Объём неиспользуемых ресурсов не уменьшается (хотя вроде как должен), а узлы бесконечно ротируются. Это нормально для автоскейлера или пора что-то чинить?

В статье — детально о механизме консолидации в Karpenter, а главное — можно (и нужно) ли как-то его исправлять.

Меня зовут Ильхом Аскаров. Я инженер, исследователь , и занимаюсь космической техникой, электроникой, беспилотными и стратосферными системами.

В 2020 году я основал Markos Technologies - небольшую инженерную компанию, которая занимается разработкой исследовательских и технологических решений. За это время мы успели поработать над разными проектами, но постепенно главным направлением для нас стал космос, как Российский так и зарубежный.

Сейчас один из ключевых проектов Markos Technologies - это малый космический аппарат «Полярный-М» в формате CubeSat 3U.

Мы хотим создать не просто спутник, а небольшую летающую инженерную лабораторию, на которой можно будет испытывать собственные разработки: системы связи, бортовую электронику, энергопитание, электрореактивную тягу и другие технологии.

Отдельно нас интересует Арктика. Мы хотим исследовать возможность организации связи и передачи данных в полярных регионах с использованием малых космических аппаратов.

В этом блоге я хочу рассказывать не только о готовых результатах, но и о самом процессе: как мы проектируем системы, собираем прототипы, выбираем компоненты, проводим испытания и пытаемся превратить идеи на бумаге в реальные инженерные устройства.

Буду делиться как успехами, так и ошибками, потому что вторых в инженерии обычно не избежать. :)

Так что это будет небольшой дневник о том, как мы в Markos Technologies пытаемся построить свой спутник и постепенно отправить его на орбиту.

Рад познакомиться с Хабром!

Про архитектуру Mixture of Experts (MoE) слышал каждый, кто следит за ML: Mixtral и DeepSeek доказали эффективность динамического роутинга. Но пока индустрия осваивает базовый MoE, появилось его прямое продолжение под названием MoVA.

В статье разберем: как устроен классический MoE, что именно MoVA меняет в механизме внимания, чем это архитектурно отличается от MoE, и как это все выглядит на конкретной модели, с цифрами, бенчмарками и первыми независимыми обзорами.

Всех приветствую! Меня зовут Андрей, я студент 4 курса факультета математики и компьютерных наук, автор телеграм-канала Andre | Data Science. Все мы знаем, что направление машинного обучения сейчас на огромном хайпе - практически из-под каждого камня говорят о разных методах и о том, что они способны решить практически любую задачу. Но гайдов, которые бы подробно разбирали работу конкретного метода - от обычной загрузки данных до математического обоснования принципа его работы и визуализации каждого шага, - катастрофически мало.

В этой статье я хочу закрыть этот пробел и разобрать один конкретный метод - RBF SVM. Мы посмотрим, как он устроен с математической точки зрения, как появился на свет, какие у него есть сильные и слабые стороны и с чем они связаны. Также протестируем его на реальных датасетах. Так как аудитория IT-сообщества довольно широкая, я постараюсь очень подробно расписывать каждое определение и каждую часть своего повествования, чтобы по ходу чтения у вас возникало как можно меньше вопросов и нить понимания не обрывалась.

Я написал бота на Python, используя библиотеки kurigram, yt‑dlp и ffmpeg. Данный бот умеет скачивать что‑то (в зависимости от площадки) из следующих платформ: YouTube, TikTok, Instagram, Pinterest, Rutube, VK, Spotify, Shazam, Yandex Music, SoundCloud, VK Music, Deezer, Apple Music, Tenor, JioSaavn, Twitch (только клипы), Snapchat, Reddit, Kinopoisk.

В статье «ИИ и инфляция качества» я писал о том, что резкое удешевление интеллектуальной работы довольно быстро меняет наши требования к ее результату. Если дополнительная проверка занимает несколько минут, ее начинают делать. Если можно быстро перебрать десять вариантов, первый попавшийся уже не выглядит достаточным. Вчерашнее «слишком долго и дорого» превращается в сегодняшнее «а почему нет?», и качество начинает расти вслед за возможностями.

У этого же процесса есть другой аспект, который пока немного теряется за бесконечным сравнением человека и машины.

