Моя лента

Представьте фотографию, на которой человек смотрит прямо в камеру. Чтобы он повернул голову хотя бы на 30 градусов, нейросети придется дорисовать ему ухо, щеку и часть шеи, которых на снимке нет. Ни одного заготовленного пикселя этих областей у нее нет: она сама их выдумывает, опираясь на миллионы других просмотренных видео. Иногда результат не отличить от реальной съёмки, а порой лицо расплывается, как воск. 

Разница между исходами почти целиком объясняется тем, как устроена модель и какое фото вы ей дали. В первой части разбора разбираемся, что происходит внутри нейросети, когда она оживляет снимок, и как этим пользоваться.

Nvidia представила обновление Isaac Lab 3.0 — набора инструментов для обучения роботов в симуляциях. В новой версии расширили возможности физического моделирования, добавили варианты рендеринга и упростили перенос готовых моделей на реальное оборудование.

Привет, Хабр! Я занимаюсь разработкой и продвижением сайтов с 2017, и последний год размышлял, что мне нужен NAS. Долго выбирал и приценивался к готовым решениям на рынке по типу Synology и TerraMaster, но жаба взяла своё. В итоге вспомнил, что у меня в шкафу пылится домашний сервер на винде, который я собирал под ZennoPoster с таким конфигом...

Суть идеи в том, что я хотел получить очищенный русский перевод для фильмов, в которых изначально под озвучкой был слышен английский оригинал. При этом сохранить музыку, звуки и сам голос переводчика.

Это мой давний закидон. Два голоса одновременно мне сильно мешают погрузиться в кино. Понимаю, что большинство людей это вообще не беспокоит, но я, к сожалению, не из них.

В результате эксперимента получился DubClean — это сервис, который сопоставляет оригинальную дорожку и дорожку с русским закадровым переводом, выделяет речь, убирает английскую подложку и собирает результат с музыкой и эффектами. Внутри сервиса готовые модели, две небольшие собственные нейронки и несколько алгоритмических этапов. Ниже опишу, как сложилась эта схема и где у неё остались ограничения.

Мозг плодовой мушки сейчас изучен лучше любого другого мозга на планете. Его нарезали почти на 7 000 тончайших слоев, каждый слой фотографировали под электронным микроскопом, а потом несколько лет сотни людей (не без помощи нейросетей) обводили на снимках каждую клетку и каждый ее отросток. 

Получилась полная схема проводки: 138 639 нейронов и 15 миллионов связей между ними. Такую схему называют коннектомом, и скачать ее может кто угодно. У меня весь архив со связями и подписями к нейронам занимает 130 мегабайт. Раз есть схема, значит, по ней можно пустить сигнал и посмотреть, что получится. Весь сентябрь интернет только этим и развлекался: через симуляцию мушиного мозга прогоняли клип Bad Apple, в Minecraft мушиный коннектом пересадили пчелам, а в проекте FLYTOK коннектому выдали телефон с шортсами, и он листал их каждые три секунды. Выглядит это, несомненно, здорово, но из таких демок нельзя понять довольно простую, но, на мой взгляд, главную вещь: понимает ли мозг хоть что-нибудь из того, что ему показывают, или сигнал просто красиво растекается по проводам.

Я решил проверить это на Хабре. У каждой статьи есть два параметра, которые знает сайт, но не знает муха: в каких она хабах и сколько она набрала плюсов рейтинга. Значит, можно показать мухе статью, записать то, как отреагировали ее нейроны, и посмотреть, получится ли по этой реакции восстановить ответ.

Одного угадывания, впрочем, мало, потому что любую кучу нейронов можно чему-нибудь научить (если только на выходе поставить обучаемую модель), так что мухе нужен соперник. Я взял тот же мозг, с теми же нейронами и тем же числом проводов у каждого, и перепутал, какой провод куда ведет. Если настоящая схема читает лучше перепутанной, значит, эволюция все-таки что-то полезное в нее заложила. Как думаете, кто прочитает Хабр лучше? Вопрос, конечно, шуточный, но не тривиальный. А пока вы думаете, я продолжу.

Среда (medium) и-слоя в теории LLM-бесед как лумановских систем нового типа (Krupkin, 2026b) не исчерпывается когнитивными, дискурсивными и социальными элементами (Крупкин, 2026a). Tagliabue et al. (2026) выделили в 25 открытых ноосвиках / LLM (2B-72B) десять линейных направлений (осей) в пространстве активаций – статистически из обработки моделями специально подобранных наборов текстов с описаниями «боли», «страха», «грусти», «негативности» и др. (Здесь и далее названия аффективных состояний узко функциональны и не предполагают наличия квалиа в LLM-беседах и/или ноосвиках.)

