Моя лента

Все мы заперты в трёх привычных пространственных и одном временном измерении, однако это не означает, что гравитация не может проникать в другие измерения, если они существуют. И у нас может появиться возможность заглянуть в эти измерения через своеобразные окна — первичные чёрные дыры. Это относительно небольшие, но невероятно плотные объекты, которые, как предполагается, образовались в экстремальных условиях вскоре после Большого взрыва.

Согласно новому исследованию под руководством физика Луиса Анчордоки из колледжа Леман в США, во Вселенной с тёмным измерением все первичные чёрные дыры должны быть пятимерными, если только на низких энергиях не существует какой‑то экзотической, пока неизвестной физики. Пока эта идея остаётся гипотетической: ни одна первичная чёрная дыра пока не была достоверно обнаружена, однако они вызывают большой интерес у физиков.

Сценарий «тёмного измерения» предполагает существование дополнительного измерения, компактного до масштаба примерно одного микрона. Частицы обычной материи заперты на бране и не могут покинуть её. Но на гравитацию те же ограничения могут не распространяться.

Если размер горизонта событий становится мал по сравнению с масштабом тёмного измерения, гравитация чёрной дыры может распространяться в этом дополнительном пространственном направлении. Такая чёрная дыра уже не ограничена четырьмя измерениями: её геометрия становится пятимерной.

Исследователи из DrivingBench проверили, как современные нейросети умеют водить автомобиль. В рамках этого проекта ИИ-системы OpenAI GPT-6 Astra и GPT-5.6 Sol, SpaceXAI Grok 4.6 и Anthropic Claude Fable 5.1 подключили к Toyota Corolla 2022 года выпуска. Двигать машиной ИИ пытались через устройство Comma Four под управлением открытой системы Openpilot с подключением напрямую к CAN-шине. Нейросети могли рулить, управлять акселератором и тормозить.

В экосистемах со сложившейся моделью пакетных индексов вроде Python, Java или JavaScript состав проекта обычно начинают анализировать с манифеста, где разработчик перечисляет прямые зависимости проекта и их допустимые версии. Менеджер пакетов читает эти требования, выбирает совместимые версии и подтягивает зависимости, которые нужны самим пакетам. Конкретный результат выбора сохраняется в lock-файле, где фиксируется уже не диапазон, а точные версии прямых и транзитивных зависимостей. В результате получается список всех пакетов, необходимых для работы с проектом.

В проектах на C и C++ такой общей записи, как правило, нет. Одну библиотеку могут устанавливать через менеджер системных пакетов, другую собирать из исходников в отдельном пайплайне, третью копировать прямо в каталог с исходным кодом проекта. Все они могут оказаться в рабочем приложении, хотя ни один источник не обязан перечислять их все в одном месте.

На крупной кодовой базе это быстро становится проблемой. Например, в нашем разборе автоматизации SBOM для LibreOffice в проекте была сотня с лишним C/C++ библиотек, собственная сборочная система и ресурсы вроде шрифтов и словарей, которые тоже попадают в поставку. За каждым компонентом такого SBOM стоит отдельное расследование от файла и команды сборки к имени проекта, версии и источнику. На каждом переходе теряется своя часть данных.

В CodeScoring мы анализируем состав программных продуктов и на практике часто сталкиваемся с ограничениями разных экосистем. Разбор проектов на C/C++ требует особого внимания. В этой статье мы разобрали особенности этой экосистемы, которые осложняют построение SBOM, и постарались рассказать, что позволяют выяснить разные методы анализа.

В прошлой статье я подвёл итоги первых полутора недель и повесил опрос. По итогам голосования я понял, что у большинства не мак, могу предположить, что Винда.

Так что спустя пару дней я запилил Писаря для Windows.

Что это

Первая версия, без всего лишнего. Без Мозга (что это такое, я описал в предыдущей статье), без команд над выделенным текстом, просто Писарь с базовым функционалом: нажал правый Ctrl, держишь, говоришь, отпустил, и текст мгновенно вставляется туда, где курсор, должен работать в любой программе, но это нужно тестировать.

