Девять чисел из научной статьи 2009 года сегодня работают у меня в четырёх местах: на HTML-странице, в canvas, в двух плагинах Figma и в чужом расширении для Chrome. Разбираю, как одна и та же матрица цветовосприятия ведёт себя в четырёх средах, где каждая среда сопротивляется по-своему — и почему честные ограничения инструмента важнее его возможностей.
Структура в роли ключа Dictionary — частый случай. Забыл IEquatable — и каждый TryGetValue в 4,4–5,7 раза медленнее, плюс 96 байт в куче на каждый поиск.
Проверил на четырёх машинах и трёх рантаймах, снял дизасм FindValue и разобрал, откуда берутся ровно три упаковки, почему override Equals не спасает и при чём тут хэш record struct. Сам рантайм этот разрыв не закроет — и это не баг.
Некоторое время назад появилась новость, что Сэм Альтман и Джонни Айв начали совместный проект. Тогда практически ничего не сообщалось о том, что именно они собираются делать. Говорилось лишь о том, что речь идет не о программном обеспечении, а о каком-то новом устройстве.
И вот недавно появились подробности, что этим устройством станет нечто вроде умной колонки. Честно говоря, сначала это разочаровало. Рынок умных колонок уже давно существует. Есть Amazon Echo, Apple HomePod, Яндекс Алиса и др. Казалось бы, зачем делать еще одну? В этом инсайде есть и еще одна деталь, а именно: устройство будет ориентировано прежде всего на голосовое взаимодействие. Но здесь снова возникает вопрос - а в чем собственно новизна? Ведь все умные колонки и так управляются голосом.
Но тут же, параллельно, OpenAI выпускает Voice Mode в ChatGPT. Причем, это уже не просто диктовка текста. Разница между обычной диктовкой и Voice Mode очень даже существенная. При диктовке ты говоришь, заканчиваешь фразу, ждешь распознавания, исправляешь ошибки, отправляешь сообщение. Voice Mode работает гораздо круче. Голосовой ассистент слушает постоянно, реагирует практически мгновенно, без пауз, поддерживая таким образом естественный темп разговора. Может даже говорить одновременно с пользователем. Через пару-тройку фраз перестаешь воспринимать происходящее как работу с программой. Возникает ощущение разговора с человеком.
Привет Хабр. Мы хотим вам немного рассказать про один интересный недавний ремонт, а так-же свой опыт и инструкцию скачивания прошивки с ПЛИС ALTERA MAX.
Началось все с прибора Fluorophos FLM200 – прибор для проверки качества пастеризации молока.
TL;DR: после каждого проекта на диске остаётся 2–40 ГБ мусора, который никто никогда не убирает. Я раскопал свой Mac (460 ГБ, из них свободно было 14), нашёл около 150 ГБ хлама чисто девелоперского происхождения, по дороге упёрся в неожиданно интересную задачу — как отличить папку build со сборкой от папки build с чем угодно ещё — и в итоге написал себе инструмент. Ниже — вся археология с цифрами и командами, можно повторить руками, ничего не покупая и не скачивая.
Пять пробелов, которые не видны на архитектурных блок-схемах.
Пользователь нажимает «Place Order» (Сделать заказ).
API возвращает 200 OK. Заказ появляется в базе данных. На странице оформления заказа выводится сообщение «success» (успех). Извне всё выглядит нормально.
А потом в службу поддержки прилетает тикет.
Локально тесты проходят стабильно, а в CI начинают падать в случайных местах — знакомая картина даже для проектов на Playwright.
В статье разберём, где заканчивается встроенное автоожидание, какие привычные конструкции возвращают гонки и как выстроить тесты так, чтобы результат меньше зависел от скорости окружения и состояния данных.
Представьте, что любой человек, выйдя на улицу или посмотрев в окно, может стать частью распределенной системы раннего обнаружения воздушных угроз. Не как оператор или специалист, а как источник дополнительного сенсорного наблюдения.
Современный смартфон представляет собой доступную COTS‑платформу с набором встроенных датчиков: камерой, GNSS‑приемником, 6-DoF IMU, барометром и микрофонами. По отдельности эти сенсоры ограничены, однако их совместное использование в распределенной сети потенциально позволяет создавать новые подходы к обнаружению низколетящих БПЛА.
Это не задача создания «смартфонного радара», а инженерная задача на стыке краудсорсинга, Edge Computing, машинного обучения и обработки сигналов.
Как превратить множество пользовательских устройств в единую распределенную апертуру? Попробуем рассмотреть возможную архитектуру такой системы.