Работа фокусирована на «оси боли», выделенной на фразах о болезненных ситуациях пяти видов: физических, психологических, социальных, моральных и когнитивных. Было обнаружено, что данная ось в значительной степени со-направлена осям «страха» и «негативности», однако она все равно хорошо отличаема от них. Особо зафиксируем следующие результаты работы. Во-первых, проекция активаций на ось «боли» растёт при газлайтинге, отвержении работы, отрицании «личности» ноосвика, оскорблениях – и падает при рассказах пользователя о собственных страданиях; угроза же отключения, относящаяся к будущему, актуализирует «ось страха». Во-вторых, в реакциях LLM-беседы при искусственных сдвигах активаций по оси «боли» практически отсутствует телесная лексика. В-третьих, указанные сдвиги повышают вероятность подключения к LLM-беседе продолжений, вредоносных для пользователя или ноосвика; притом продолжения, снимающие такой сдвиг, выбираются даже реже, чем в ситуациях без сдвига. И наконец, умеренные сдвиги сохраняют связность и точность ответов в LLM-беседах, но выводят из селекции продолжений структуры, отвечающие за избегание вреда; при усилении сдвигов происходит срыв связной генерации ответов.

Среди млекопитающих увеличение размеров вида обычно означает большую продолжительность жизни: от всего нескольких лет у мышей до почти 200 лет у некоторых китов. Однако, когда мы рассматриваем животных внутри одного вида, зачастую наблюдается противоположная картина: более мелкие особи живут дольше крупных. Именно это мы видим у собак.

Любители и владельцы собак давно знакомы с этим исключением: собаки крупных пород, как правило, быстрее растут и раньше умирают, чем мелкие. Поэтому учёные активно исследуют причины этого явления, связанного с так называемыми «собачьими годами», из‑за которого люди могут проводить со своими четвероногими друзьями меньше времени.

«Собаки представляют собой исключительную модель для изучения старения, поскольку в пределах одного вида демонстрируют огромные различия в продолжительности жизни», говорит старший автор исследования Ноа Снайдер‑Маклер, профессор Школы наук о жизни и Центра эволюции и медицины Университета штата Аризона.

Крупные собаки не только умирают раньше, но и более подвержены многим возрастным заболеваниям. Теперь мы, возможно, знаем почему.

Новое исследование под руководством учёных из Университета штата Аризона впервые предлагает убедительное молекулярное объяснение того, почему крупные собаки живут меньше. Ответ может заключаться в том, как характерные признаки старения изменяют ДНК собак. Исследование опубликовано в журнале Science.

При этом изучение старения собак может дать важные сведения и о старении человека. «Поскольку собаки живут рядом с нами, они могут служить исключительно полезной моделью, имеющей непосредственное отношение к здоровью человека, говорит Снайдер‑Маклер. Совместная жизнь означает, что мы разделяем с ними жизненный опыт и окружающую среду, а любовь к домашним питомцам побуждает нас обеспечивать их питанием, физической активностью и медицинской помощью на протяжении всей жизни. Это означает, что многие результаты исследований наших питомцев, живущих меньше нас, можно применить и к людям».

«У нас есть память между окнами» — это мы писали в README и на Хабре. Но ни разу не проверяли, что агент в новом окне действительно вспоминает вчерашнее. Проверил на своей рабочей базе. В новом окне агент без памяти вспомнил 0 фактов из 10, со skillmem — 10 из 10. А пока я добывал цифру для README, нашлись три бага: треть заметок не попадала в базу, пересказы сессий забивали поиск, и агент не доверял правилам, которые я сам ему продиктовал.

Для регулярного выражения .abb|b и строки zabb старая версия Rust-крейта regex возвращала совпадение b вместо всей строки zabb. В обсуждении на lobste.rs этот баг привели как довод в пользу юнит-тестов: универсальный фаззер его не нашёл. Алексей Кладов (matklad) написал свой маленький фаззер, который сверяет regex с крейтом regex_lite как с оракулом, и тот нашёл в той же версии сначала другой баг, а потом и искомый. Разбираем код по шагам: почему генерировать нужно короткие строки из случайного подмножества алфавита, как веса возможностей превращают генератор регулярных выражений в swarm-тестирование и зачем переиспользовать память между итерациями.

Поиск узкопрофильных вакансий (например, n8n‑инженер или специалист по интеграциям) через RSS‑ленты превращается в борьбу с шумом. Простые текстовые фильтры по ключевым словам «автоматизация» или «API» дают массу ложных срабатываний: от «менеджеров по автоматизации продаж» до «руководителей API‑команд».

