# яндекс Published articles for 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. ## В "Яндекс Картах" теперь можно без подключения к интернету построить все виды маршрутов через офлайн-карту DevFeed: [В "Яндекс Картах" теперь можно без подключения к интернету построить все виды маршрутов через офлайн-карту]() Original publisher: [Read original article]() Author: denis-19 Published: 2026-09-16T13:13:24Z Content type: news Language: ru Sources: [Tagir Valeev]() Topics: [яндекс]() Tags: [tag-4004cf5948d3](), [tag-dc72006826d6]() ### AI overview Yandex Maps now supports offline navigation for public transport, cars, bicycles, and pedestrians. Users must download a regional offline map in advance; public transport schedules are updated weekly when the app reconnects to the internet. ### Source excerpt В "Яндексе" сообщили, что в "Яндекс Картах" стали доступны без интернета все виды навигации. В офлайн-режиме геосервис теперь умеет прокладывать путь на общественном транспорте (автобусе, трамвае и других видах ОТ, включая просмотр остановок, пересадок, расписания и времени в пути), на автомобиле, на велосипеде и в режиме пешехода. 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 ## 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 ## 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 ## 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 ## 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 ## 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 ## 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 ## Куда уходит память? Семплирующее профилирование колонок с Алисой в проде DevFeed: [Куда уходит память? Семплирующее профилирование колонок с Алисой в проде]() Original publisher: [Read original article]() Author: Cthutq66a (Яндекс) Published: 2026-07-16T07:02:46Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Linux](), [c/c++]() Tags: [arm](), [c](), [c-plus-plus](), [linux](), [memory](), [perfetto](), [perforator](), [tag-2d1d9199270a](), [tag-4004cf5948d3](), [tag-967d8467ce56](), [tag-d346fb5ae499]() ### AI overview The article explains how Yandex analyzes memory consumption in production across Linux smart speakers with Alice. It focuses on inexpensive sampling of dynamic allocations because the devices have limited memory and full allocation tracing is too costly. The article compares tools such as Perfetto with heapprofd and Perforator and describes constraints including memory, flash storage, and 32-bit ARM compatibility. ### Source excerpt Типичная умная колонка с Алисой -- это скромное железо и совсем немного оперативной памяти: у младших моделей её всего 256 МБ на всё устройство сразу. И за каждый мегабайт идёт настоящая борьба между множеством команд и компонентов: бизнес-логикой, обработкой звука, локальными нейросетями. Ежедневно мы собираем и анализируем memory-дампы с миллионов колонок -- нам важно понимать, куда уходят эти драгоценные мегабайты. Меня зовут Сергей, я работаю в команде, которая пишет прикладной код на C/C++ для умных устройств с Алисой (например, колонок, телевизоров и автомобилей). Под катом расскажу, как мы построили и используем инструмент для анализа потребления памяти в проде на нашем флоте Linux-колонок. Читать далее ## How Yandex adapted Apple Mac mini computers for data-center racks DevFeed: [How Yandex adapted Apple Mac mini computers for data-center racks]() Original publisher: [Read original article]() Author: AksyonovV (Яндекс, Yandex Cloud & Yandex Infrastructure) Published: 2026-07-15T07:00:29Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Mac Mini](), [iOS](), [macOS]() Tags: [apple](), [ios](), [mac-mini](), [macos](), [tag-33a216c63a9d](), [tag-4004cf5948d3](), [tag-4b03cb5e45cd](), [tag-4b255a113e08](), [tag-7d3192731afc]() ### AI overview The article describes how Yandex adapted standard Apple Mac mini computers for installation in data-center server racks. The systems provide internal developers with testing environments for iOS and macOS applications, including centralized management and data-center cooling considerations. ### Source excerpt Всем привет! На связи Владимир Аксёнов, руководитель группы IT-поддержки дата-центра в Yandex Infrastructure. На Хабре я уже рассказывал об эволюции IT-оборудования в дата-центрах Яндекса, показывал наши собственные стоечные решения и делился опытом, как мы тестируем комплектующие для стоек. Но история с сосисками в дата-центре -- не единственная интересная инженерная задача, были ещё и яблоки! А под яблоками я имею в виду оборудование Apple, поскольку нашим внутренним пользователям-разработчикам регулярно необходима среда для тестирования приложений под целевые платформы. И если под Windows, Android и Linux создать такую песочницу нетрудно, то с iOS и MacOS сложность в том, что необходимое оборудование Apple не выпускается в виде серверных решений для дата-центров. В этой статье я расскажу, как мы адаптировали обычные Apple Mac mini для установки в серверные стойки под внутренние песочницы. А также покажу, почему для этого нам потребовалось напрячь двух производителей комплектующих и удостовериться, что даже в условиях "сауны" горячего коридора ни одно устройство не превратится в печёное яблоко. Читать далее ## Помочь пользователю открыть новое: как мы боролись с замкнутым кругом рекомендаций в Яндекс Лавке DevFeed: [Помочь пользователю открыть новое: как мы боролись с замкнутым кругом рекомендаций в Яндекс Лавке]() Original publisher: [Read original article]() Author: ramilboiarchenkov (Яндекс) Published: 2026-07-07T07:02:47Z Content type: tutorial Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Machine