение Яндекс Почты было удобно каждому, в том числе людям с особенностями зрения. На телефонах с Android за доступность для людей с особенностями зрения отвечает TalkBack -- функция озвучивания экрана, которая зачитывает текст, роль и состояние всех размеченных элементов на экране и позволяет с ними взаимодействовать. Если разметка сломается, приложением будет пользоваться сильно сложнее или вообще невозможно. Читать далее ## What I Saw at ICML 2026 DevFeed: [What I Saw at ICML 2026]() Original publisher: [Read original article]() Author: zj-karina (Яндекс) Published: 2026-08-25T07:01:28Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Machine learning](), [Artificial Intelligence](), [Large Language Model]() Tags: [ai](), [icml](), [icml-2026](), [llm-agents](), [ml](), [rlhf](), [tag-316edb31b5b3](), [tag-44d9110ce940]() ### AI overview A Yandex developer reports from ICML 2026 in Seoul, describing the conference format, its scale, Yandex research presented there, and discussions about AI agents. ### Source excerpt Зачем тратить сутки на перелёты, мчаться на другой конец света и жить неделю в режиме нон-стоп на одной из главных ML-конференций планеты, когда пейпер уже на arXiv, код -- на GitHub, а краткие выжимки из выступлений -- мгновенно в соцсетях? Меня зовут Карина Романова, я разработчик в Яндексе и занимаюсь LLM-агентами в Алисе. В июле мы с командой прилетели в Сеул на ICML 2026, и я ответила себе на вопрос "зачем?". Для нас офлайн-конференции -- это единственный способ за несколько дней прочувствовать реальный фокус сообщества, встретиться с авторами работ и узнать детали, которых нет в опубликованных текстах. В этой статье расскажу, как устроена ICML изнутри, чем запомнилась программа этого года, какие наши исследования вызвали наибольший ажиотаж и почему заметная часть разговоров на конференции снова вращалась вокруг AI-агентов. Читать далее ## How Omit Can Collapse TypeScript Union Types into an Empty Object DevFeed: [How Omit Can Collapse TypeScript Union Types into an Empty Object]() Original publisher: [Read original article]() Author: Zlaylink (Яндекс) Published: 2026-08-19T07:23:14Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [TypeScript](), [ide]() Tags: [distributive](), [ide](), [omit](), [tag-39f0c170b680](), [typescript]() ### AI overview This tutorial explains how applying TypeScript's Omit utility to union types can produce an empty object type instead of preserving each union branch. Using a user-data example and event interfaces, it describes how this can remove useful type checking and autocomplete, and introduces type distributivity as the underlying concept. ### Source excerpt Представьте ситуацию: вы выкатываете новую фичу, а бэкендер спрашивает вас: "Слушай, а почему вместо событий -- пустой объект?". Вы в шоке: "Как так -- пустой объект? У меня же TypeScript, всё типизировано, такого не могло быть!". Спойлер -- могло. Меня зовут Денис Платонов, я старший разработчик интерфейсов в Телемосте и я отвечаю за on-premise развёртывание веб-клиента Телемоста в инфраструктуре заказчика. В этой статье я расскажу о том, как безобидный на первый взгляд Omit превратил наш аккуратный тип событий в пустой объект. Заодно разберём, как работает дистрибутивность типов в TypeScript и поделимся, чему нас научил этот кейс. Читать далее ## C++29 -- начало. Встреча ISO C++ в Брно DevFeed: [C++29 -- начало. Встреча ISO C++ в Брно]() Original publisher: [Read original article]() Author: antoshkka (Яндекс) Published: 2026-08-17T07:01:31Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [C++](), [floating-point](), [implementation]() Tags: [c-plus-plus](), [c-plus-plus-29](), [floating-point](), [fmt](), [format](), [implementation](), [iso](), [standard](), [standard-library](), [tagged-pointers](), [thread](), [threads](), [undefined-behavior](), [undefined-behaviour]() ### AI overview A report on the ISO C++ committee meeting in Brno, where work on C++29 began. It describes plans to organize and clarify documented undefined behavior and ill-formed-no-diagnostic-required cases, along with changes involving constexpr floating-point evaluation and other language rules. ### Source excerpt Привет! На связи Антон Полухин из Техплатформы Городских сервисов Яндекса. Недавно в Брно состоялась встреча международного комитета по