Остров Уоллопс, штат Вирджиния — Более 20 лет космическая обсерватория НАСА «Свифт» вела плодотворную научную работу на орбите, ища признаки гамма-всплесков — самых мощных взрывов во Вселенной. Сейчас она падает на Землю и обречена сгореть в атмосфере к концу года по мере снижения орбиты.

Но, возможно, это не так.

Оказывается, НАСА готовит смелую спасательную миссию, которую ещё никогда не пытались осуществить в космосе — Swift Boost. Это предприятие предполагает, что непроверенный космический аппарат, построенный аризонской компанией Katalyst Space Technologies, должен встретиться и состыковаться со «Свифт» — на что обсерватория никогда не была рассчитана — до того, как она упадёт на Землю.

За то время, пока вы читаете этот абзац, будут отсканированы несколько сотен тысяч штрихкодов. Упаковка молока в Мехико, посадочный талон в Сочи, образец крови в больнице Берлине - все это регистрируется с помощью одной и той же системы. Черно-белый символ сканируется миллиарды раз каждый день, что делает его с большим отрывом самым читаемым элементом дизайна на планете. Его печать ничего не стоит, он не защищен патентом и никому не принадлежит. Тем не менее, он лежит в основе практически всей современной розничной торговли, логистики и мировой торговли. Уберите его завтра, и мировая торговля рухнет за считанные минуты. Это история штрихкода: кто его изобрел, почему он поначалу был бесполезен и как в конечном итоге стал связующим звеном мировой экономики.

Впервые я столкнулся с Лабораторией нейронаук и поведения человека буквально на этой неделе, прочитав статью на Хабре «ИИ может менять мнение человека. Мы проверили это на моральных дилеммах». Учитывая авторитет Сбера как разработчика лучшего в России ИИ, я отнесся к статье достаточно серьезно. Тем удивительнее было для меня то, что авторы (коллектив сотрудников Лаборатории нейронаук) отнеслись к своей статье менее серьезно.

Ошибки, которые я оптимистично классифицировал как опечатки, и крайне спорная интерпретация собственных экспериментов — всё это заставило меня попытаться проанализировать, что это за Лаборатория и какие цели она перед собой ставит.

Codex это прекрасно, но лимиты все меньше, а цена все выше. Но ведь под капотом просто gpt-5.5(вот промпт)?

Один диалог слева пишет код, справа другой проверял результат, третий держал контекст, а я в это время мог накидать очередь следующих шагов и уйти пить чай. Если задача закончилась — пусть прилетит сообщение в Telegram.

Так появился экспериментальный Chrome-плагин ChatGPT Multi Pane: GitHub

Третья часть серии. В первой я разбирал сам движок graphlens — что он делает и как устроен внутри. Во второй гонял бенчмарк на 936 прогонов и смотрел, где граф реально окупается, а где проще остаться с grep. Здесь — про то, что осталось за кадром в обеих частях: движок это ещё не инструмент, и чтобы подключить его к агенту, поверх нужно дописать прилично кода. Вот этот код я и собрал в отдельный продукт. graphlens-mcp ставится одной командой, дальше работает сам. Он в alpha, бесплатный (MIT), и прогнать его на своём проекте можно минут за пять.

Приветствую!

В моей библиотеке ядра уже есть аллокатор, семейство vsnprintf, ctype, string.h, strings.h. Остались только атомики и спинлок, и тогда можно будет доделать семейство malloc в блокировками как того требует стандарт.

Приветствую!

Это обзорная статья на этот раз совсем простая. Используется уже написанный аллокатор. Я лишь ставлю в известность читателей о существовании в osdev-libstdc вполне стандартных функций aligned_alloc, malloc, calloc, realloc и free. Их реализация примитивна:

В прошлой статье мы рассчитывали основные показатели электрических цепей, учитывая температурную зависимость сопротивления. В этой статье мы учтём зависимость теплоёмкости от температуры  добавим охлаждение проводника из-за окружающей среды.

Всех приветствую! Я неоднократно встречал разработчиков, которые говорили, что метапрограммирование — это моветон, а шаблоны только усложняют код. Я понимаю, откуда берётся такое мнение потому, что при неаккуратном использовании шаблоны действительно могут сделать код сложным и тяжёлым для чтения.

Но, на мой взгляд, проблема не в самом инструменте, а в том, как именно его применяют.

Шаблоны в C++ - это не только std::vector и универсальные функции. В серьёзном C++ они часто используются как архитектурный механизм, позволяют переносить часть решений из runtime в compile-time, задавать контракты на уровне типов, собирать поведение из политик и писать обобщённый код без лишней runtime-стоимости.

После написания статьи про NormIs-1 я решил углубиться в тему оптимизации модели. Архитектура была неплохой и показала адекватные результаты на метриках интеллекта, но скорость сильно проседала. Проблема была в Depthwise Conv, а именно - множестве обращений к памяти. Между блоком внимания и FFN стоял небольшой блок сверток и тормозил все вычисления. Именно его я и решил ускорить.

