Помните те славные времена, когда машинный перевод был поставщиком отборных мемов? Инструкции к китайским товарам советовали «погладить кота против шерсти для включения», а фраза «Cool story, bro» превращалась в легендарную «Прохладную историю, брат». Смешно? Да. Полезно? Вряд ли. Особенно когда вы пытаетесь объяснить иностранному заказчику, почему сорвали дедлайн, или перевести свой гениальный сценарий для TikTok на глобальную аудиторию.

Но будущее наступило, и оно разговаривает на всех языках мира сразу. Эпоха, когда нужно было копировать текст в Google Translate, а потом краснеть за результат, ушла. Сегодняшние нейросети - это словари на стероидах.

Но инструментов стало так много, что глаза разбегаются. Кто-то хвалит DeepL, кто-то молится на GPT-5.2, а кто-то по старинке мучает Яндекс.

Чтобы вы не тратили время на эксперименты, мы сделали это за вас. Мы протестировали лучшие нейросети для перевода в 2026 году.

Приятного чтения!

Наконец таки статья о том как я облажался. Точнее — как облажалась команда, но ответственность все равно моя. Это разбор конкретной ошибки, которая стоила реальных денег.

Введение

Сегодня мне немного грустно, поэтому чтобы подбодрить себя, расскажу вам историю, самой, наверно, смехотворной задачи по оптимизации, которую мне поручали. Не знаю, извлечёте ли вы из неё что-то полезное, но, по крайней мере, кого-то она развеселит…

Сегодня я хочу поделиться опытом реализации функциональности векторного поиска статей по базе знаний. Результаты векторного поиска статей из БЗ мы показываем в чат-боте в виде статей-инструкций, которые пользователь читает и выполняет. Казалось бы функциональность проще некуда, однако...

Месяц работы за один вечер: сравнил Claude Opus 4.5 и китайский GLM-4.7 в vibe coding на задаче локального транскрайбера для NDA-встреч. Где критические баги, а где архитектурный идеал — и почему дорогой инструмент в 7 раз не всегда оправдан.

Предыдущие части:

«Геометрическая головоломка на выходные»,
«Электродинамика виртуальной Вселенной»,
«Механика виртуальной Вселенной»,
«Квантовая механика виртуальной Вселенной (Часть I)»,
«Квантовая механика виртуальной Вселенной (Часть II)»
«Релятивизм виртуальной Вселенной»
«Космология виртуальной Вселенной (Часть I)»
«Космология виртуальной Вселенной (Часть II)»
«Электричество, проводимость и сверхпроводимость в виртуальной Вселенной»
«Атом в Виртуальной Вселенной (Часть I)»

В предыдущей части мы рассмотрели элементарные принципы, описывающие устройство и поведение атома в фазово-геометрической картине «виртуальной Вселенной». Речь шла прежде всего о фундаменте: геометрии SU(2)-фазы, роли компактного пространства, механизме возникновения атомной структуры и причинах дискретности энергетических уровней.

Теперь мы перейдём к следующему шагу и попробуем ответить на более сложные и менее «удобные» вопросы. Что происходит, когда в атоме появляется не один электрон, а несколько? Почему электронные состояния не накладываются друг на друга? Откуда берутся правила заполнения оболочек, и почему химия вообще возможна?

В стандартной квантовой механике ответы на эти вопросы формулируются в виде отдельных принципов и правил — принципа Паули, правила Клечковского, правил Хунда и Слейтера. В рамках предлагаемой модели мы попробуем проследить, следуют ли эти правила из фазовой геометрии, или же они остаются независимыми эмпирическими фактами.

Иными словами, если в первой части мы убедились, что атом как таковой в этой картине возможен, то теперь пришло время проверить, насколько далеко эта возможность простирается.

Anthropic опубликовали исследование "The Assistant Axis": попытку формально описать и стабилизировать «характер» больших языковых моделей. Работа опирается на анализ внутренних нейронных активаций в нескольких open-weights моделях. 

Ключевая идея: характер — это не абстрактная роль, а конкретная персона в пространстве других возможных персонажей модели. И у этой персоны есть измеримая координата.

Коротко по основным результатам:

Необычные обстоятельства порождают необычные наблюдения.

Берлин, 1924 год, известный психолог Курт Левин проводил очередное занятие со студентами... в кафе!
 Одна из студенток – Блюма Зейгарник – обратила внимание на особенность работы официантов – они в точности запоминали заказ, не записывая. Однако не могли вспомнить ни одного пункта из заказа, за который посетители кафе уже рассчитались буквально минуту назад.

Позже Зейгарник воспроизвела это в экспериментах с разными людьми и феномен повторился – незавершённые и прерванные действия запоминались лучше завершённых. Эффект получил имя наблюдательной студентки, а позже она и сама стала известным и авторитетным советским психологом.