Мы привыкли считать ИИ поштучно. Может ли один агент написать код лучше одного программиста? Насколько один аналитик с ИИ производительнее аналитика без него? Сколько сотрудников сможет заменить человек, получивший хорошего электронного помощника? Это вполне разумные вопросы, из которых получается такая же разумная арифметика рынка труда: если один сотрудник теперь выполняет работу двух, второй становится лишним.

Дивизия математиков

Но тут OpenAI продемонстрировала несколько другой способ считать интеллект. Для работы над проблемой Навье-Стокса они запустили около 10 000 агентов, которые работали 88 часов. И мне в этой истории гораздо интереснее не очередной раунд обсуждения, насколько умными стали модели, а само число.

Десять тысяч.

Если посадить десять тысяч хороших живых математиков на одну проблему на 88 часов, я тоже буду ждать от них чего-нибудь интересного. Вопрос в том, как именно их посадить. Десять тысяч математиков надо разделить на группы, распределить направления, собирать промежуточные результаты, замечать дублирование, закрывать тупиковые ветки, передавать полезные находки между группами и постоянно перераспределять людей туда, где появился прогресс. Через некоторое время математическая проблема начинает конкурировать за внимание с проблемой управления дивизией математиков.

Чтение приватного поля через рефлексию занимает 8,96 наносекунды и выделяет 24 байта в куче. Тот же доступ без рефлексии — 0,25 наносекунды и ноль байт.

Разница в 35,8 раза, а на .NET 8 она доходила до 108. Способ появился в .NET 8, применяется внутри библиотеки классов и работает без генерации кода.

SQL-запрос выполнился без ошибок, дашборд обновился, цифры выглядят правдоподобно — и всё же выручка внезапно выросла на треть. Причина может скрываться в одном JOIN, незаметном NULL или неверной границе периода. Разбираем семь ошибок в SQL-агрегациях, которые не ломают запросы, зато вполне способны сломать выводы из данных.

Поговорим о методологии интеграции источников с хранилищами данных. Статья описывает научную теорию и носит задачу упорядочить свои собственные знания.

Все мы знаем о понятиях ETL/ELT, оно же ETLT. В добавок к этим паттернам иногда на проектах применяются необязательные проверки качества данных, создают возможность аудита загрузок и данных, управления, а так же систематизируют дальнейшую поддержку. Но перечисленные стадии не являются обязательными, поэтому и появляется следующее поколение процесов ETL/ELT с суффиксом “++”, то есть ETLT++.

Вы хотели когда-нибудь поиграть, но при этом отдохнуть от ПК или консоли? Это статья для вас!

В этой статье я расскажу что такое настольные игры для одного игрока, как в них играть и что они из себя представляют.

Поиграть одному можно и не только в компик :-)

Встала необходимость проверки затворов моих камер. Так как отправлять камеры к мастерам в другие города — дело долгое и заморочное, было решено собрать простой тестер из доступных деталей с маркетплейсов.

Прибор собран из трех фотодиодов BPW34, механического выключателя, резистора, микрофонного провода и напечатанного на 3D‑принтере корпуса (stl модели прилагаются). Фотодиоды расположены в линию со смещением к одному краю кадрового окна. Использование как одного так и всех трех датчиков позволяет оценить состояние затвора камеры, равномерность выдержек, равномерность экспонирования и провести настройку в домашних условиях.

Марат Юсупов выставил на аукцион десять мест под наклейки на своём личном MacBook и заработал 1 472 784 рубля. Почти полтора миллиона за логотипы на крышке ноутбука.

Причём идею он не придумывал.

Марат вдохновился иностранным экспериментом Brand My Mac и адаптировал его для России, сделав первый успешный в стране подобный аукцион. У оригинала всё довольно буквально: бренд покупает место под стикер, получает ссылку на сайт и появляется с ноутбуком в контенте автора.

Получается довольно абсурдная сделка. Обычно бренды сами бесплатно раздают стикеры, чтобы люди клеили их на ноутбуки. Здесь же всё наоборот: бренды платят сотни тысяч рублей за право оказаться наклейкой на чужом маке.

Почему вдруг место на крышке ноутбука стало стоить таких денег?