стандартизации языка программирования C++, в которой я принимал активное участие. В этот раз началась работа над C++29 и как раз о новинках и хочется рассказать. Читать далее ## Go SDK для YDB: уменьшаем количество запросов к СУБД для интерактивных транзакций DevFeed: [Go SDK для YDB: уменьшаем количество запросов к СУБД для интерактивных транзакций]() Original publisher: [Read original article]() Author: spesternikov (Яндекс, Yandex Cloud & Yandex Infrastructure, YDB) Published: 2026-08-13T13:23:34Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Go](), [SDKs](), [Transactions](), [Remote Procedure Call (RPC)]() Tags: [go](), [rpc](), [sdk](), [tag-8288660a1e40](), [tag-89f0c6f39f5d](), [tag-d4be1d74f775](), [transactions](), [ydb]() ### AI overview This Russian-language technical article explains how Yandex's YDB Go SDK reduces network round-trips for interactive transactions. It describes combining transaction startup with the first query through Lazy Transactions and notes that the improvements were included in Go SDK releases v3.126.0 and v3.126.5. ### Source excerpt Привет, Хабр! Меня зовут Степан Пестерников, мы с командой делаем Алису и активно используем СУБД Яндекса. Недавно коллеги из YDB провели большой рефакторинг в YDB Go SDK, где по умолчанию теперь используется новый Query Service. Я воспользовался этим рефакторингом, чтобы уменьшить количество сетевых запросов от SDK к YDB. Клиентские SDK устанавливают к распределённой СУБД Яндекса gRPC-подключения, поверх которых отправляются низкоуровневые команды. Какие-то из этих команд можно объединять: например, команду начала транзакции и выполнения первого запроса. В статье я покажу фрагменты кода и расскажу, как мы делали улучшения, которые вошли в релизы v3.126.0 и v3.126.5 Go SDK. Фрагменты кода получились небольшие, и на их примере удобно показать, как этими оптимизациями пользоваться. Читать далее ## Как мониторить Java-приложения: метрики, алерты и правило 80/20 DevFeed: [Как мониторить Java-приложения: метрики, алерты и правило 80/20]() Original publisher: [Read original article]() Author: atushkanova (Яндекс) Published: 2026-08-12T07:01:43Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Java](), [яндекс]() Tags: [devops](), [java](), [site-reliability-engineering](), [sre](), [tag-4004cf5948d3](), [tag-617c72e79812](), [tag-622612a5798e](), [tag-65aad6d83235](), [tag-73eb9b712998](), [tag-7568ee66754b](), [tag-a6a98345cb30](), [tag-b92bf5906bbd]() ### AI overview This article explains how to monitor Java applications using a focused set of technical metrics, useful alerts, business metrics, SLOs, and anomaly analysis. It presents an 80/20 approach and warns that excessive metrics and flapping alerts create information noise. ### Source excerpt Хороший мониторинг помогает быстро понять, что происходит с приложением и куда смотреть в первую очередь. Для этого не нужно пытаться измерить всё: базовый набор технических метрик покрывает большинство типовых проблем, а бизнес-метрики, SLO и анализ аномалий помогают заранее замечать нетипичные отклонения. В Календаре мы называем этот подход правилом 80/20. Всем привет! Меня зовут Настя, я бэкенд-разработчик в Яндекс 360 и отвечаю за надёжность Календаря. В этой статье я покажу, какие метрики стоит взять за основу, как выбирать полезные алерты и чем дополнять базовый набор для оставшихся 20%. Читать далее ## Yandex Cloud and ASPiRRe Develop an AI Agent for Remote Monitoring in Pediatric Rheumatology DevFeed: [Yandex Cloud and ASPiRRe Develop an AI Agent for Remote Monitoring in Pediatric Rheumatology]() Original publisher: [Read original article]() Author: yuliabusygina (Яндекс, Yandex Cloud & Yandex Infrastructure) Published: 2026-08-11T10:42:22Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Cloud]() Tags: [cloud](), [healthtech](), [llm](), [rag](), [tag-4e98b1137df6](), [tag-73eb9b712998](), [tag-cfc8bc61862b]() ### AI overview The article describes an AI agent developed by Yandex Cloud, the Association of Pediatric Rheumatologists (ASPiRRe), and an ITMO student for a remote-monitoring system in pediatric rheumatology. The available evidence says the model is limited to two narrow tasks, while risk decisions are handled by deterministic rules. ### Source excerpt В России около 70 тысяч детей и подростков страдают от