Параллельно новое направление исследования сознания – гештальтпсихология – создавало концепцию целостного восприятия мира внешнего и мира внутреннего.

Возможно, в этом совпадении проявились попытки коллективного бессознательного осмыслить своё прошлое и найти в нём новые, важные для себя недостающие смыслы для будущего.

Попробуем понять – почему наш мозг проявляет такой интерес к незавершённым историям? Не просто же так мозг придумал себе такой алгоритм?

Ответ, видимо, следует искать в нашем эволюционном прошлом.

Любое насекомое, любой зверь решают одну задачу – поиск актуального образа. Этот образ – хищник или добыча. Оба варианта связаны, крепко ассоциированы с самым сильным страхом - со страхом смерти. Поэтому нам нужно найти этот образ, выделить в окружающей обстановке как можно раньше, иначе хищник нападёт на нас, а добыча убежит. Как только он определён – мы его его должны классифицировать – хищник это или добыча. Это хищник, готовый к броску – или это сытый, отдыхающий хищник. Сытый лев не опасен, в интернете можно найти кадры, на которых травоядные могут даже переступать через него, щипая траву. Как только лев начинает проявлять первые признаки бодрости – потягиваться, вставать на ноги – его потенциальная добыча постепенно увеличивает дистанцию. И, возможно, именно своим движением мы и привлечём внимание.

Не у всех нас имеется достаточное количество ресурсов (вычислительных, умственных и других) для проектирования и обучения моделей машинного обучения с нуля. Поэтому кажется логичным взять уже готовые модели — к счастью, за нас многое уже сделано. Для понимания масштаба: на одном только HF уже доступно для скачивания более двух миллионов моделей.

Не все они были загружены авторитетными компаниями или экспертами, не все имеют десятки тысяч скачиваний в сутки. Даже изначально легитимные открытые репозитории могут оказаться источником риска. Компания Mitiga недавно поделилась статистикой о проценте репозиториев в мире AI/ML, содержащих уязвимости критического или высокого уровня опасности в GitHub Actions Workflows.

В этой статье я расскажу о том, какие существуют инструменты для проверки ML-моделей, как они сканируют артефакты различных ML-фреймворков, о том, какой еще функционал заложен в них. А в финале несколькими способами попробуем обойти проверки рассматриваемых инструментов.

Исследователи из Google и Чикагского университета выяснили, почему reasoning-модели вроде DeepSeek-R1 и QwQ-32B так много "думают вслух": они фактически симулируют спор нескольких персонажей внутри одного ответа. Авторы назвали этот феномен "обществом мыслей" (society of thought) — модель как будто разыгрывает диалог между экспертами с разными характерами и специализациями, которые задают друг другу вопросы, не соглашаются и ищут компромисс.

Главной проблемой при обучении нейросетей остаётся нехватка качественной информации. Всем моделям глубокого обучения может потребоваться большой объём данных для достижения удовлетворительных результатов. Для успешного обучения модели данные должны быть разнообразными и соответствовать поставленной задаче. В противном случае пользы от такой сети будет мало. Хорошо известно, что нехватка данных легко приводит к переобучению.

Но вот беда, трудно предусмотреть и собрать данные, которые покрывали бы все ситуации. Допустим, вы хотите научить систему находить на фото конкретную кошку. Вам потребуются снимки этого животного в самых разных позах — будь то сидя, стоя или обдирающей диван.

А если требуется распознавать кошек в принципе, то вариантов становится в разы больше. Видов кошек в природе тысячи, они все разных цветов и размеров. Почему это важно? Представьте, что наш набор данных может содержать изображения кошек и собак. Кошки в наборе смотрят исключительно влево с точки зрения наблюдателя. Неудивительно, что обученная модель может неправильно классифицировать кошек, смотрящих вправо.

Поэтому всегда нужно проверять свою выборку на разнообразие. Если данные не подходят под реальные условия, то и задачу решить не получится.

Что делать, если у нас дефицит данных?

Компания Mandiant выпустила базу данных, которая позволяет взломать любой пароль администратора, защищённый устаревшим алгоритмом хеширования Microsoft NTLMv1. Эта база представляет собой радужную таблицу — заранее вычисленный набор хеш-значений с соответствующими им паролями. 

Такие таблицы используют хакеры для быстрой расшифровки украденных данных, сопоставляя хеши с готовыми ответами. Радужные таблицы для NTLMv1 существуют уже долгое время, но их применение обычно требует существенных вычислительных мощностей. База данных от Mandiant решает эту проблему. В компании утверждают, что она позволяет взломать пароль менее чем за 12 часов даже на обычном компьютере.