Компьютеры понемногу начинают понимать обычную человеческую речь. И даже писать программы сами для себя. Уйдет ли в прошлое профессия программиста? Даже в отдаленной перспективе вряд ли, потому что чтобы ИИ работал и развивался, кто-то должен его разрабатывать и поддерживать.

В отчёте по видимости бренда в ответах ИИ компания нашлась по трём из двадцати вопросов. Открыли сами ответы — и оказалось, что за этим числом стоят разные вещи. В одном случае компанию предложили как исполнителя. В другом поставили ссылку на её статью, но назвали чужую компанию. В третьем название бренда уже было в вопросе.

Представим, что вы хотите попасть в список компаний, из которых выбирает клиент. В отчёте появляется плюс за ссылку на сайт. А в самом ответе заказчик читает о другом бренде. Если смотреть только на процент видимости, разницу можно пропустить.

В этой статье я расскажу про возможности компактной кросс‑платформенной библиотеки с открытым исходным кодом для разработки приложений с графическим интерфейсом на языке C++ — Frenchie. Цель материала - познакомить читателей с возможностями библиотеки и сделать сравнение функционала с другими похожими проектами. Если кому-то интересна техническая сторона проекта, то предлагаю заглянуть в исходный код, либо в материалы, описывающие архитектурную и техническую часть.

В C# есть четыре ключевых слова, которых нет в документации. Компилятор их принимает.

Одно из них собирается на любой машине, а выполняется только на Windows. На Linux та же сборка падает. Дальше — как объект меняет свой тип на ходу и что на самом деле происходит при вызове метода у пустой ссылки.

ИТ‑проект может остановиться задолго до технических проблем: сроки начинают плыть, согласования затягиваются, а пользователи формально участвуют в работе, но фактически блокируют изменения.

Разберём, как аналитики могут распознать признаки сопротивления, найти реальную причину конфликта и выстроить работу с ключевыми стейкхолдерами — от первого сигнала до выбора стратегии действий.

Утром во вторник, 8 сентября, математики из OpenAI объявили, что группа из 10 000 автономных ИИ‑агентов под их руководством, работавших на продвинутой модели, недоступной широкой публике, обнаружила «сингулярность» в трёхмерных уравнениях Навье — Стокса. Тем самым была решена одна из шести остававшихся нерешёнными задач тысячелетия, сформулированных в 2000 году Математическим институтом Клэя. За решение каждой из них назначена премия в $1 млн. Результат был формально проверен на языке программирования Lean, что даёт математикам основания считать его правильным.

Если результат выдержит дальнейшую проверку, то с большим отрывом станет самым важным математическим доказательством, полученным на сегодняшний день с помощью модели искусственного интеллекта. Возможно, он знаменует фундаментальный перелом в том, как математики будут подходить к сложным задачам.

Эта конкретная сложная задача касается дифференциальных уравнений, которые выражают взаимосвязи между изменяющимися величинами. Пожалуй, это важнейший математический инструмент для объяснения окружающего мира. Как правило, такие уравнения легко записать, но трудно решить.

Уравнения Навье — Стокса представляют собой дифференциальные уравнения, которые на основе второго закона Ньютона описывают поведение жидкостей и газов, от океанических течений до воздушных потоков. Впервые их записали в середине XIX века, и с тех пор они играют центральную роль в механике жидкости. Однако один фундаментальный вопрос об этих уравнениях оставался без ответа: всегда ли их решения ведут себя «хорошо»? Или со временем решение может эволюционировать таким образом, что какая‑то бесконечно малая часть жидкости начнёт двигаться с бесконечно большой скоростью, создавая так называемую сингулярность?

Мой ассемблер резал исходник построчными правилами: срезал комментарий, искал двоеточие, делил по запятым. Я заменил это одним проходом с состоянием и попутно проверил, нельзя ли было обойтись заплатками.

Нельзя: вторая заплатка ломает то, что починила первая.

Как же за всем этим успевать?

За это время вышли ещё и обновлённый DeepSeek, и результаты по Навье-Стоксу. На этом фоне у GPT Images 2.5 были все шансы потеряться. Не потерялся.

Разве что реддит-модер ненадолго снёс официальный пост OpenAI из-за «вторника без картинок»...