ревматических патологий. Это группа заболеваний, при которых иммунная система даёт сбой и атакует собственные ткани -- чаще всего суставы. Примерно раз в год ребёнку положена госпитализация в федеральный центр, чтобы проверить состояние и убедиться, что конкретный тип терапии работает. Однако, когда ребёнок возвращается в родной город, рядом может не быть ни одного врача, который знает, что делать с этой терапией. На связи Юлия Шеянова, менеджер проектов в здравоохранении, Центр технологий для общества Yandex Cloud. В этой статье расскажу, как мы в Yandex Cloud вместе с Ассоциацией детских ревматологов (ASPiRRe) и студентом ИТМО сделали ИИ-агента для системы дистанционного мониторинга. Ниже -- как он устроен и почему мы доверили модели только две узкие задачи, а все решения о рисках вынесли в детерминированные правила. Читать далее ## How Yandex combined image and document text signals for image-search ranking DevFeed: [How Yandex combined image and document text signals for image-search ranking]() Original publisher: [Read original article]() Author: nikolaevkona (Яндекс) Published: 2026-08-10T08:00:19Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [яндекс](), [vlm](), [Image](), [realtime]() Tags: [image](), [machine-learning](), [ml](), [realtime](), [tag-4004cf5948d3](), [tag-8be2dbf54d97](), [vlm](), [yandex-e983188bc433]() ### AI overview Yandex describes using multimodal vision-language models to jointly assess an image and its associated document text for image-search ranking. The team distilled a larger model into lighter models for different pipeline stages and reports deployment in real-time search. ### Source excerpt Исторически в Яндекс Картинках релевантность документа оценивалась по двум сигналам: насколько запросу подходит само изображение и насколько -- текст, связанный с этим изображением. Такой подход позволяет учесть контент картинки и не провалиться на визуально трудноотличимых объектах, однако он же порождает проблему: в "серой зоне", когда текстовая релевантность не сонаправлена с картиночной, становится неочевидно, как именно агрегировать сигналы в финальный скор релевантности. Привет! Я Константин Николаев, занимаюсь внедрением нейротехнологий в Поиске по картинкам. В этой статье я расскажу, как наша команда научила модели смотреть на картинку и читать текст документа одновременно: начали с тяжёлой мультимодальной VLM ради максимального качества, а затем дистиллировали её в набор лёгких моделей -- по одной под каждую стадию пайплайна. Что из этого удалось довести до realtime-поиска с десятками тысяч запросов в секунду и как совместный анализ двух модальностей добавил 5% релевантных картинок в топ выдачи -- под катом. Читать далее ## How Yandex explains Android mechanisms in Yandex Browser and the Yandex app DevFeed: [How Yandex explains Android mechanisms in Yandex Browser and the Yandex app]() Original publisher: [Read original article]() Author: BarakAdama (Яндекс) Published: 2026-08-07T13:01:54Z Content type: opinion Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Android](), [Chromium](), [SDK](), [Google Play]() Tags: [android](), [chromium](), [google-play](), [sdk](), [tag-2b4427fb2566](), [tag-4004cf5948d3]() ### AI overview This article responds to an earlier analysis of Yandex Browser and the Yandex Android app. It explains that some observed methods, permissions, and network calls are standard Android, Chromium, voice-assistant, or payment-SDK mechanisms, while noting that the original analysis did not specify app versions. ### Source excerpt На днях на Хабре вышла статья с разбором Яндекс Браузера и приложения Яндекс для Android. Автор сделал несколько выводов о работе приложений на основе анализа кода. Часть наблюдений в статье действительно описывает существующие механизмы, однако их назначение интерпретируется неверно. Во многих случаях речь идёт не о специфике Яндекса, а о стандартных механизмах Android, Chromium, работе современных голосовых помощников или платёжных SDK. При реверс-инжиниринге мобильного приложения очень легко увидеть большое количество подозрительно выглядящих методов, разрешений и сетевых вызовов. Намного сложнее понять, зачем они существуют и как используются на самом деле. Поэтому мы решили разобрать основные тезисы статьи и объяснить, как эти механизмы работают на