В сентябре продолжаем серию экскурсий в Музее криптографии!

В этот раз проводником в мир науки и технологий станет Владимир Бельский, заместитель руководителя лаборатории криптографии компании "Криптонит".

Его профессиональная деятельность сосредоточена на синтезе и анализе криптографических методов защиты в области Интернет-протоколов передачи информации, безопасности мобильных систем связи, а также средств обработки и передачи персональных данных. Владимир является экспертом и руководителем группы по разработке криптографических механизмов подвижной радиотелефонной связи Технического комитета по стандартизации ТК 26 «Криптографическая защита информации».

Вы узнаете, чем ключ отличается от пароля, почему публичный Wi-Fi может быть небезопасен, понять принципы работы TLS- и SSL-сертификатов, защищающих современные сайты и многое другое! 

Кому будет интересна экскурсия?

▪️ИТ-специалистам, разработчикам и студентам технических специальностей;

▪️Всем, кто интересуется криптографией, информационной безопасностью, историей технологий и устройством цифрового мира.

Будем ждать вас в Музее криптографии 10 сентября в 18:30! Регистрация по этой ссылке.

Что такое HAWK? Рассказывают сотрудники лаборатории криптографи ИТ-компании «Криптонит».

HAWK — это постквантовая схема электронной подписи на решётках, представленная международной группой криптографов на конференции ASIACRYPT в 2022 году. С тех пор HAWK участвовал в дополнительном конкурсе электронных подписей NIST. В мае 2026 года в третий раунд прошли девять схем, и HAWK оказался единственной решёточной среди них.

Главные преимущества HAWK в низких аппаратных требованиях (экономия оперативной памяти, нет операций с плавающей запятой) и компактности (малый размер открытых ключей и подписей). Однако стойкость HAWK опирается на модульную задачу изоморфизма решёток (module-LIP), для которой нет доказательства NP-сложности.

28 июля 2026 года компания Anthropic опубликовала статью, в которой с помощью модели Claude Mythos Preview доказала возможность построить атаку восстановления ключа HAWK. Модель нашла нетривиальный автоморфизм решётки ключа.

То, что нетривиальный автоморфизм делает атаку возможной, было известно и раньше (см. работу Гента и Пуллеса). Открытым оставался вопрос, доступен ли такой автоморфизм в решётке HAWK.

В работе Anthropic речь не идёт о взломе. Сложность атаки остаётся экспоненциальной, но она существенно снижает эффективную длину ключа. В эксперименте секретный ключ для набора параметров HAWK-256 (здесь 256 — степень кольца, а не длина ключа) удалось восстановить за несколько часов на одном 96-ядерном сервере.

Подчеркнём, что HAWK-256 — чисто испытательный набор параметров, не отвечающий ни одному уровню стойкости NIST. На практике предлагается использовать HAWK-512 и HAWK-1024.

Для HAWK-512 в модели подсчёта логических элементов стоимость восстановления ключа падает с 2^150 до 2^108, а для HAWK-1024 — с 2^288 до 2^182.

Разработчики признали проблему и отозвали схему с конкурса. Для восстановления запаса стойкости HAWK потребовалось бы почти удвоить размеры ключей, а это лишило бы схему её главного преимущества.

Новая экскурсия с криптографами «Криптонита»!

15 августа в 16:00 в Музее криптографии пройдёт третья экскурсия — её вновь проведёт Иван Чижов, наш заместитель руководителя лаборатории криптографии по научной работе.

Посетить тур с практикующим криптографом — это уникальная возможность увидеть экспозицию глазами профессионала. Иван поможет разобраться в незнакомых терминах и раскроет секреты мира шифрования.

Следить за расписанием экскурсий можно по ссылке!

Что такое GeoRA? Рассказывают сотрудники лаборатории искусственного интеллекта компании «Криптонит».

В этом году группа китайских исследователей представила новый подход для эффективной настройки больших языковых моделей (LLM) в режиме обучения с подкреплением и проверяемыми наградами (RLVR).

Авторы показывают, что обычные методы параметрической тонкой настройки (PEFT), включая низкоранговую адаптацию (LoRA), не всегда эффективны в RLVR. Они не учитывают геометрию скрытого пространства (LSC), из-за чего обучение становится менее эффективным.