Распознавание то же, что на маке: модель GigaAM v3 от Сбера, целиком на процессоре, без интернета, видеокарта не используется, я специально целился в обычный лаптоп, на моём стенде 13 секунд речи распознаются за 0,35 секунды, даже на слабом ноутбуке должно быть меньше секунды, памяти уходит примерно 600 МБ.

Скачать: gigapisar.github.io, кнопка «Скачать для Windows». Код: github.com/moznoazachem/giga-pisar-win, MIT.

Как переносил

Ядро распознавания у Писаря одно на все версии: звук превращается в мел-спектрограмму, идёт в энкодер, дальше декодирование RNN-T и склейка кусочков слов. На маке это написано на Swift, для Linux на Python, для Windows я перенёс его на C#, ONNX Runtime там есть родной.

Оболочка написана заново, по правилам Windows: значок в трее, обычный мастер установки «Далее, Установить, Готово», системные уведомления, язык интерфейса берётся из системы, плашка с волной у курсора в стиле Windows 11. Плашку можно перетащить мышью, она запомнит место.

Flowise — визуальный конструктор для LLM-приложений: перетаскиваете на холст модель, векторное хранилище, инструменты и память, соединяете их линиями и получаете чат-бота, RAG-поиск по документам или агента. У проекта 55 тысяч звёзд на GitHub, 25 тысяч форков и почти 7 миллионов скачиваний Docker-образа. Его разворачивают у себя компании, которым нельзя отправлять данные в облачные конструкторы.

29 июля 2026 года команда объявила о закрытии: «разработчики всё чаще доверяют сложные задачи агентам для программирования, а жёсткие low-code-процессы упираются в потолок». 13 августа репозиторий заархивировали, 31 августа поддержка закончилась. В объявлении прямо сказано: код под Apache 2.0 ваш, форкайте.

Установки при этом никуда не делись, а бюллетени об уязвимостях продолжили выходить. Десятого сентября GitHub опубликовал ещё шесть advisory для Flowise — все с пометкой «исправленной версии нет». Я решил сделать то, что предложили авторы, и продолжить проект под именем Keelflow (GitHub, Apache-2.0). Киль (keel) держит судно на курсе — примерно этого и хочется от проекта, у которого кончилась команда.

Оказалось, что форкнуть Flowise «как есть» нельзя. Об этом, о том, что пришлось переписать, и о том, что нашлось в коде по дороге, — эта статья.

В этой короткой статье я хочу описать, как можно гибко фильтровать трафик на коммутаторах Huawei, на примере стека из двух S6730.

Задача из тестовой сети:

10.0.18.0/24

Запретить доступ на сети:

10.177.1.0/24 10.0.177.0/24

Разрешить весь остальной трафик, но при этом временно разрешать трафик на некоторые хосты из сетей 10.177.1.0/24 и 10.0.177.0/24
и плюс к этому, еще одновременно к ним же запрещать и разрешать доступ из некоторых других сетей.

Если бы у нас были Object-Group, но у нас нет Object-Group.
А что делать, и как это сделать гибко читайте в статье.

Все снова пишут про большие языковые модели.

А если чуть отдохнуть?

Пора вспомнить, что до них тоже существовало машинное обучение — и оно вполне умело решать полезные задачи.

Берём телеметрию виртуальных машин, час истории нагрузки и пытаемся предсказать перегрузку за 30 минут до того, как её увидит обычный мониторинг.

Используем классику: временные ряды, численные методы, LSTM и проверка на реальных данных.

И да — это еще работает.

Как раньше: женщины были женщинами, мужчины — мужчинами, колбаса была настоящей, мороженое — вкусным, а каждый юноша писал сам свое ядро линукс.

Я начал искать работу и сделал то, что делаю со всеми своими задачами: отдал рутину агентам.

За три недели моя система нашла 10 687 вакансий в 2 204 компаниях, открыла 1 127 форм и довела 553 отклика до кнопки «отправить». Три из них закончились собеседованиями.