Так вот, 8 сентября 2026 года OpenAI выпустила обновлённую версию своего генератора изображений – ChatGPT Images 2.5. Официально это не «тройка», хотя по объёму изменений можно было бы и замахнуться. Впрочем, это и в самом деле скорее «версия 2.0, доведённая до ума», чем революция. Но именно это доведение до ума и есть самое интересное.

Если в двух словах: генерация стала быстрее почти на 50%, редактирование – более хирургическим, а сама модель – заметно менее забывчивой в длинных диалогах. Дальше – details, details, details.

Спойлер: пеликана на этот анимировали в 96 кадрах и прокатили на велосипеде. Но обо всём по порядку.

Однажды я упустил огромный оффер в бигтех из-за того, что провалил собеседование по ML System Design. Возникает вопрос: как готовиться к прохождению такой секции, если в реальной работе задачи на проектирование встречаются не так часто?

Недавно я участвовал в ML Kata: 6 команд за 75 минут проектировали одну и ту же ML-систему — голосового агента для клиники. Я считаю, что проанализировав защиты команд и обратную связь от судей(одним из которых был Валерий Бабушкин), можно вкачать навык MLSD на уровень, достаточный для прохождения собеседования – при условии, что вы уже знаете метрики и модели для конкретной технической задачи. В этой статье я сделаю такой разбор за вас и систематизирую типовые ошибки участников, которых не смог избежать и сам.

В какой‑то момент я посмотрел на 13 ГБ весов LLaMA-7B и подумал: а почему, собственно, они должны занимать именно столько? Что, если не делать маленькую модель, не учить её заново и не заставлять копировать большую, а просто найти более короткую запись тех же «мозгов»?

Здравый человек, вероятно, скачал бы готовую квантизацию и пошёл заниматься своими делами. Я вместо этого поставил цель ужать модель сначала до 2 ГБ, а в идеале — до одного. Без дообучения, дистилляции, pruning и изменения архитектуры. Только математика над уже готовыми весами и небольшая выборка текстов для калибровки.

Так появился PCST — домашний исследовательский проект, который довольно быстро превратился в длинный сериал. В нём уже больше 60 проверенных методов, сотни конфигураций, несколько версий модели, один очень неприятный системный баг и приличная коллекция идей, которые выглядели прекрасно ровно до тех пор, пока я не запускал модель целиком.

Спойлер: одного гигабайта и качества Q8 я не получил. Текущий артефакт занимает 2.05 GiB и пока проигрывает обычной Q3_K_M и по качеству, и по скорости. Зато я наткнулся на вещь, которая оказалась интереснее очередной красивой цифры: можно заметно улучшить восстановление отдельных весов и одновременно сделать всю модель глупее.

Ниже — история о том, куда исчезают локальные улучшения, почему методы из картинок почти бесполезны для сырых весов и как одна ошибка с transpose заставила пересмотреть большую часть уже полученных результатов.

Привет, Хабр! Я Елена Журавлева, системный аналитик в Т-Банке в команде импортозамещения АБС. Внедрять новые платежные методы в условиях санкций и одновременно менять ядро АБС — вызов для любой команды. Расскажу, как профессия стала инфраструктурой и как эта инфраструктура помогает аналитику менять проекты, не теряя в перформансе.

Моя история — часть проекта «20 в 20» в честь 20-летия компании: 20 специалистов из 20 городов делятся своими историями в серии статей, чтобы показать ИТ-хабы в разных городах и рассказать о людях, которые в них выросли.

В этой небольшой заметке хотелось бы познакомить читателя с основными принципами написания osl-шэйдеров. Конечно, познакомить коротко с тем, что это такое, чем отличается от glsl-шэйдеров. Мы не будем разбирать синтаксис, который можно посмотреть в официальной документации. Я предлагаю понять основные принципы, написав несколько (ровно четыре) примеров шэйдеров для решения разных задач. Прямо вот так, пишем - и разбираемся, что это всё значит.