Метод GeoRA (Geometry-Aware Low-Rank Adaptation) призван устранить этот недостаток. Его ключевая идея в том, чтобы учитывать геометрическую структуру модели. RLVR-обновления часто лежат в анизотропном и сжимаемом подпространстве весов. Работа с ним не должна ломать основные признаки, уже выученные моделью.

Напомним, что LoRA обучает лишь небольшие низкоранговые матрицы вместо всех весов модели, поэтому она популярна в задачах экономного дообучения. GeoRA сохраняет эту идею, но добавляет сингулярное разложение (SVD, Singular Value Decomposition) и строит адаптер не прямо из исходной матрицы, а из геометрически ограниченного подпространства весов.

В GeoRA используется SVD для получения сингулярных компонент, которые и позволяют выделить главные направления обновления. Поэтому GeoRA одновременно обучает компактный адаптер и замораживает остаточные компоненты, что делает оптимизацию более устойчивой.

В результате достигается баланс между размером обновляемой части модели и стабильностью оптимизации. Вдобавок, GeoRA требует меньше вычислений, так как затрагивает мало параметров при обучении, а модель сходится быстрее.

Авторы проверили GeoRA на моделях Qwen и Llama с 1,5 – 32 млрд параметров, используя групповую относительную оптимизацию политики (GRPO) как основной RLVR-алгоритм. На математических бенчмарках GeoRA стабильно обошёл LoRA, PiSSA и MiLoRA, а также показал хорошие результаты на задачах по медицине и программированию.

Продолжаем серию экскурсий с криптографами «Криптонита»!

23 июля в 18:30 в Музее криптографии пройдёт вторая экскурсия — её проведёт Иван Чижов, заместитель руководителя лаборатории криптографии по научной работе в компании «Криптонит».

Посетить тур с практикующим криптографом — это уникальная возможность увидеть экспозицию глазами профессионала. Иван поможет разобраться в незнакомых терминах и раскроет секреты мира шифрования.

Экскурсии рассчитаны на студентов, абитуриентов и молодых технических специалистов.

Следить за расписанием можно по ссылке!

Что такое SpikeDecoder? Разбираемся вместе с лабораторией искусственного интеллекта «Криптонита».

ChatGPT, Gemini, DeepSeek и другие большие языковые модели (LLM) построены на архитектуре трансформеров. Они тратят много вычислительных ресурсов и, как следствие — энергии, обрабатывая каждый запрос.

Ранее предпринималось множество попыток оптимизировать LLM. Один из популярных подходов заключается в использовании для отдельных компонентов LLM спайковых нейросетей (SNN — Spiking Neural Networks), снижающих объём самых энергозатратных вычислений — с плавающей запятой. Особенно это касается операций перемножения матриц, которые характерны для трансформеров.

При этом разные SNN-адаптации предлагались в основном для энкодеров. Другую часть трансформеров — декодеры, оказалось адаптировать сложнее.

Команда исследователей из Мюнхенского технического университета недавно представила SpikeDecoder — спайковый декодер для LLM. Это полностью спайковый декодер, который обучается напрямую.

В SpikeDecoder используются спайковые нейроны типа LIF (Leaky Integrate-and-Fire). Они перенесены на входы блоков, чтобы полностью исключить умножения с плавающей запятой в остаточных связях (residual connections).

Авторы проанализировали различные варианты нормализации и остановились на степенной (power) достигнув точности 81,7%. Они объединили нормализацию с предшествующими ей линейными слоями, что устранило необходимость выполнять отдельные ресурсоёмкие операции нормализации над спайками.

Разработчики заявляют, что SpikeDecoder снижает потребление энергии до 93% по сравнению с декодером классической архитектуры. Их работа показывает, что архитектуру трансформера можно реализовать полностью на спайках с сохранением обучаемости и драматическим выигрышем в энергоэффективности.

Приглашаем на экскурсии с криптографами!

27 июня в Музее криптографии мы запускаем серию экскурсий, которые проведут практикующие криптографы «Криптонита».

Посетители смогут не просто ознакомиться с постоянной экспозицией, но и обсудить с экспертами реальные механизмы защиты данных.

Первую экскурсию проведёт Василий Шишкин, руководитель лаборатории криптографии «Криптонита»!