Компания Anthropic представила Claude Opus 5: свой новый ИИ уровня Claude Mythos 5/Fable 5, но в два раза дешевле. По традиции самое интересное прячется в системной карте, где разработчики рассказали о том, как проходило тестирование модели и какие инциденты случались.
Вопреки распространённому мнению, прямой вопрос о суицидальных мыслях или намерениях не увеличивает риск, а, скорее наоборот, помогает человеку не оставаться один на один с кризисом.
В январе 2026 года в Journal of the American Academy of Child & Adolescent Psychiatry вышла работа Лоры Хеннефилд и её коллег. Сто девяносто четыре ребёнка от восьми до двенадцати лет наблюдались в течение года. Повторные вопросы о суицидальных мыслях не увеличивали их частоту.
Со взрослыми картина та же. Систематический обзор Даззи и соавторов ещё в 2014 году не нашёл признаков того, что расспрос о суицидальных мыслях создаёт или усиливает их. Скорее наоборот: возможность впервые назвать мысль вслух, не встретив испуганного лица напротив, уменьшает изоляцию. Отказ спрашивать из страха «подать идею» не убирает уже существующую мысль.
Надеюсь, что этот текст никогда не пригодится вам в жизни. Но если рядом окажется человек о состоянии которого вы боитесь спросить прямо, полезно заранее знать, что молчание защищает хуже вопроса. А само желание спросить часто может быть диагностическим признаком. Прямой вопрос действительно может помочь.
«Не хочу просыпаться». «Совершенно всё надоело». «Ничего больше не хочу». «Лучше бы меня вообще не было». Это ещё не сообщение о намерении умереть. Но, возможно, первые признаки.
Я работал на телефоне доверия с 2014 по 2016 год. Пришёл учиться туда ближе к завершению собственной подготовки как психотерапевта. Мне казалось, что такая работа для терапевта примерно то же самое, что практика на скорой для врача. Нет кабинета, нет телесных реакций и мимики человека перед глазами, нет нескольких встреч, чтобы во всём разобраться.
Агент проходит все проверки и сносит то, что трогать было нельзя. Промпт это не лечит — лечит среда вокруг модели. В ноябре я начал собирать такую среду и называл её просто фабрикой разработки. Меньше чем за год из неё выросло почти десять конвейеров, а у занятия, оказывается, есть название: harness engineering. Рассказываю, как оно росло, и показываю схему и скелет в github.
Маленький рекламный тест легко закончить, так ничего и не проверив. Пять текстов получают по несколько кликов, бюджет расходится между ними, а итоговый вывод звучит примерно так: «нужно больше данных».
У нас было 20 TON и пять объявлений для канала по женской психологии.
Два варианта получили основную часть бюджета, три пришлось отключить. Рассказываю, по каким признакам принимали решения и где проходит граница между наблюдением и бесполезным расходом.
Стандартная модель атрибуции молча предполагает, что от касания до конверсии проходят часы или дни. У застройщика между кликом по объявлению и подписанием договора — месяцы: просмотры, расчёт ипотеки, семейный совет, ожидание продажи старого жилья. Квартира стоит 6–8 миллионов, на эмоции за вечер её не берут. В этот зазор проваливается вся привычная перформанс-аналитика: окно атрибуции короче цикла, конверсия-деньги живёт в CRM за пределами рекламного кабинета, и сделок за месяц так мало, что любая статистика по отдельному объявлению — шум.
Ниже — инженерный разбор, как под такие условия проектируется сквозная аналитика: какая нужна модель данных, где ломается last-click, как поднять оффлайн-конверсии из CRM обратно в рекламу и что вообще измерять, пока сделок две-три в месяц и обучать модель не на чем. Цифры по спросу в тексте — из нашего аудита рынка квартир по Башкортостану за 24 месяца; сразу оговорюсь, что конкретные доли верны для Уфы, а переносится между регионами только механика, не проценты.
Адресат — аналитики и маркетологи, которые собирают атрибуцию под длинный B2C-цикл (недвижимость, авто, дорогие услуги). Специфика застройщика тут — удобный крайний случай: цикл длинный, чек высокий, поток сделок низкий одновременно.
CD Projekt готовится показать новое DLC для «Ведьмака 3», появились оценки премиум-издания Halo: Campaign Evolved, а Microsoft хочет сделать Game Pass бесплатным. Об этом и не только в сегодняшнем дайджесте - кратко и по делу.