И ещё, прежде чем переходить к делу, отмечу, что текст статьи полностью авторский. Редко сейчас такое встретишь. Но никаких этих ваших искусственных интеллектов ни на какой стадии написании статьи не использовалось. Ни для редактуры, ни для, прости-господи, генерации. Так что все ошибки наши - человеческие. А не бездушной машины. Может быть это единственное достоинство статьи. Ну, уж какое есть. Что-то у меня AI-дисклеймер большой получился...

Один SVG: при 640 пикселях QR не читается, при 320 читается. Разбираю, как локатор принял часть подписи за угол кода, почему удаление букв возвращало чтение и как удалось оставить подпись на месте. С контрольными опытами и исходниками.

Раз в неделю падает один и тот же сервис. Админ его перезапускает, пользователи возвращаются к работе, инцидент закрывают. Через несколько месяцев авария превращается рутину, и так продолжается годами. Управление проблемами — problem management — начинается в тот момент, когда кто-то все-таки спрашивает: «Почему это повторяется?». Для сервисного провайдера это логичное продолжение управления инцидентами. Обычно мы сами инициируем разбор, как только серия однотипных происшествий перестает выглядеть случайностью.  Но если ты аутсорсер, то найти root cause — это только полдела. Дальше нужно понять, что с ней делать. Причина может оказаться в продукте вендора, легаси заказчика или системе другого подрядчика — то есть там, где инженер внешней техподдержки не может просто взять и исправить ее. Но и тогда можно попробовать договориться и исправить ее. Об этом сегодня и пойдет речь. 

Меня зовут Наталия Сляднева и я руковожу Центром экспертизы по комплексному сервису К2Тех. Под катом — два расследования с разными финалами и третий случай, в котором проблему осознанно не стали решать. Иногда это самый рациональный вариант.

Сайт на 1С-Битрикс может месяцами работать вроде нормально, пока подключения к базе подбираются к 95%, диск незаметно заполняется логами, бэкап давно не запускался, а в логах копится одна и та же ошибка, на которую никто не смотрит.

Разбираем пять инфраструктурных причин, из-за которых Битрикс-проекты тормозят и падают: база данных, диск, PHP и веб-сервер, резервные копии, мониторинг. В каждом разделе есть простая проверка, которую можно провести у себя за 10 минут.

Каждый год несколько мобильных жанров коронуются как «следующий прорыв» (следующий хит). Гиперказуальные раннеры, клоны королевских битв, айдл-тайкуны — все они получают свою минуту хайпа, за которой следуют насыщение рынка и сокращение маржинальности для всех, кто пришел слишком поздно. Но есть один жанр, который тихо продолжает приносить стабильные загрузки, сильное сессионное время и удерживать лояльных игроков из года в год, никогда не проходя через цикл резкого взлета и падения: цифровые настольные игры.

Всем привет, меня зовут Алина, я работаю системным аналитиком. Я не программист. Но в какой‑то момент на нашем проекте передо мной встала задача, которую вручную невозможно было решить в разумные сроки. Пришлось взять в руки VBA‑скрипты, нейросеть, немного упрямства и находчивости. Но обо всём по порядку.

ИИ‑агенты получают доступ к данным и инструментам, но вместе с автономностью появляются новые риски. Разбираем, как работают атаки на агентные системы — от промпт‑инъекций до отравления данных — и какие подходы помогают защитить ИИ‑системы.

Между покупателем и продавцом в карточном платеже стоят четверо: банк-эмитент, платёжная система, банк-эквайер и процессор с агрегатором. Обмануть покупателя может только продавец. Но подключить продавца к инфраструктуре может только посредник — и вопрос, отвечает ли он за это подключение, до сентября этого года внятного ответа не имел нигде.

4 сентября 2026 года Федеральная торговая комиссия США объявила о мировом соглашении с Nuvei, одним из крупнейших мировых платёжных процессоров. Компания выплатит 4,85 млн долларов и перестроит процедуры проверки подключаемых магазинов.

Сумма для компании такого размера символическая. Интересно другое: впервые внятно сформулировано, за что отвечает посредник, который сам ничего покупателю не продавал.

Полгода назад я начал писать сжатую файловую систему для macOS. Идея была довольно простой. В macOS уже существует decmpfs — встроенный механизм прозрачного сжатия файлов. Приложение продолжает видеть обычный файл, хотя физически его содержимое может храниться в сжатом виде. Но у этого подхода есть неприятное для моей задачи свойство: после изменения файла сжатие может исчезнуть.

