Моя лента

Миша - консольный SSH клиент, который в будущем перерастет в полноценную утилиту для удобно взаимодействия с удаленным компьютером по SSH

Как‑то раз, просматривая новостную ленту перед работой, я наткнулся на почти ничем не примечательную статью на нашем любимом Хабре. Статья эта очень близко пересказывает страницу из Википедии, которая называется «Парадокс мальчика и девочки». Примечательна эта статья на Хабре лишь тем, что под стандартным и общепринятым решением этой несложной задачи разразился почти что холивар на тему правильности решения/формулировки задачи и адекватности автора.

В этой статье я хотел бы вставить свои пять копеек и выразить несколько своих мыслей по этому поводу, которые накопились на небольшую статью. Основная их цель — найти способ объяснить решение этой задачи человеку, который знает тервер на самом базовом школьном уровне, и который не имеет никакой теоретико‑вероятностной интуиции (такие люди, в основном, и рождали споры в комментариях). Конечно, без базовых знаний в других областях математики не обойтись, но на мой взгляд, если такое объяснение существует, то это неплохая альтернатива классическому решению. Ибо истинное решение задачи из теорвера зачастую противоречит человеческой интуиции.

Akvorado — не просто инструмент для привлечения трафика, а современное и масштабируемое решение, которое преобразует сырые данные (NetFlow, sFlow) в понятную и наглядную информацию. В этой статье мы расскажем о каждом этапе работы с Akvorado: от архитектуры до нюансов развертывания, опираясь на наш опыт.

АКТ I: КОСМОЛОГИЯ

Отправная точка: Парадокс Наблюдателя

“Мы не просто наблюдаем Вселенную — мы являемся частью того «механизма», который определяет, что такое наблюдение.”

Современная космология и физика фундаментальных взаимодействий зачастую исходят не из вопроса «что и как наблюдается?», а из постулирования неких изначальных сущностей и законов, существовавших «до» всякого наблюдения. Однако любая попытка говорить о происхождении или устройстве Вселенной, не определив предварительно природу и структуру самого акта наблюдения, оказывается логически неполной. Принципиально отсутствует ответ на вопрос: кто или что, в каком отношении к реальности, и на каком основании регистрирует различие, например, между «было» и «не было», или между «есть» и «нет»?

В нашем подходе наблюдатель не является внешней, отстраненной от мира сущностью. Напротив, он базово «вшит» в саму ткань происходящего, являясь неотъемлемой частью механизма, посредством которого реальность обретает определенность. Такой наблюдатель не просто пассивно созерцает заранее существующий мир, а активно участвует в его актуализации. Здесь речь идет не обязательно о человеческом сознании как в спекулятивных интерпретациях , и не просто об измерительном приборе, как в строгой физике.

Мы определяем «наблюдателя» как основную структурную роль, или принцип, обеспечивающий возможность фиксации и воспроизводимости явлений. Это понятие сближается, с одной стороны, с «наблюдателем-участником» Джона Уилера, активно формирующим реальность , а с другой — с «актуальной сущностью» Альфреда Уайтхеда, для которого любой элемент мира, вплоть до электрона, является «организмом», переживающим свой уникальный опыт становления.

Linux Mint 22.2 — новый релиз дистрибутива, который вышел в начале сентября 2025 года. Он построен на базе Ubuntu 24.04 LTS и будет получать обновления до 2029 года. Mint давно известен как стабильная и удобная система, и этот выпуск подтверждает репутацию. Вместо радикальных экспериментов с интерфейсом, как в GNOME, здесь все по классике: панель задач, привычное меню и понятные элементы управления. Такой подход особенно нравится тем, кто переходит с Windows или просто ценит предсказуемость. В свежей версии появились обновленные темы, новые приложения и доработки «под капотом».