Он расскажет:
• чем криптографический ключ принципиально отличается от пароля;
• про логику работы TLS-сертификатов, на которых держится защита сайтов;
• есть ли слабые места у протокола Signal и многое другое!

Экскурсии будут проходить раз в месяц. Они рассчитаны на студентов, абитуриентов и молодых технических специалистов.

Следить за расписанием можно по ссылке

Что такое VLM? Рассказываютэксперты лаборатории искуственного интеллекта компании «Криптониа».

Обычно нейросети работают с каким-то одним форматом данных. Например, большие языковые модели (LLM) обрабатывают текст, а диффузионные модели генерируют картинки. Однако есть и более универсальные решения, способные одновременно анализировать текст и изображения.

К такому типу мультимодальных нейросетей как раз относится VLM (Vision-Language Model).

Понимать связь между текстом и картинками нужно для разбора научных статей, подготовки презентаций и во многих других задачах, где иллюстрации органично дополняют текстовые описания.

Понятие VLM возникло в процессе развития машинного обучения и стало общеупотребительным в 2019 году, когда появилась модель ViLBERT (Vision-and-Language BERT).

Концепция VLM стала основой мультимодальных систем, объединяющих технологии компьютерного зрения и обработки естественного языка. Она активно используется в разных областях, от образования и здравоохранения до робототехники и умной видеоаналитики.

Сегодня есть множество VLM, как проприетарных, так и с открытым исходным кодом. Самые известные «закрытые» — GPT от OpenAI, Gemini от Google и Claude от Anthropic. Среди открытых популярны модели семейства LLaVA и китайская Qwen-VL.

Модели следующего поколения называют VLA (Vision-Language-Action). Они не просто анализируют увиденное, но и выполняют действия в физическом мире. Например, в сценарии Ambi Robotics они управляют манипуляторами роботов при сортировке посылок.

Смотрите новый ролик о компании «Криптонит»!

«Криптонит» — это в первую очередь команда людей, которая создаёт технологические решения для безопасности общества. Это не просто коммерческая деятельность — это социальная цель.

Смотреть на:

• Сайте компании

• ВК Видео

• YouTube

• Rutube

Что такое TurboQuant? Разбираемся с термином вместе с экспертами из лаборатории ИИ компании «Криптонит».

Исследователи из Google Research представили на конференции ICLR 2026 новый набор алгоритмов квантизации TurboQuant. Он призван решить проблему чрезмерного потребления памяти при работе нейросетей с длинными контекстами.

В своих экспериментах авторы достигли с TurboQuant уменьшения требуемого объёма памяти в 6,4 раза при снижении точности всего на 1,2%. В наборе тестов LongBench, ZeroSCROLLS и RULER при сжатии до 5 раз практически отсутствовала разница в точности по сравнению с исходной моделью.

В отличие от популярных подходов (GPTQ, AWQ), TurboQuant сжимает не веса модели, а её «рабочую память», KV-кэш. Вдобавок, с ним не нужно хранить громоздкие поправочные коэффициенты, которые съедают выигрыш от сжатия.

При вычислении логитов внимания (attention logits) сжатая TurboQuant 4-битная модель сравнивалась с немодифицированной 32-битной в задаче обработки ключей KV-кэша. Это «узкое место» больших языковых моделей (LLM) и один из самых ресурсоёмких этапов инференса. В эксперименте с Nvidia H100 ускорение данного этапа наблюдалось до 8 раз.

Столь выдающийся результат был получен за счёт новой двухступенчатой схемы. Сначала PolarQuant преобразует декартовы координаты в полярные, что позволяет обойтись без вычислительно затратной нормализации и полностью исключает накладные расходы памяти (memory overhead). Затем алгоритм QJL (Quantized Johnson-Lindenstrauss) исправляет ошибки квантизации, повышая точность последующих вычислений.

Согласно проведённым авторами экспериментам, TurboQuant позволяет обрабатывать LLM в разы более длинные контексты на существующем оборудовании, одновременно увеличивая скорость и снижая расходы на обработку сложных запросов.

Сегодня последний шанс зарегистрироваться на дататон «Криптонит.Тембр»!

Уже завтра пройдёт открытие дататона «Криптонит.Тембр» — встречаемся онлайн, в субботу, 11 апреля в 12:00!