learning]() Tags: [discovery](), [exploration](), [machine-learning](), [ml](), [tag-4004cf5948d3](), [tag-b0a411324cb6](), [tag-b2cbb9058e3c]() ### AI overview This article explains how the Yandex Lavka team addressed the feedback loop in recommendation systems, which can overemphasize familiar products and limit discovery. It describes personalized exploration of unfamiliar products and discusses calibrating the probability and aggressiveness of that exploration for each user. ### Source excerpt Хорошая рекомендательная система быстро учится угадывать, что вы положите в корзину. И чем точнее она угадывает, тем реже показывает что-то незнакомое: ведь выгоднее предлагать проверенное. Со временем система замыкается на привычках человека и перестаёт показывать ему хоть что-то за их пределами. Беда в том, что интересы меняются, а система просто так этого не замечает. Изменить ситуацию, как правило, удаётся лишь ценой краткосрочных потерь: стоит добавить в выдачу незнакомые товары, и объём ближайших покупок неизбежно начинает снижаться. Меня зовут Рамиль Боярченков, я занимаюсь машинным обучением в команде Яндекс Лавки. Расскажу, как мы собрали механизм, который подмешивает незнакомые товары персонально -- тем, кто к ним расположен, -- и с какой вероятностью это делать для каждого пользователя. По пути разберу, как мы калибровали "агрессивность" exploration и что получилось в итоге. Читать далее ## Как проект из ШАДа попал в Spotlight статей на конференции ICML 2026 DevFeed: [Как проект из ШАДа попал в Spotlight статей на конференции ICML 2026]() Original publisher: [Read original article]() Author: mightyneighbor (Яндекс) Published: 2026-07-06T07:04:35Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [GPU](), [Graphs](), [Machine learning]() Tags: [2026](), [ai](), [cuda](), [gpu](), [graph](), [icml](), [icml-2026](), [ml](), [research](), [spotlight](), [tag-1e7f0701b819](), [tag-4004cf5948d3]() ### AI overview The article explains why graph neural networks underutilize modern GPUs: their irregular, sparse memory access patterns leave the hardware waiting for data. It describes a project that investigated the problem and produced three families of specialized GPU kernels. The resulting paper, "On Efficient Scaling of GNNs via IO-Aware Layer Implementations," was accepted to ICML 2026 as a Spotlight paper. ### Source excerpt Граф из миллионов вершин не загружает современную GPU на все 100%: видеокарта почти всё время не вычисляет, а ждёт загрузки данных из памяти. Графовые нейросети, или GNN, упираются в это давно: сами операции достаточно простые, но доступ к памяти нерегулярный и разреженный. И чем мощнее GPU, тем заметнее недостаточная её утилизация. Идея выросла из проектного курса в ШАДе. Толчком стало то, что один из самых популярных фреймворков для работы с графами, Deep Graph Library, на момент начала работы не обновлялся уже около года -- это знак того, что в области что-то застряло. Меня зовут Федя Великонивцев, я старший исследователь Yandex Research, руковожу группой, которая занимается эффективными вычислениями на GPU. На том курсе мы с коллегами -- Дарьей Фоминой из команды ML-инфраструктуры Яндекса, Вячеславом Ждановским из команды разработки инференса -- и студентами Даниилом Красильниковым, Алексеем Бойковым и Андреем Долговязовым взялись выяснить, почему графовые нейросети тормозят на современных GPU. Так появился проект, который мы оформили в отдельную статью -- On Efficient Scaling of GNNs via IO-Aware Layer Implementations. Её приняли на ICML-2026 со статусом Spotlight. Для контекста: из 23 918 поданных работ приняли 6 352 (26,6%), а Spotlight достался только 536 работам -- это 2,2% заявок с самыми высокими оценками программного комитета. Дальше расскажу, как мы прошли путь от этого вопроса до трёх семейств специализированных GPU-кернелов -- с парой неожиданных находок по дороге. Читать далее ## Using Transformer Architectures for Motion Planning in Autonomous Vehicles DevFeed: [Using Transformer Architectures for Motion Planning in Autonomous Vehicles]() Original publisher: [Read original article]() Author: msporyshev (Яндекс) Published: 2026-06-30T07:04:04Z Content type: article Language: ru Sources: [Яндекс - Как мы делаем Яндекс / Статьи]() Topics: [Machine learning]() Tags: [machine-learning](), [ml](), [reinforcement-learning](), [self-driving](), [tag-4004cf5948d3](), [transformers]() ### AI overview The article explains how Yandex uses transformer-based architectures for motion planning in autonomous vehicles. It covers the difference between open-loop and closed-loop evaluation, the limits of prediction metrics, and the safety-focused validation process from machine-learning experiments through supervised real-vehicle testing. ### Source excerpt Трансформеры уже умеют писать код, генерировать тексты и рисовать картины. Но могут ли они управлять автономным автомобилем в реальных городских условиях, среди людей и других машин? Меня зовут Максим, я руковожу службой поведения и предсказания движения в Автономном транспорте Яндекса. Отвечаю за задачу Motion Planning -- ту часть системы, которая решает, как именно должен двигаться автомобиль в следующие секунды. В этой статье я расскажу, как мы используем архитектуры на основе трансформеров в планировании движения и почему это сильно отличается от привычных задач генеративных моделей. Мы пройдём путь от первых ML-экспериментов до регулярных испытаний на реальных машинах. Разберём, чем Open Loop отличается от Closed Loop, почему качество предсказаний не определяет качество вождения и почему безопасность для нас важнее любой архитектуры. Читать далее