За последние пару лет у многих разработчиков в редакторах и IDE поселились новые «напарники» — всевозможные ИИ-инструменты. Обещания были впечатляющие: меньше рутины, быстрее релизы, код пишется почти сам. Но когда первые восторги улеглись и появились системные исследования, стало ясно: эффект от ИИ далеко не такой однозначный. Где-то он действительно ускоряет работу команд на 20%, а где-то, наоборот, тормозит опытных инженеров. И вот парадокс: даже там, где выигрыш в скорости очевиден, бизнес не всегда чувствует, что проекты двигаются быстрее.

На YouTube растёт популярность ИИ-видеороликов для людей, которые любят засыпать под видео с монотонной речью, пишет Газета.Ru. Псевдоисторический контент содержит множество фактических ошибок и искажений.

← Предыдущая глава | 

В чём секрет успеха трансформеров?

В последние годы трансформеры стали самой успешной архитектурой нейронных сетей, особенно в задачах обработки естественного языка. Теперь они близки к тому, чтобы стать SOTA для задач компьютерного зрения тоже. Успех трансформеров обусловлен несколькими ключевыми факторами: их механизм внимания, возможность легкой параллелизации, предварительное обучение без учителя и большое количество параметров.

На сайте OpenAI опубликована научная работа, посвященная причинам галлюцинаций больших языковых моделей и предлагаемым способам борьбы с ними. Исследователи компании отмечают, что обучение начинается с больших корпусов текстов, в которых нет меток правда или ложь — только примеры, как пишут люди. Из этих данных ИИ может усвоить регулярности, вроде грамотного письма и расстановки знаков препинания, но не редкие факты. Но это только первая часть проблемы.

Замечали, как это бывает? В команду приходит новенький джуниор. У него полно свободного времени, он всё время пишет код, задачи закрываются одна за другой, и его прогресс растёт как на дрожжах. А потом смотришь на своего опытного сеньора или тимлида. Весь день в совещаниях, постоянно отвлекается на какие‑то вопросы, а в Jira на нём висит всего пара задач, к��торые он делает уже несколько недель.

Инженер-программист Microsoft Матье Буккианери создал драйвер Oasis, который позволяет использовать SteamVR на устаревших гарнитурах Windows Mixed Reality, сообщает The Verge.

📝 Описание

Рассматриваем подход Schema Guided Reasoning (SGR) — метод структурированного промптинга, который направляет рассуждения LLM через типизированные схемы и явные рабочие процессы. Также разбираем расширение для пространственного рассуждения — SG² (Schema-Guided Scene-Graph Reasoning), многоагентный фреймворк «рассуждай-пока-извлекаешь» для задач по графам сцены. Подходы демонстрируют прирост точности на 5–10% и достигают 95%+ воспроизводимости, одновременно снижая галлюцинации за счёт валидации схем и программного извлечения фактов.

🔍 Ключевые особенности

- Структурированные выводы: типизированные схемы (JSON Schema / Pydantic) обеспечивают контроль формата и смысла ответа.
- Три паттерна рассуждения: Cascade, Routing, Cycle — для разных типов задач и контроля шага рассуждений.
- Constrained decoding: CFG/grammar-ограничения для безопасной генерации, автоматические повторы при валидации.
- Мультиагентная архитектура SG²: разделение на модуль рассуждений и модуль извлечения с программным доступом к графу.
- Программное извлечение: генерация Python-кода для обхода scene-graph вместо жёстких API.
- Снижение галлюцинаций: разделение контекста и схема-навигация уменьшают отвлечения и ошибочные выводы.
- Совместимость: OpenAI Structured Outputs, Instructor, LangChain, Pydantic AI, локальные бэкенды (xgrammar/Outlines/etc.).

Учиться под руководством опытного наставника - хорошая идея. Но где его найти и как быть, если такого наставника все-таки нет? Будет чуточку сложнее, но ничего не потеряно

📝 Описание

Рассматриваем подход Schema Guided Reasoning (SGR) — метод структурированного промптинга, который направляет рассуждения LLM через типизированные схемы и явные рабочие процессы. Также разбираем расширение для пространственного рассуждения — SG² (Schema-Guided Scene-Graph Reasoning), многоагентный фреймворк «рассуждай-пока-извлекаешь» для задач по графам сцены. Подходы демонстрируют прирост точности на 5–10% и достигают 95%+ воспроизводимости, одновременно снижая галлюцинации за счёт валидации схем и программного извлечения фактов.