практике. Сразу оговоримся: автор не указал версии приложений, которые анализировал, поэтому в точности воспроизвести его опыт невозможно. Для разбора мы использовали актуальные версии Яндекс Браузера и приложения Яндекс из Google Play. Все описанные ниже механизмы можно проверить самостоятельно. Читать далее ## Как мы вынесли алгоритм ценообразования из кода Яндекс Такси (и почему это не было очевидно с самого начала) DevFeed: [Как мы вынесли алгоритм ценообразования из кода Яндекс Такси (и почему это не было очевидно с самого начала)]() Original publisher: [Read original article]() Author: glebf123321 (Яндекс) Published: 2026-08-05T07:05:00Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [яндекс]() Tags: [c-plus-plus](), [tag-1e4ee1f65f5a](), [tag-3670787a9009](), [tag-4004cf5948d3](), [tag-8fc3b37d0ab6](), [yaml]() ### AI overview Yandex describes how it extracted the Yandex Taxi pricing algorithm from service code. The article covers pricing across the ride lifecycle, why a ready-made scripting language was not used, the price-transformation chain, and the need for a formal verifier. ### Source excerpt Когда вы открываете Яндекс Go для заказа такси и вводите адрес, приложение за доли секунды показывает цену. Кажется, что это несложно: Кажется, что это несложно: взять расстояние и время в пути, умножить их на значения из тарифа. На самом деле, за этой ценой стоит не один десяток факторов -- например, скидки, спрос, геозоны. И это ещё без учёта того, что пассажир взял с собой кота или лыжи. В этой статье -- о том, как мы вынесли алгоритм ценообразования из кода сервиса, почему не взяли готовый скриптовый язык, что такое цепочка преобразований цены и зачем нам понадобился формальный верификатор. Читать далее ## Чем запомнилась ICRA 2026: Reinforcement Learning, генерация сложных сценариев поведения и будущее робототехники DevFeed: [Чем запомнилась ICRA 2026: Reinforcement Learning, генерация сложных сценариев поведения и будущее робототехники]() Original publisher: [Read original article]() Author: egavolk (Яндекс) Published: 2026-08-04T08:00:45Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Reinforcement learning](), [Robotics](), [Simulation](), [Machine learning]() Tags: [2026](), [icra](), [ml](), [reinforcement-learning](), [rl](), [robotics](), [simulation](), [tag-511fbf58fd45](), [tag-6faff4be08e9](), [tag-d704a344cc75](), [tag-dace475544fb]() ### AI overview The article reviews notable trends, papers, and engineering trade-offs discussed at ICRA 2026, with emphasis on reinforcement learning, autonomous-vehicle perception and planning pipelines, simulation, rare edge-case generation, and robotic learning. It also discusses award-winning work on manipulation, humanoid robots, and camera-conditioned policy learning. ### Source excerpt Привет, Хабр! В начале июня в Вене прошла главная международная конференция по робототехнике и автономным системам -- International Conference on Robotics and Automation (ICRA). В этом году среди участников была и наша команда автономного транспорта Яндекса. Топиков, которые обсуждаются на ICRA, много, потому что она не только об ML -- она скорее о робототехнике в целом. Например, есть секции о механизмах и дизайне, а также о медицинских роботах. Было немало и чисто инженерных работ. Ключевой топик докладов на конференции -- RL, он же Reinforcement Learning, обучение с подкреплением. Также нас интересовали статьи по классическому пайплайну автономного автомобиля: perception + prediction + planner + simulation. Новые подходы к Robotic Learning тоже интересны, так как их можно перенести на задачи автономного транспорта. Меня зовут Егор Волков, я занимаюсь претрейном модели планирования движения в автономном транспорте Яндекса. Вместе со мной на конференцию ездил Максим Спорышев -- руководитель службы поведения и предсказания движения. В этой статье мы собрали самые интересные тренды, доклады и инженерные развилки, которые заметили на ICRA 2026, -- от Reinforcement Learning и генерации редких edge-кейсов до того, куда вообще двигается ML в робототехнике. Читать далее ## How Yandex Cloud built and open-sourced Farm for preview environments DevFeed: [How Yandex Cloud built and open-sourced Farm for preview environments]() Original publisher: [Read original article]() Author: DakEnviy0 (Яндекс, Yandex Cloud & Yandex Infrastructure) Published: 2026-07-30T07:29:36Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Docker](), [Kubernetes](), [Self-hosted](), [Development](), [Node.js]() Tags: [dev](), [docker](), [farm](), [frontend](), [js](), [kubernetes](), [node](), [node-js](), [preview](), [preview-87a227230297](), [self-hosted](), [tag-4004cf5948d3](), [tag-92292b2c626f](), [tag-e6d9cc1f0757]() ### AI overview The article describes how Yandex Cloud developed Farm, a service that creates preview environments for pull requests. It traces the system's evolution from a self-hosted script on one virtual machine to an orchestrator using Docker and Kubernetes, and explains the motivation for open-sourcing it. ### Source excerpt Каждый пул-реквест хочется не просто проверить тестами, а показать вживую -- дизайнеру, менеджеру, соседней команде, чтобы все они смогли потыкаться в UI -- порадоваться, понаходить баги -- порасстраиваться. Казалось бы, что сложного: поднял окружение и дал ссылку. Но когда пул-реквесты сыпятся десятками в день, а команд целое множество, "просто поднять окружение" превращается в отдельный инфраструктурный проект. Привет, Хабр! Меня зовут Михаил Гольбах, я ведущий разработчик интерфейсов Yandex Cloud. Уже несколько лет мы с командой развиваем Ферму -- сервис, который поднимает preview-окружение под каждый пулл-реквест. В этой статье расскажу, как Ферма выросла из простого self-hosted-скрипта на одной виртуальной машине в оркестратор на Docker и Kubernetes и почему в итоге мы открыли её код. Читать далее ## Как мы описали 15 000 таблиц за полгода вместо 500 за год -- и перестали писать документацию руками DevFeed: [Как мы описали 15 000 таблиц за полгода вместо 500 за год -- и перестали писать документацию руками]() Original publisher: [Read original article]() Author: rgridnev (Яндекс) Published: 2026-07-29T07:03:01Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Large Language Model](), [.env]() Tags: [dwh](), [llm](), [tag-0d83e6fe8cd5](), [tag-32a4c9a0ec10](), [tag-61cd5a476b1d](), [tag-9d8cf70dc46c](), [tag-dc23c7266507]() ### AI overview Yandex describes using an LLM to generate draft documentation for data tables, giving analysts a starting point instead of a blank page. Over six months, the approach produced descriptions for 15,000 tables compared with 500 tables documented manually over a year, saving about five years of analyst work. The article also discusses how documentation quality varies across DWH data, analyst data, and raw logs. ### Source excerpt Годы идут, но что-то остаётся неизменным: писать документацию никто не любит, но тем не менее все почему-то ругают тех, кто её не пишет. В Яндексе одних только таблиц с данными -- десятки миллионов, общим объёмом в экзабайты данных. Даже когда мы оставляем из всего этого количества только самое востребованное, остаётся несколько десятков тысяч таблиц, которые кто-то должен описать словами: что внутри, откуда взялось, можно ли этому доверять. Без таких описаний аналитик не находит данные через поиск, не понимает, что лежит в таблице, и заново собирает то, что уже собрал коллега. И страдает не только человек: ИИ-агенты, которые всё чаще сами решают аналитические задачи, на неописанных данных также теряют в качестве -- чем меньше известно про таблицу, тем хуже результат. Год мы уговаривали людей описывать таблицы вручную -- и собрали описания всего на 500 таблиц из 40 тысяч. Если описывать все данные с такой скоростью (при учёте, что постоянно появляются новые) -- страшно представить, на сколько десятков лет мог бы растянуться этот процесс. Меня зовут Роман Гриднев, я технический менеджер в Яндексе. Расскажу, как мы научились не писать документацию. "Не писать-то все могут", -- скажете вы. Но мы подключили к задаче LLM и дали людям вместо чистого листа черновик: пусть с ошибками, зато не пустую страницу, которая пугает. За полгода мы так описали 15 тысяч таблиц и сэкономили около пяти лет рабочего времени аналитиков. Со временем качество черновиков от LLM доросло до почти полного соответствия описаниям, сделанным людьми. Читать далее ## How Yandex is building a cloud platform for smart-home devices without a hub DevFeed: [How Yandex is building a cloud platform for smart-home devices without a hub]() Original publisher: [Read original article]() Author: IvanovVadimVladimirovich (Яндекс) Published: 2026-07-28T08:00:37Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Internet of things](), [cpu](), [TLS (Transport Layer Security)]() Tags: [cloud](), [cpu](), [embeded](), [iot](), [smartdevices](), [tag-4d6d71beb3c0](), [tag-cf299fffcf93](), [tls]() ### AI overview This developer article describes Yandex's new smart-home device platform, designed to operate without a mandatory hub and support more than one million active devices. It covers BLE-based commissioning, a single cloud connection, a single-threaded execution model, and reconnection handling for unreliable home networks. ### Source excerpt Убрать обязательный хаб из умного дома -- звучит как продуктовое решение. На практике в этой формулировке спрятано много неприятной инженерии. Устройство должно само войти в экосистему, само держать долгоживущее облачное соединение, само обновляться -- в общем, всё делать без посредника. И это на железе с ограниченной памятью и слабым CPU, в домашней сети, которая в любой момент может пропасть. На таком масштабе каждый лишний TLS-коннект, каждая дополнительная аллокация, каждый хрупкий ретрай начинает стоить по-настоящему дорого. Мощным бэкендом здесь не поможешь: ограничение -- на клиентской стороне. Поэтому мы шли в обратную сторону: последовательно убирали лишнюю сложность на каждом слое -- от заводского контура до транспортного канала. Мы строим новую платформу для устройств умного дома Яндекса, которая должна держать больше миллиона активных устройств. В этой статье -- про конкретные решения: комиссионинг без хаба, один канал вместо зоопарка соединений, однопоточную модель исполнения и дисциплину переподключений на плохой сети. Читать далее ## Adding new quick commands to a smart speaker without degrading existing commands DevFeed: [Adding new quick commands to a smart speaker without degrading existing commands]() Original publisher: [Read original article]() Author: khaymon (Яндекс) Published: 2026-07-23T09:00:04Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [яндекс](), [asr](), [cpu]() Tags: [asr](), [continual-learning](), [cpu](), [deep-learning](), [keyword-spotting](), [machine-learning](), [speech-processing](), [tag-355bb785df82](), [tag-4004cf5948d3](), [tag-8483d32db3b1](), [tag-967d8467ce56](), [tag-9c1e53a23032](), [tag-a1312fd2c7ff](), [tag-d14eb265d33e](), [tag-d346fb5ae499]() ### AI overview The article discusses Yandex's compact on-device neural model for recognizing Alice quick commands. It covers adding track-rating and Bluetooth commands while aiming to preserve performance on existing commands and limit device resource use. ### Source excerpt Чтобы дать команду умной колонке, не обязательно говорить активационное слово "Алиса": есть быстрые команды -- короткие фразы, с помощью которых можно управлять музыкой, громкостью или умным домом. Например, чтобы переключить трек, достаточно просто сказать "дальше", а чтобы убавить звук -- "тише". Весь список команд можно посмотреть в настройках вашего аккаунта в приложении "Дом с Алисой". Быстрые команды удобнее не только пользователям, но и системе: запросы через слово "Алиса" требуют обращения к модели распознавания речи ASR, которой из-за её размеров необходимы серверные вычислительные ресурсы, а модель быстрых команд устроена гораздо компактнее. Она работает прямо на устройстве, а значит, ограничена вычислительными ресурсами самой колонки -- её CPU и оперативной памятью. Из-за этого модель нельзя сильно увеличить: ей приходится оставаться компактной, зато запрос обрабатывается быстрее. За распознавание быстрых команд отвечает нейросеть. Её архитектура почти полностью совпадает с решением для наушников Яндекс Дропс, которое подробно описал в своей статье Григорий Афанасенко. Разница в основном в масштабе: наша модель весит всего от 0,5 до 1,5 МБ в зависимости от железа конкретного устройства. Со временем перед нами встала задача добавить к базовым командам "лайк" и "дизлайк" для управления треками, а также команды "включи блютус" и "выключи блютус". Особенно это актуально для Станции Стрит, которую часто берут с собой на природу, где нет интернета. Но главным было гарантировать абсолютное отсутствие ухудшения на уже запущенных командах и не слишком сильно увеличивать потребление ресурсов на устройстве. Читать далее [Next page]()