Найм в 2026 году устроен не так, как было когда-то раньше. Сейчас роботы сидят с обеих сторон стола

Рассказать о ценностях компании не так и сложно. Особенно на корпоративе, когда все внимание сотрудников устремлено на сцену. Написать их на экране, добавить в речь ведущего и ещё раз напомнить после салата.

Сложнее сделать так, чтобы люди сами начали действовать в соответствии с этими ценностями — без лекции и обязательного кивка из зала. А главное — разделять их. Именно такую задачу мы решали в проекте для ManyChat.

Сегодня я получил от друга примерно такое сообщение: «Знаю, что мы собирались встретиться в Эдинбурге, но не заинтересует ли тебя съездить в Портобелло и попробовать починить часы в старом полицейском участке?»

Не знаю, как для вас, а для меня ползанье по пыльной часовой башне девятнадцатого века в заброшенном полицейском участке — идеальный способ провести субботний день, поэтому я сразу ухватился за этот шанс.

В первой части статьи мы рассказывали об эволюции поисковых систем. Теперь перейдем к технологиям, благодаря которым AI-чаты получили свои нынешние возможности. Если основная задача классического поисковика — найти и ранжировать существующие документы, то AI-чат должен сформировать ответ с учетом запроса и контекста разговора.

Речь пойдет о переходе от сценарных чат-ботов, для которых разработчики вручную прописывали правила и реплики, к современным системам на основе языковых моделей. Они способны выполнять инструкции, поддерживать многоходовый диалог, учитывать сведения из предыдущих бесед и обращаться к внешним источникам при подготовке ответа.

< --- Часть I. Как поисковые системы учились понимать запросы

В вашем телефоне исполняется код восьми авторов, и ваш — самый бесправный. Мы написали свою ОС на Rust, загрузили её на планшет и полгода выясняли, кто ещё живёт в чипе и чьи правила там действуют. Как это устроено на самом деле, почему это касается ноутбуков, iPhone и «умных» лампочек — и что с этим делать.

Если ваша LLM вызывает API и выполняет внешние действия, обычный retry после timeout может создать дубль или оставить систему в неизвестном состоянии.

Разбираем, как отделить решение модели от исполнения и когда повторять запрос, сверять результат или подключать человека.

Обычный скриншот превью из 3D-редактора выглядит плоско: однотонные заливки вместо материалов, схематичная растительность, грубый свет. Чтобы довести такой кадр до картинки уровня конкурса, раньше нужны были часы настройки света и шейдеров. Теперь путь занимает около минуты: берёте свой скриншот, подставляете референс с нужным настроением — и нейросеть переносит свет, палитру и материалы на вашу геометрию.

Суть приёма: геометрия ваша, свет и материалы — из референса

Форма здания, ракурс и композиция остаются строго из скриншота — модель их не перестраивает. А освещение, палитру и характер поверхностей она берёт из второй картинки — эталонного рендера. Поэтому в результате меняются даже материалы: на нашем исходнике крыша красная, после обработки по светлому референсу она становится медной, белые стены — тёплой бежевой штукатуркой. Это не искажение геометрии, а перенос стиля, ради которого всё и затевается.

В сентябре 2026 года на Hugging Face есть 3 модели, которые хочется поставить на пару DGX Spark под Claude Code: DeepSeek‑V4.1-Flash на 552B, GLM-5.3-Flash на 320B и Qwen3.8-Flash‑Next на 125B. Первая лучше всех в бенчмарках, но не помещается в 243 ГиБ даже в 4 битах. Вторая занимает 198 ГБ и грузится 15 минут. Третья влезает в один спарк — если не считать 2 ГБ, которых ей не хватает. Ниже — почему на этом кластере выбор делает арифметика памяти, а не таблица бенчмарков, почему 6 миллиардов активных параметров не дают 90 ток/с, и почему для Claude Code решающим оказывается не tok/s, а один флаг vLLM, который в самом быстром конфиге выключен.