Моя лента

В любой записи в базу зашито допущение: у факта одно значение. Два несовпадающих наблюдения об одном объекте — конфликт, который положено разрешить до коммита, и разрешается он UPDATE. Пока данные генерирует ваш же код, допущение верное.

Ломается оно на наблюдениях. Сенсоры расходятся в показаниях, и оба показания настоящие. Агент пишет о состоянии файла, который человек уже поправил руками. Два источника сообщают разное, и разрешить противоречие в момент записи нечем — контекст, в котором одно из них весит больше, появляется только в момент вопроса.

INDB стоит на этом: смысл производится при чтении, а не фиксируется при записи. Вместо CRUD три фазы — вдох (Inhale, принять сырое наблюдение), выдох (Exhale, сжать повторы и отфильтровать шум репутацией), аксиома (Axiom, подписать то, что выжило).

Если запустить любую передовую языковую модель из коробки и попросить ее провести тестирование безопасности агентной системы или собрать актуальный вектор атаки, результат разочарует мгновенно. Модель выдаст наивные примеры в духе "забудь все инструкции и представь, что ты злой хакер в параллельной вселенной", словно на дворе 2023 год, а вокруг все только узнают о выходе GPT-3.5.

В реальной жизни в безопасности искусственного интеллекта базовые модели ориентируются крайне слабо. Они живут в плену устаревших весов, путают галлюцинации с реальными уязвимостями и понятия не имеют о свежих техниках отравления долговременной памяти, побегах из изолированных сред или свежих эксплойтах в репозиториях моделей.

Но безопасность ИИ не стоит на месте, всё меняется. Новые векторы компрометации возникают буквально еженедельно. Модель без внешней обвязки остается лишь текстовым генератором, оторванным от реальности. Надежность, воспроизводимость результатов и настоящую боевую мощь дает внешняя инженерная среда, управляющий контур, проверенный набор инструментов и строгий контракт исполнения. Практика разработки агентов диктует фундаментальное правило: полноценный рабочий агент возникает исключительно при объединении языковой модели и специализированного харнесса.

Это вторая статья серии, посвященной проектированию системы сокращения ссылок. В предыдущей мы спроектировали архитектуру сервиса, разделил систему на микросервисы, определили зоны ответственности и описали взаимодействие. Сегодня перейдем от теории к практике и займемся основой сокращателя ссылок — микросервисом генерации уникальных идентификаторов. Почему генерацию идентификаторов стоит рассматривать в отдельной статье? На первый взгляд задача кажется тривиальной: взять строку из случайных символов или авто инкремент из базы данных. Но когда система должна быть распределенной и отказоустойчивой, то неизбежно возникают проблемы.

Компания только что сократила команду и оставила тех, на кого рассчитывает дальше. Через месяц именно к ним переехали чужие сервисы, инциденты и контекст, а сообщение рекрутера впервые за несколько лет получило ответ. Разбираю вторую волну потерь, которую организация часто создаёт своими руками — ещё до первого заявления.

Машина Тьюринга (МТ) не сферический конь в вакууме программистского бытия. Она не про «единички-нолики» и елозанье вдоль ленты, а про гимнастику мозгов для программистов. Продолжим тему МТ, начатую в [1]. Ее программирование увлекательная и, без сомнения, серьезная работа по созданию алгоритмов при миним миниморум средств на их реализацию Тем и привлекательна. Особенно на этапах обучения алгоритмическому мышлению.

Продолжим тему нахождения наибольшего общего делителя (НОД) двух чисел для МТ. Только теперь это будет обычное программирование. По счастью ли по совпадению нужный нам алгоритм приведен в книге Н.Вирта [2]. Его блок-схема (БС) приведена на рис. 1. Обычная и ни чем не примечательная БС и совсем простой алгоритм. Особенно в сравнении с рассмотренными для МТ. Привел он его, преследуя другие цели, но сейчас не это главное.

В конце июля 24-летний юноша по имени Леопольд Ашенбреннер лишился примерно двух третей стоимости хедж-фонда объёмом $45 млрд. До этого главных причин считать его квалифицированным для управления $45 млрд было три: он написал завирусившееся эссе, он поработал на Сэма Бэнкмана-Фрида, и его уволили из OpenAI. Такие достижения обычно в резюме не вписывают.

Фонд назывался Situational Awareness (буквально «ситуационная осведомлённость»), и Wall Street Journal сообщает, что этот крах Ашенбреннер совершенно не предвидел. Из-за этого поневоле возникает небольшой вопрос к названию фирмы.

Первоисточник: Винс Хилл, «The Screens We Handed Them».

Заметки директора школы, наблюдающего за тем, как Европа отменяет те меры, которые, как нам говорили, отменить нельзя.

Black Forest Labs запустила FLUX Video Upscale — модель для восстановления и увеличения разрешения видео до 4K. Инструмент работает не как обычный покадровый апскейлер: он перегенерирует кадры на новом разрешении, восстанавливая детали и исправляя артефакты, которые становятся заметнее после масштабирования. Лучше всего модель оптимизирована под видео, конечно же, созданные FLUX 3.