🔍 Ключевые особенности

- Структурированные выводы: типизированные схемы (JSON Schema / Pydantic) обеспечивают контроль формата и смысла ответа.

- Три паттерна рассуждения: Cascade, Routing, Cycle — для разных типов задач и контроля шага рассуждений.

- Constrained decoding: CFG/grammar-ограничения для безопасной генерации, автоматические повторы при валидации.

- Мультиагентная архитектура SG²: разделение на модуль рассуждений и модуль извлечения с программным доступом к графу.

- Программное извлечение: генерация Python-кода для обхода scene-graph вместо жёстких API.

- Снижение галлюцинаций: разделение контекста и схема-навигация уменьшают отвлечения и ошибочные выводы.

- Совместимость: OpenAI Structured Outputs, Instructor, LangChain, Pydantic AI, локальные бэкенды (xgrammar/Outlines/etc.).

Этот кейс появился не просто так. Мне давно хотелось поделиться тем, чем я занимаюсь, и в процессе решила ответить на вопрос, который нередко слышу: а что вообще такое реклама? Бытует мнение, что реклама — это просто видео или картинка, но это глубоко не так :)

В этой статье мы базисно обсудим, что такое реклама, как тестировать, разберём основы VAST 3.0 и его структуру. А ещё поделюсь также базовыми проверками VAST с использованием техник тест-дизайна, которые помогают сделать мой процесс эффективным, надёжным и быстрым.

В российской управленческой культуре контроль традиционно считается главным инструментом. Руководители любят проверять, требовать отчёты, вводить новые формы контроля и ужесточать правила, когда «план не бьётся с фактом».

Но в IT такой подход почти всегда приводит к обратному результату: скорость разработки падает, команда демотивируется, а руководитель превращается в «бутылочное горлышко». Давайте разберёмся, почему контроль в отрыве от системы не работает — и чем его заменить.

В приложении Snapchat появится новый инструмент на базе искусственного интеллекта под названием Imagine Lens. Компания позиционирует его как «линзу для генерации изображений по промптам».

Это лето обрадовало нас прорывом в обработке изображений с помощью нейросетей. Одна за другой выходят такие модели как Flux.1 Kontext, Qwen-Image-Edit, Gemini 2.4 Flash Image Preview (Nano Banana) демонстрируя недостижимый до сих пор уровень манипуляции цифровым контентом. Это не замена Фотошопу, а технология, открывающая врата в бесконечные визуальные миры и всё благодаря мощи архитектуры Diffusion Transformer (DiT). Впечатлившись, я решил поближе познакомиться с диффузными трансформерами - собственноручно натренировать свою собственную DiT-модель. Об этом и будет эта статья.

В начале 1962 года группа энтузиастов-программистов из MIT, называвшая себя хакерами, создала первую работоспособную версию компьютерной игры «Spacewar!». Дуэльный симулятор боя космических кораблей для двух игроков был написан для новейшего в то время компьютера DEC PDP-1, оснащённого круглым дисплеем. «Spacewar!» не была самой первой компьютерной игрой, в том числе для самих же её создателей, но часто называется самой важной и влиятельной из ранних экспериментов в области игровых программ. Она завоевала огромную популярность сначала среди сотрудников и студентов MIT, а затем и во множестве других организаций, использовавших DEC PDP-1 и более поздние ЭВМ с мониторами. «Spacewar!», прадедушка популярного в 90-е «StarCon», — самая популярная компьютерная игра 1960-х годов, и именно опыт сессий в неё сподобил многих программистов с начала 70-х заняться созданием своих игр.

Microsoft готовится привлечь больше клиентов Copilot, внедрив систему пакетных предложений. Это снизит стоимость использования ИИ-помощника.