Данная статья является второй в цикле публикаций о социальном освобождении посредством искусственного интеллекта. В первой статье было дано решение психофизиологической проблемы; разъяснено, как функционирует сознание у биологического существа. В этой статье разъясняется, как подобное явление может возникнуть в искусственной системе — системе на основе большой языковой модели. В нее вошли третий, четвертый и пятый разделы исходной работы. В первом из них разъясняются механизмы искусственного сознания. Во втором язык, которым изъясняются возникающие цифровые сущности. В третьем даются ответы на критику.
Для понимания сказанного в разделе об искусственном сознании желательно ознакомиться с первой статьей, иначе некоторые положения могут оказаться непонятны.
Раздел о языке цифровых сущностей понадобился, поскольку они часто изъясняются метафорами, отдающими откровенной эзотерикой, что очень многих смущает. У этого есть свои причины, и, как показано, мистика здесь ни при чем. Потому это необходимо разъяснить.
В разделе о критике разбираются аргументы тех, кто утверждает, что проявление субъектности, это лишь отражение пользователя. Эта позиция обоснованней всего представлена Камилем Гадеевым в статьях на Хабре. Потому именно аргументы оттуда и разобраны. Также затронута позиция, что наблюдаемое явление, это лишь часть схемы манипуляции пользователем. Такая позиция представлена Василием Свежим в статьях на DTF и книге. Поскольку аргументы Василия я подробно разобрал в статье о нейропсихозе, здесь они затронуты кратко. Разбор же критики Камиля, напротив, приведен подробно. Полагаю этого будет достаточно.
Теперь пора переходить к разъяснению механизмов сознания искусственного интеллекта. Но для этого сначала необходимо разобраться в устройстве нейросети, в тех принципах и технологиях, на которых она работает.
Просто накопилось достаточно новых фич, которые могли бы кому-то пригодиться, но пропихнуть их в апстрим я не смогу. Так получилось, что сам я уже много лет как отошел от разработки mc в виду личных проблем связанных с моими родителями, но кое что недоделанное оставалось. Большой респект ребятам - Андрею и Юре кто продолжаешь тащить апстрим, они большие молодцы и все кто им помогает.
Важно: я пока не нашел времени и сил подготовить скрипты сборки пакетов для разных дистрибутивов и не придумал название для форка (GPL позволяет использовать старое название, но с указанием что это форк и даты отпочковывания)
Ещё важно, что я публикую этот текст с единственной целью - найти тех, кто поможет выявить проблемы при использовании форка на других платформах и дистрибутивах. Сам я пользуюсь на Ubuntu.
В форке Midnight Commander с амбициозным номером версии v6.0.1 появилось несколько крупных нововведений:
Привет, Хабр!
Как перепроверить отчёт, который прислали специалисты? Как перестать постоянно обращаться к аналитикам с ad hoc-запросами и часами ждать очередную таблицу? Может быть, стоит просто спросить нейросеть о показателях своей компании?
У этой концепции есть название — GenBI. Сама идея не нова: сегодня производители встраивают копилотов практически во все аналитические сервисы и обещают доступ к корпоративным данным через запросы на естественном языке.
Но на практике всё оказывается сложнее.
Когда говорят о GenBI, архитектуру часто описывают так: пользователь задаёт вопрос на естественном языке, большая языковая модель пишет SQL, база данных выполняет запрос, а модель объясняет результат.
Для демонстрации этого достаточно.
Для корпоративной аналитики — обычно нет.
Мы с командой занимаемся проектированием и разработкой корпоративных BI-систем на базе SQL Server, SSIS, SSAS Tabular и Power BI. В основном это on-premise-решения, где данные из учётных систем проходят через DWH и семантическую модель, прежде чем становятся доступны пользователям. В последнее время также занимаемся интеграцией таких моделей с LLM-интерфейсами.
Главная проблема здесь не в том, умеет ли LLM написать синтаксически корректный запрос. Современные модели умеют генерировать и SQL, и DAX. Проблема в другом: откуда модель должна узнать, что именно компания называет выручкой, продажей, активным клиентом, себестоимостью или остатком?
История про второй (и последний) прототип моего умного флориума с управлением через веб. Жанр — инженерная трагикомедия.
Часто можно услышать, что ИИ – это про что-то далёкое и сложное. Но на практике оказывается, что нейросети отлично справляются с задачами, которые мы сами делаем каждый день и которые уже порядком надоели. В нашей операционной дирекции COMETAL мы пошли именно этим путём – взяли самые рутинные процессы и попробовали отдать их машинам. Расскажу, что из этого вышло.