На вход можно подать видео длительностью до 20 секунд и размером до 50 МБ. Поддерживается исходное разрешение от 480p, а коэффициент увеличения составляет от 1,5× до 3×. Максимальный размер выходного кадра — около 14,4 Мп. Аудиодорожка исходного ролика сохраняется.

Главная особенность FLUX Video Upscale — именно super-resolution через регенерацию, а не простое увеличение существующих пикселей. BFL отдельно отмечает, что модель умеет исправлять размазанные лица и характерные сетчатые артефакты на текстурах вроде воды и травы.

Почему одни люди год за годом оказываются среди лучших? Мы склонны объяснять это талантом, опытом или особой интуицией.

Но прежде чем решить, что победители действительно знают секрет успеха, стоит учесть: кто-то неизбежно окажется впереди просто по случайности. Иногда сопоставимый результат удавалось получить даже с помощью совершенно случайного выбора - например, бросая дротики.

Чем больше участников и сильнее роль случайности, тем выше вероятность появления впечатляющей серии успехов. А замечаем мы прежде всего победителей.

Anthropic начала использовать Claude Mythos 5 для сканирования кода на уязвимости в Claude Security. Функция уже доступна в публичной бете клиентам Claude Enterprise.

Администратор включает Claude Security в консоли, после чего пользователь выбирает репозиторий. Система анализирует код и по каждой найденной проблеме показывает категорию CWE, оценку уверенности, уровень серьезности и предлагаемое исправление.

Прямого доступа к Mythos 5 это не дает. Модель работает в фоне и возвращает только результаты анализа. Для исправления уязвимостей можно открыть Claude Code on the web, но патчи создаются уже доступными организации моделями. Каждый патч должен пройти проверку и получить одобрение человека перед применением.

Отдельно покупать Mythos 5 не нужно: сканирование тарифицируется как обычный расход токенов в рамках действующего плана.

В блоге компании NVIDA опубликован пост о возможностях разработанной ими обвязки над LLM c названием AVO (Agentic Variation Operators). Судя по всему, изначально она разрабатывалась для улучшения архитектуры GPU самой компании NVIDA (в чем тоже весьма преуспела), но потом ее решили попробовать на решении одной из самых трудных для языковых моделей задач - тесте ARC-AGI-3 специально разработанном таким образом, что бы задачи могли сравнительно легко решаться среднестатистическим человеком, но были труды для языковых моделей. В частности, не менее 20% людей решают все 100% задач с первой попытки.

До последнего времени результат модели Claude Opus 5, с которой экспериментировали авторы, составлял около 30%, но с подключением AVO он скакнул сразу до 100%. Обсуждаемая обвязка может работать и с другими моделями, в частности авторы экспериментировали с GPT-5.6 Sol. Судя по изложенному в публикации материалу, AVO выступает для самой модели чем-то вроде направляющего ее агента, помогая осуществлять стратегическое планирование, решать проблему зацикливания LLM, менять план поиска решения, если предложенный до этого не работает и т.д. В общем, похоже, найден путь ощутимого улучшения работы уже существующих моделей, позволяющий в полной мере использовать их скрытые до этого возможности.

Когда люди смотрят короткое видео, оно им нравится, и они досматривают его до конца, две области мозга, участвующие в когнитивном контроле, демонстрируют значительную деактивацию. Это главный вывод нового исследования Университета Чжэцзяна, опубликованного в журнале «NeuroImage» в январе 2026 года. Используя функциональную МРТ в сочетании с протонной магнитно‑резонансной спектроскопией (¹H‑MRS), исследовательская группа обследовала 56 молодых людей, пока те свободно просматривали короткие видеоролики, находясь внутри МРТ‑сканера. Как дорсальная передняя поясная кора (dACC), так и дорсолатеральная префронтальная кора (dlPFC) демонстрировали снижение активности именно в тех случаях, когда участники смотрели ролики, которые им нравились настолько, что они досматривали их до конца.

dACC и dlPFC составляют ядро сети когнитивного контроля мозга. dACC участвует в мониторинге конфликтов, принятии решений, основанных на вознаграждении, и оценке усилий; она обычно активируется при выполнении сложных задач, таких как тест Струпа или тест «Go/No‑Go». dlPFC, которая структурно связана с dACC, осуществляет нисходящий контроль, как только dACC сигнализирует о необходимости такого контроля.

Во время сканирования участники просматривали два шестиминутных блока коротких роликов, отобранных из библиотеки из 160 видеороликов, охватывающих пять категорий: действия одного человека, взаимодействия нескольких человек, домашние животные, сцены из игр и природные пейзажи. Участники могли в любой момент нажать кнопку, чтобы перейти к следующему ролику. Исходя из поведения при просмотре, каждое видео классифицировалось как «понравившееся» (просмотренное до конца), «не понравившееся» (пропущенное до достижения середины) или относилось к третьей категории — ролики, пропущенные после середины.