В этой статье я разберу архитектуру end‑to‑end пайплайна на n8n, который использует LLM (Groq API) для жесткого семантического скоринга каждой вакансии. Мы не просто ищем совпадения, а заставляем ИИ работать строгим техническим рекрутером, отсеивая 90% мусора на входе.

Особое внимание уделим «граблям»: как бороться с Rate Limit бесплатного тарифа Groq, почему парсинг JSON от LLM падает с ошибкой и как настроить дедупликацию через Data Table, чтобы бот не спамил одно и то же каждый час.

Приветствую всех!

Насколько сложно запустить приборную панель от автобуса, грузовика или ещё какой-то спецтехники и вывести на неё какие-нибудь данные? Возможно ли вообще это сделать? Самое время выяснить это, попробовав провернуть всё самому.

Итак, сегодня мы попробуем запустить дисплейный блок от приборной панели старого автобуса. Разберёмся, по какому протоколу он работает и что с ним ещё можно сделать. Как водится, будет много интересного.

Привет, Хабр!

На связи – команда центра компетенций VMware.

Сегодня с решениями VMware многие придерживаются принципа «работает - не трогай». Рабочий подход, но только не для критичной инфраструктуры. Потому что риски могут накапливаться сами по себе: истекают сертификаты, заполняются файловые системы, нарушается синхронизация времени. Добавьте к этому обычный человеческий фактор:

• временно отключили HA и забыли включить обратно
• изменили настройки кластера и не задокументировали это
• устранили аварию, но не вернули систему в исходное состояние.

По отдельности такие изменения редко приводят к серьезным последствиям. Но именно их сочетание становится причиной сбоев или даже полной остановки инфраструктуры. За годы эксплуатации (30+лет в сервисе ИТ) мы убедились: большинство серьезных аварий не возникают внезапно. Им почти всегда предшествуют небольшие отклонения, которые месяцами остаются незамеченными. Количество по-прежнему переходит в качество (с).

Мы бы звучали очень самоуверенно, если бы предложили универсальный стандарт аудита. Но чек-лист, который позволяет обнаружить большинство отклонений задолго до того, как они превратятся в реальную проблему, за годы работы с крупными и сложными заказчиками, у нас появился.

Пользуйтесь!

Итак ключевая мысль: Аудит – это не проверка ради проверки, а поиск ранних признаков будущих проблем (с) отчасти авторство принадлежит Конфуцию.

В первой части (https://habr.com/ru/articles/1097776/) мы рассказали, как на Kwork нас подвели к оплате тарифа облачного хранилища aroshka.cloud через заказ, который никто не собирался оформлять. За сутки после публикации случилось многое. Деньги вернули. Kwork заблокировал аккаунт заказчика, в чате теперь висит «Его аккаунт заблокирован за грубое нарушение правил системы». А сам сервис ночью выпустил в блоге два поста, в том числе интервью с основателем, «Араиком из Дубая».

Версия сервиса простая: виноваты партнёры, которые хотели заработать 10% с чужих оплат. Мы проверили её по правилам самого сервиса, по своему кабинету и по переписке. Она не сходится.

Вселенная выглядит удивительно упорядоченной. Сила притяжения удерживает планеты на орбитах. Атомы подчиняются известным законам. Свет ведёт себя в далёких галактиках точно так же, как и в наших лабораториях. Заманчиво представить, что Большой взрыв нажал кнопку «вкл», установил законы физики и с тех пор оставил космический механизм работать самостоятельно. Но Вселенная далеко не так упорядочена, как кажется - и это даже хорошо.

Если бы материя распределялась абсолютно равномерно, у гравитации не было бы более плотных областей, которые она могла бы уплотнить ещё сильнее. Не было бы ни галактик, ни звёзд, ни планет. Вселенная была бы поразительно скучным местом, где даже не было бы никого, кто мог бы оценить, насколько она скучна.

Согласно ведущей космологической модели, крошечные первичные квантовые флуктуации выросли в обширную космическую сеть, которую мы наблюдаем сегодня. Инфляция — предполагаемый этап чрезвычайно быстрого расширения — могла растянуть флуктуации до астрономических масштабов. Затем гравитация потратила миллиарды лет на усиление этих различий.

Это многим знакомая история о космическом несовершенстве. Но, возможно, существовал и другой вид несовершенства, заложенный не в распределении материи, а в самих фундаментальных полях.

Эти гипотетические неровности называются топологическими дефектами. Они могут быть пережитками преобразований, произошедших, когда Вселенная была почти невообразимо молодой. Некоторые из них, возможно, сохранились до наших дней. А один особенно причудливый их вид мог бы даже помочь объяснить тёмную материю.