Например, можно сжать node_modules, получить приличную экономию места, потом запустить сборку — часть файлов перезапишется, распакуется, и каталог постепенно снова начнёт занимать почти исходный объём. Мне хотелось другого поведения: если файл лежит на сжатом диске, он должен оставаться сжатым независимо от того, сколько раз его переписывали.

Я пользуюсь TorrServer на Mac и хотел избавиться от постоянных переходов между Терминалом, Web UI и плеером. Так появился TorrServe Silicon — нативное open-source приложение на SwiftUI для Apple Silicon. В статье рассказываю, почему выбрал прямую работу с API вместо WebView, как устроены библиотека, метаданные, поиск через Jackett, запуск внешних плееров и управление сервером из строки меню.

После ковида многие перешли на удаленку, а у удаленщиков таких точек контакта почти нет. Можно ежедневно видеть коллегу в Teams, годами обсуждать архитектуру микросервисов, запускать совместные проекты и иронизировать над статусами в Jira. Между тем за 5 лет совместных проектов так и не узнать, что один коллега объездил половину Азии, а другой за две секунды угадывает любой трек из 90-х. У нас так и было. Люди работали рядом, но друг друга не видели. 

Вот мы и решили это исправить.

Во времена, когда Nokia владела Qt, инженеры были отважнее. Они разработали и релизнули QMediaPlayer в Qt5Multimedia для проигрывания медиа файлов на основе подгружаемых плагинов. Архитектура позволяла сначала выпустить API, а реализацию конкретного бекенда добавить позже. Поэтому API уже существовал даже там, где полноценного воспроизведения видео ещё не было.

С учётом того, что публичный API нельзя изменить или удалить в мажорной версии, кто готов проделать такое еще раз?

Этот подход породил интерфейсы, часть функционала которых не так работала или полностью отсутствовала на некоторых платформах.

Всем привет! Меня зовут Сергей Бобров aka BlackFan. Я работаю в Лаборатории Касперского, занимаюсь анализом защищенности мобильных и веб-приложений, участвую в пентестах и редтимах. В свободное время я также разрабатываю собственные инструменты, занимаюсь исследованиями в области безопасности и ищу баги на платформе Standoff Bug Bounty. Сегодня мы разберем на практике мисконфигурации, связанные с объектным хранилищем S3, и углубимся в проблемы, возникающие при его интеграции в веб-приложения через прокси (например, nginx). В основе статьи — 10 лабораторных стендов, каждый из которых поясняет различные уязвимости интеграции: от классической хранимой XSS и подмены бакетов до обхода правила rewrite и отравления кэша. 

История ретинола — это путь от древних эмпирических наблюдений до хорошо изученного инструмента косметологии, подтверждённого тоннами клинических исследований. Мы не раз и не два писали о пользе этого актива, но ретинол так интересен и многогранен, что не грех и повторить. 

Представьте ситуацию, вы вкладываетесь в рекламу и вроде приводите заявки, но часть из них всё равно теряется. Ваши менеджеры не всегда отвечают вовремя, забывают вернуться к клиенту иногда или вообще не фиксируют договорённости после звонка, и от этого вы часто в базе видите такую пометку "клиент думает". От этого сложно понять, где срезается конверсия по продажам и насколько хорошо менеджеры.

Я и моя команда с 2019 года помогаем компаниям выстраивать и автоматизировать продажи в amoCRM. За это время реализовали более 500 внедрений и видим, какие задачи отдела продаж сегодня имеет смысл отдавать ИИшке.

Я собрал со своего опыта семь практических сценариев (мы их внедряем и себе и клиентам) от мгновенного ответа на новую заявку и разбора звонков до автоматического follow-up и возвращения сделок в работу, которые зависли.

OpenAI представила новую функцию Set up writing style, которая изучает, как вы пишете в гугловских документах, а затем переносит ваш стиль, манеру речи, формулировки и форматирование текста в черновик.

Само собой, ChatGPT не напишет сиквел Евгения Онегина, но подачу и структуру ИИ повторит лучше, чем по обычному запросу аля пиши в моем стиле.