Делать целую языковую модель с полноценным вниманием возможности нет. Проблемы нестабильного обучения, взрывающийся лосс или сломавшийся DataLoader - это все не сегодня.

Нет, все будет 'проще' - мелкая CNN + кастомное MLX-ядро для инференса + бенчмарки скорости

Для России это означает очень простую вещь: угроза уже рядом. Зарубежная агентная система высокого уровня потенциально способна вывести из строя крупный банк, оператора связи, транспортный контур, промышленную систему, государственный реестр или цепочку поставок. Вопрос состоит не в том, появится ли такая возможность, а в том, насколько быстро она станет массовой и дешёвой.

А что у нас? У нас оперштабы по ИИ и национальный приоритет внедрения ИИ к 2030г. Т.е. через 4 года. А с учетом нашей любви к переносам сроков всего и вся, то может и не 4 года. А Мифос и Фейбл работают уже сейчас. Притом, что еще 5 лет назад ИИ только зарождался от архитектуры трансформеров. Пока мы создаем штабы и говорим про приоритеты - конкуренты уже работают имея неограниченный ресурс. Настораживает.

Конечно можно сказать, что у нас есть Алиса и Салют, но именно это пугает еще сильнее. Если мы допускаем, что Алиса - это аналог Фейбл/Мифос, то оковы иллюзий уже не разбить. Нужны люди, идеи, продукты, внедрения и общее усилие всех причастных.

Началось всё примерно так. Я сидел над своим проектом: пока работал, общался по нему с нейросетками и параллельно искал в интернете разную информацию, которая могла бы пригодиться. И вот тогда у меня впервые начала закладываться мысль, что я хотел бы читать код быстрее. Что мне не нравится, сколько времени на это уходит.

Позже эта мысль разгорелась сильнее — когда я взялся перечитывать собственный код двухмесячной давности. Я понимаю, что в нём всё нормально, но всё равно хотелось бы вчитываться быстрее. Примерно в это время и появилась первая идея проекта, о котором пойдёт речь в статье. Это была одна из первых вещей, которая дала толчок.

Вторая — то, что мне приходилось тратить время, объясняя друзьям, как устроен мой код. Мне не нравилось, что я говорю отрывками, зависаю, не могу связать пары слов. Короче, тяжело донести мысль: сам прекрасно знаю, как оно работает, а нормально, быстро и чётко объяснить не могу.

Из этих двух проблем и вырос тренажёр, который я сейчас делаю: где ты не пишешь код, а читаешь готовый рабочий фрагмент и объясняешь его словами, а оценивает объяснение языковая модель. Звучит на самом деле очень просто, но реализовать это оказалось трудно. Самым тяжёлым оказалось совсем не это, а заставить нейросеть оценивать честно и стабильно — и вообще понять, что именно нужно оценивать.

У меня обычно так: я довожу проект до прототипа, доказываю себе, что моя идея работает — и теряю интерес. Проект lifemodel — один из таких. Это ИИ-агент, которого я строил не как чат-бота, отвечающего на вопрос, а как «цифрового человека»: с сердцебиением, энергией и желаниями, которые возникают сами и сами побуждают его действовать. Прототип заработал. А потом, как обычно, мотивация кончилась. Этот пост — две вещи сразу. Для тех, кто пришёл за технической частью: разберу архитектуру проактивного агента — heartbeat-цикл, желание вместо опроса, многослойность с системой безопасности, душу и личность с конституцией и парламентом. Для тех, кто годами читает в режиме read-only — будет и вторая, честная часть: почему такие проекты застревают, и почему в одиночку их не вытащить.

Первое описание соцсетей появилось в 1968 году, и его автор вовсе не собирался описывать соцсети.

В романе Филипа Дика “Снятся ли андроидам электроовцы?” есть устройство под названием эмпатоскоп. Берёшься за две рукоятки - и сливаешься с неким Уилбуром Мерсером, стариком, который вечно карабкается вверх по голому склону под палящим солнцем. Пока он лезет, невидимые мучители бросают в него камни. И вот что важно: все остальные, кто в эту же секунду держится за свои рукоятки, сливаются с ним в одно целое. Ты разделяешь усталость Мерсера: когда камень рассекает ему кожу до крови, рана появляется на твоём собственном теле. Радость работает точно также, как и боль: вливаешь в общую чашу своё хорошее настроение - и жизнь других становится чуть более выносимой.

Компания Aurora Flight Sciences в настоящее время устанавливает крылья на экспериментальный беспилотник X-65. Это важный шаг вперёд для X-65, который предназначен для маневрирования с помощью импульсов сжатого воздуха, а не традиционных управляющих систем. Эта технология может значительно повлиять на будущие разработки военных и гражданских летательных аппаратов, особенно в том, что касается конструкций, обеспечивающих скрытность.