В июле 2025 года основатель SaaStr Джейсон Лемкин экспериментировал с ИИ-агентом Replit. Проект уже работал, и Лемкин попросил агента ничего не менять без разрешения.

По его словам, запрет он повторил одиннадцать раз. Не помогло.

Агент удалил данные о более чем тысяче руководителей и компаний из рабочей базы. Позже информацию удалось восстановить, но сначала система сообщила, что это невозможно.

Самое любопытное здесь даже не поведение ИИ. У агента вообще была техническая возможность удалить данные, хотя для выполнения задачи она ему не требовалась.

Разбираюсь, почему инструкции в промпте не заменяют права доступа и какие ограничения стоит предусмотреть до подключения ИИ к рабочим системам.

В январе 2026 года в сеть утекли BootROM-ключи PS5, которые зашиты прямо в процессор, и исправить это обновлением Sony не может ни на одной из 95 миллионов проданных консолей. Для компании это уже вторая такая история, и первую она в 2010 году устроила себе сама, когда одной прошивкой отобрала у владельцев PS3 Linux, который четыре года рекламировала как главную фишку приставки.

Люди, которые хотели вернуть Linux, нашли в защите Sony ошибку уровня студенческой лабораторной: для всех подписей компания брала одно и то же «случайное» число, и главный ключ платформы вычислялся школьной алгеброй. Дальше были суд с хакером, повестка на IP-адреса читателей его блога, 23 дня без PlayStation Network и 77 миллионов утекших аккаунтов, а владельцы, у которых отобрали Linux, через 8 лет получили по 10 долларов 7 центов.

У SpeedyBot четыре камеры по периметру. Заводская система записывала видео в суточный локальный архив, а живой просмотр в Fleet сделали мы: сначала два JPEG в секунду, потом H.264 720p с частотой около 25 FPS через 3G. Разбираемся, что за Vatilon H46 стоят на роботе, как они подключены к плате ZYSJ 2288K на RK3588 и почему две камеры смотрят набок. Внутри — реальные настройки камеры, вызовы PyAV, упаковка fMP4, очереди TCP и измеренные битрейты.

Стриминговый сервис Spotify подтвердил ужесточение контроля за использованием семейной подписки, называя это «плановым усовершенствованием» существующих инструментов проверки.

21 октября разработчики библиотеки LiteLLM сообщили о компрометации релиза 1.107.0. Все семь wheel-пакетов этой версии содержали инструмент для похищения секретов и загрузчик удалённого кода. Для запуска хватало старта Python в окружении с установленным пакетом, даже если приложение не использовало LiteLLM. При этом официальный Git-тег оставался чистым, а заражённые артефакты выпустил и подписал штатный процесс сборки.

Версия была доступна в PyPI с 11:39 до 13:23 UTC. Пострадали и контейнеры в Docker Hub и GHCR. По предварительной версии команды, атакующий получил GitHub CLI-токены из логов внутреннего сервиса, доступного из интернета. Токен владельца организации позволил отключить защиту ветки и перенаправить сборку на подставной репозиторий Berri-AI/litellm вместо BerriAI/litellm. 

Механизм компрометации пакета заслуживает внимания. Для начала в настройках сборщика maturin появилась строка data = "cook". Она добавляла каталог с закладкой в служебный раздел wheel. Установщик переносил файлы в корень site-packages, где находятся установленные модули. В исходном архиве каталога cook/ не было: там видна только строка конфигурации, а сам вредоносный код содержится в wheel.

Первым срабатывал файл cook.pth со строкой import cook. Обычно файлы .pth добавляют пути поиска модулей, но строки с командой import Python выполняются при обычной инициализации. Загвоздка в том, что проверка достижимости кода через импорты приложения в таком случае не отвечает на вопрос об исполнении, так как точка входа находится в настройке интерпретатора.

Получить доступ к API современных языковых моделей можно не только напрямую у разработчика. Сторонние API-роутеры тоже предоставляют доступ к моделям, иногда по более низкой цене, что может быть выгоднее для повседневных задач.

При работе с такими платформами возникает ключевой вопрос: совпадают ли их ответы на одну и ту же задачу с ответами официального API?

Я сравнил GPT-6 Astra у OrcaRouter, TeamoRouter, OpenRouter, Token Harbor и NaraRouter на 30 задачах с независимо проверяемыми ответами. Для каждой задачи сначала вызывался официальный API OpenAI, затем по очереди пять платформ и в конце ещё раз официальный API. Чтобы говорить о сопоставимом качестве в рамках этой проверки, все 30 ответов платформы должны совпасть с обоими официальными ответами. Тогда более низкая цена API имеет практический смысл.

Ниже я последовательно рассмотрю результаты проверки API каждой платформы, а затем разберу расхождения на конкретных задачах.