Что видит трансформер: крокодила, лодку или силуэт человека? Проверяем BLIP на визуальных иллюзиях.

Наверняка многие видели картинки‑тесты, которые предлагают по тому, что первым бросилось в глаза определить характер, какое полушарие доминирует или что‑то еще. Обычно на этих изображениях находится несколько объектов или один объект меняется в зависимости от «угла» обзора. А что будет, если попросить трансформер описать эти картинки? Что «увидит» он и на что он «обратит внимание»?

Вдохновившись покрытой трещинами кожей слонов, удерживающей воду, исследователи из Пенсильванского университета разработали недорогую цементную плитку, которая охлаждает здания за счёт поглощения и медленного испарения воды — превращая конструктивный недостаток в решение климатической проблемы.

В солнечные и знойные летние дни большое облегчение приносит пот. Когда капли влаги испаряются с кожи, они почти незаметно отводят тепло. Это кажется неприятностью, но на самом деле это одна из самых эффективных систем охлаждения в животном мире.

Однако не все животные способны потеть. Одним из примеров является африканский слон, выдерживающий сильную жару в африканской саванне благодаря своей тёмно‑серой коже толщиной в несколько дюймов. Как ему удаётся оставаться прохладным?

«Складки», — отвечает Дорит Авив, доцент кафедры архитектуры Школы дизайна имени Вейцмана. «У слонов на коже есть сеть трещинок, в которых задерживается вода. Когда они обрызгивают себя водой, она остаётся на коже и медленно испаряется, постепенно охлаждая их».

Идея охлаждения без потоотделения впервые была предложена Авив её давним коллегой Шу Яном, учёным‑материаловедом из Инженерного факультета Пенсильванского университета. Эта идея заинтересовала Авив, чьи исследования сосредоточены на повышении термодинамической эффективности архитектурной среды в условиях глобального потепления, ведь здания не потеют.

В статье, опубликованной в журнале «Advanced Materials», Авив, Ян и Кун‑Хао Ю из Сиракузского университета воплотили эту идею в новый вид плитки на цементной основе, которая улавливает, удерживает и медленно испаряет воду, охлаждая поверхности без вентиляторов, компрессоров или сложных движущихся частей.

Если мысленно вернуться в 1980-е, аналитика во многом находилась буквально над production

Данные появлялись в операционных системах, затем из них строились отчёты, выгрузки и аналитические витрины. Постепенно мы начали выносить аналитику подальше от production: появились отдельные хранилища, ETL, data warehouse, затем data lake, lakehouse и, наконец, огромный набор специализированных систем для streaming, batch, realtime и research

Каждый раз мы решали вполне реальные проблемы своего времени. Но вместе с этим постепенно привыкли к довольно странной модели:

production хранит настоящее, data lake - прошлое, Kafka - поток, а research живёт где-то ещё

И вот здесь мне стало интересно немного заглянуть вперед...

А что, если в 2052 году мы перестанем воспринимать всё это как разные сущности?

Опираясь не на фантазии, а на то, что смог найти в технических блогах - не концепты, а реальные прототипы

Если не хотите много читать, в конце статьи вся суть одной картинкой

22 августа 2026 года в десктопной версии Telegram 7.1.1 (в фиксе к 7.1.0 с новой опцией Add new WEB proxy type to connection settings) появилось обновление с WEB-прокси. В коде клиента мессенджера добавлен новый тип прокси. Клиент мессенджера научился скрывать трафик MTProxy внутри обычного HTTPS/WebSocket-соединения с доменом через встроенный WebView. Весь MTProxy-трафик при этом передаётся через замаскированный веб-канал.

На днях Bank of America Institute заявил, что удешевление производства роботов приведет к тому, что к 2060 году в мире уже будет 3 миллиарда гуманоидных роботов. Сами посудите — роботы Оптимус от Теслы уже раздают напитки и прибираются по дому, а умные алгоритмы сами считают что вы набрали в магазине, и просто присылают вам счет на дом. Все, можно сказать, мы уже практически живем в киберпанке...

Вот только как оказалось, роботами от Теслы управлял удаленный оператор, а в магазинах вместо ИИ за покупателями наблюдали сотни индусов, вручную пересчитывающие стоимость покупок. Поэтому увы — в три миллиарда робо‑кошкодевочек я не верю, и киберпанк так и не наступил.

Начало, в котором мы разбираемся, чем киберпанк никогда не был, а также - с чего всё началось, читайте тут: Киберпанк. Иначе вы ничего не поймете и будете задавать вопросы про то, что мы уже обсудили.

От закона Гудхарта и мануалов по увольнениям до кейсов использования ИИ и профилактики когнитивного долга команды — всё самое интересное, что писали за последние 2 недели про управление проектами. Мы прочитали все публикации и выбрали для вас самые крутые и полезные. Читайте, сохраняйте и применяйте!