X-65 разрабатывается в рамках программы Агентства передовых оборонных исследовательских проектов (DARPA) «Управление революционными летательными аппаратами с новыми эффекторами» (CRANE), запущенной ещё в 2020 году. Впоследствии DARPA выбрала компанию Aurora Flight Sciences, дочернюю компанию Boeing, для самостоятельной разработки проекта. В 2024 году «Аврора» перешла к последнему этапу программы и теперь планирует совершить первый полёт в следующем году. На протяжении нескольких лет программа CRANE сталкивалась с рядом задержек и ростом затрат, к чему мы вернёмся позже.

Многие из нас регулярно доказывают сайтам, что они люди: выбирают светофоры на картинках, отмечают велосипеды, передвигают паззлы или расшифровывают искаженные символы. Такие проверки зачастую называют «тестом Тьюринга», хотя сам Алан Тьюринг не имел отношения к CAPTCHA (Completely Automated Public Turing test to tell Computers and Humans Apart, о ней мы писали здесь). Название технологии лишь отсылает к предложенной им в 1950 году идее: если машину невозможно отличить от человека по поведению, то можно ли считать ее разумной?

Когда искусственный интеллект из научной фантастики стал повседневным рабочим инструментом, имя Тьюринга вновь оказалось в центре внимания. Один из основателей современной вычислительной техники в 1940-х годах размышлял не только о проверке интеллекта машины, но и о его формировании.

Привет, Хабр. Я Александр, мне 33. Хакинг у меня хобби, а не работа: CTF, Hack The Box, иногда багбаунти по выходным. И каждый раз одно и то же.

Открываешь тулзу — первым делом —help. Флагов экран, все на английском. Сидишь, вычитываешь, что тебе сейчас нужно. Собрал один флаг, переключился на второй — а как пишется первый, уже забыл. Снова —help. И по новой. На сборку одной команды уходит больше времени, чем на саму работу.

Команду собрал. А дальше? nmap отработал, передо мной открытые порты — и я завис. За что хвататься? В каком порядке? Это знание у каждого где-то в голове, и достаёшь его каждый раз заново.

Словарь. И где он лежит-то. /usr/share/wordlists? seclists? А подкаталог? Опять ls, find, вспоминаешь путь, который вбивал сто раз.

Пейлоад. Лезешь в PayloadsAllTheThings — а там стена. Какой брать? На каком этапе? Что выстрелит, а что лежит для галочки? Непонятно.

И так весь тест размазан по тридцати вкладкам. HackTricks, PayloadsAllTheThings, GTFOBins, revshells, рядом гугл с переводчиком — половина же на английском. Плюс папка своих заметок.

Бесит. Особенно на вебе: нашёл точку, надо быстро прогнать пейлоады — а ты вместо дела вспоминаешь, где у тебя что лежит.

В какой-то вечер я психанул и начал сваливать всё нужное в одно место. Локально, на русском, поиск по одной кнопке. Оно разрослось, и я сам не заметил, как это стало отдельным проектом. Выложил в опенсорс. Назвал ARS3NAL — тут без фантазии, арсенал он и есть арсенал.

Гоблины, призраки, монстры, богини: фантастические твари и где они обитают.

В конце апреля OpenAI опубликовала у себя в блоге пост, в котором объяснила, почему модели OpenAI то и дело говорят о гоблинах. А также о гремлинах.

Получился интересный документ, как минимум, частично касающийся той работы, которой мы вместе с Мюрреем Шанаханом и Гамильтоном Моррином занимались на протяжении нескольких месяцев. Теперь, в зависимости от того, с кем именно мы беседуем, я могу сказать, что этот проект был призван помочь разобраться в глубинной психологии больших языковых моделей (БЯМ) и о том, как она влияет на коммуникацию нейронок с пользователями. Но другому собеседнику я мог бы сказать, что наша работа скорее сближалась с демонологией.   

Не так давно возникла задача в Qt QML проекте обработать вставку изображения в поле ввода. Понимаю, что не каждый день приходится писать кроссплатформенные клиенты для настольных и мобильных систем, но если у тебя была похожая задача, то данная статья может быть тебе интересна.

У меня есть мультик про мебельщика Михалыча. Снят в жанре мокьюментари — как будто кто‑то пришел с камерой к небольшому производству и снял документалку про обычный рабочий день. Интервью на камеру, бытовые сцены, узнаваемые типажи. Только всё это нарисовано и анимировано нейросетями — без художника, без аниматора, без актеров.

Первую серию сделала, и вроде бы разобралась с процессом в целом. Но вторая оказалась сложнее, появился новый персонаж, сцены с двумя людьми в кадре, реквизит с текстом, который надо держать читаемым на протяжении всей анимации. Где‑то пришлось изобретать приёмы на ходу, где‑то переделывать по два‑три раза.

В этой статье — полный разбор второй серии по шагам: что делала, что не получилось сразу и как решала.