Говорят, что дихотомия идеализма и материализма уже неактуальна для современной науки, так как реальность оказалась настолько сложнее и интереснее простых схем, что уже практически не вписывается ни в одну из прежних больших философских парадигм. Так и чем же оказалась реальность с точки зрения самой фундаментальной на данный момент теории — Квантовой механики — и её наиболее распространенной (пока) интерпретации — Копенгагенской? В данной статье я вряд ли отвечу на этот вопрос, но хочу скорее поговорить о тех странностях, которые я искренне не могу понять в Копенгагенской интерпретации. История науки, как говорит А.М. Семихатов, это борьба против здравого смысла. И это нормально. Это я могу понять. Но когда наука начинает бороться с самой логикой и этого, как кажется никто не замечает и всех всё устраивает, вот эту же действительно странно.

Список взял не с бухты-барахты, а основываясь на рейтинге нейросетей-лидеров от LMArena и T2vLeaderboard. Кто не знает, это главные мировые площадки для тестирования ИИ. Там нейросети соревнуются друг с другом: пользователи смотрят два видео и выбирают лучший вариант, не зная названия модели. 

В этой статье я подробно опишу 5 стадий принятия неизбежного  уровней оптимизации. В качестве примера рассмотрим, как я пытался оптимизировать функцию для инструмента командной строки, который я сам и написал  I (monorepo-hash).

Примечание

Я не настаиваю на том, что изложенное здесь — 5 священных заповедей инженерии производительноcти, а также не утверждаю, что приведённые здесь приёмы точно соответствуют каким-либо «карьерным уровням». Их можно сравнить просто с вешками на пути.

Это всего лишь тот путь, который проделал я сам. Есть в нём доля эго, пару раз я свернул не туда, бывали и случаи «я знаю, как тут срезать дорогу», за которыми сразу следовало раскаяние.

Также отмечу, что значительную часть этого CLI я написал при подспорье ИИ-моделей. Считайте, что это лёгкий способ подмечать ошибки и находить, что можно оптимизировать.

Кликбейтный заголовок? Что ж, даже, если так — вы же открыли статью, значит, он сработал :)

Исследователи Microsoft опубликовали масштабное исследование о влиянии генеративного ИИ на рынок труда, назвав 40 профессий, наиболее подверженных автоматизации. Самыми уязвимыми оказались профессии, связанные с обработкой информации: созданием текстов, анализом данных, объяснением и передачей знаний. На вершине рейтинга — переводчики и устные интерпретаторы, писатели и авторы, историки, журналисты, политологи и специалисты по работе с клиентами. Также высокие показатели применимости ИИ зафиксированы у продавцов и сотрудников колл-центров. Только в США в этих сферах занято около 5 миллионов человек.

В исследователи подчёркивают: высокий уровень применимости ИИ не означает неизбежного исчезновения профессии. Речь идет скорее о трансформации рабочих процессов.

40 профессий, наиболее подверженных влиянию генеративного ИИ:

На днях @sW1ft — Сергей Иванов, Head of Android red_mad_robot — поделился со мной подробностями об открытых проектах и open source-стратегии компании, её целеполагании и результатах в данной сфере. Получилось развернутое интервью с примечательными инсайтами, а также примерами и комментариями по теме.

Вместо того чтобы ждать, пока Java-приложение окончательно "зависнет" из-за GC, инженеры Netflix сделали jvmquake — инструмент, который сам определяет, что JVM уже не спасти, вызывает дамп памяти и аккуратно завершает процесс. Меньше тревог, больше аптайма. 

Подробности - в новом переводе от команды Spring АйО. 

Искусственный интеллект уже давно перестал быть исключительно инструментом добра. Он помогает врачам ставить диагнозы и разработчикам писать код. Но теми же самыми возможностями всё чаще пользуются злоумышленники. 

При этом барьер входа в кибератаки резко снизился: чтобы создать вредоносную кампанию, больше не нужно быть тёмным хакером со знанием всевозможных языков программирования. Достаточно пары нейросетевых сервисов и минимального понимания, как устроена социальная инженерия.

В этом материале поговорим, как искусственный интеллект приносит пользу не только добрякам, но и злодеям. Разберём, как злоумышленники используют ИИ и какие мошеннические схемы применяют, обсудим практические способы противодействия кибератакам и порассуждаем о будущем. Поехали 🤖

Доброго времени суток, «Хабр»!

Нейросети пишут дипломы, рисуют картины, создают разные компьютерные программы, генерируют новости - и это лишь малая часть того, на что они способны сегодня. Мир стремительно погружается в эпоху искусственного интеллекта. Но этот бум порождает множество вопросов относительно правового статуса такого творчества.

Сегодня обсудим проблемы авторского права применительно к современному искусственному интеллекту. Примите стратегически удобное положение, ну а я приступаю к повествованию.