Дататон «Криптонит.Тембр» — соревнование по распознаванию голоса!

Участникам предстоит обучить модель распознавания голоса, которая сможет идентифицировать человека даже при сильных искажениях аудио.

Модель должна устойчиво работать в реальных условиях: при шуме, реверберации, большом расстоянии до микрофона, искажениях связи и других помехах.

К участию допускаются команды от 1 до 5 человек.

Призовой фонд — 600 000 ₽. А лучшие участники получат шанс присоединиться к команде разработчиков «Криптонита»!

В прямом эфире эксперты лаборатории искусственного интеллекта «Криптонита» разберут детали задачи, критерии оценки и другие детали. Также участники смогут задать свои вопросы в чате, а коллеги на них ответят.

Ждём вас завтра на прямом эфире!

Сегодня эксперты ИТ-компании «Криптонит» рассказываем про постоянную Капрекара.

В 1949 году индийский математик-самоучка Д. Р. Капрекар придумал занимательный алгоритм циклического вычитания с перестановкой цифр, который позже назвали функцией Капрекара.

Возьмём любое четырёхзначное число (можно использовать ведущие нули), в котором не все цифры одинаковы. Затем составим из его цифр два новых числа. В одном все цифры запишем по возрастанию, а в другом – по убыванию. Вычтем из большего числа меньшее. Подставим результат в начало функции и повторим процедуру.

В итоге мы всегда получим 6174.

Например, исходное число 1324. Запишем его цифры по возрастанию (1234) и по убыванию (4321). Вычислим разность: 4321 - 1234 = 3087. Повторим процедуру для полученной разности. По возрастанию: 0378. По убыванию: 8730. Разность: 8730 - 0378 = 8352. Повторим ещё раз: по возрастанию: 2358. По убыванию: 8532. Разность = 8532 - 2358 = 6174.

При последующих повторах мы будем получать 6174 снова и снова. По возрастанию: 1467. По убыванию: 7641. Разность: 7641 – 1467 = 6174.

Число 6174 получило название «постоянная Капрекара». В примере выше мы получили её всего за три итерации! Позже в работах самого Капрекара и его последователей было показано, что такой результат достигается не более чем за 7 итераций.

Для трёхзначных чисел существует своя константа — 495. Она достигается по тому же алгоритму максимум за 6 итераций.

Постоянная Капрекара используется преимущественно в занимательной математике, для демонстрации свойств итерационных алгоритмов и как пример сходимости в теории чисел.

Приглашаем на встречу о профессии «Инженер в области искусственного интеллекта»!

• Где сегодня проходит граница между научным исследованием и прикладным программированием в области ИИ?

• С какими вызовами сталкиваются лаборатории при обучении моделей-гигантов?

• Какую роль в карьере играет академический бэкграунд?

• Как устроена жизнь внутри университетских R&D-центров и чем она отличается от разработки в коммерческих ИТ-гигантах?

Обо всём этом в эту субботу расскажет Виталий Пирожников, руководитель лаборатории искусственного интеллекта в «Криптоните», вместе с представителями других компаний!

Где: в Музее криптографии (Москва, улица Ботаническая, дом 25, строение 4) Когда: 4 апреля, суббота, начало в 15:00 Как попасть: посещение встречи бесплатное. Нужно только зарегистрироваться по ссылке.

Встреча проходит в рамках профориентационного проекта «Ключ к профессии», которые проводит Музей криптографии. Эти встречи полезны для старшеклассников и студентов младших курсов, планирующих связать жизнь с наукой и инженерией.

Речевая аналитика компании «Криптонит» включена в реестр российского ПО

В реестр вошли программные модули, обеспечивающие решение ключевых задач работы с речевой информацией:

• транскрибирование голосовой информации;

• поиск именованных сущностей;

• определение возрастной группы;

• определение языка разговора;

• машинный перевод текста на русский язык для языковой пары английский-русский;

• выделение речевых и неречевых участков (шумовых, гудков, автоответчиков);

• автоматическая оценка разговора (крик, шепот, нормальная речь).

Подробнее читайте на нашем сайте

Друзья, ИТ-компания «Криптонит» хочет оставаться на связи в любых обстоятельствах!

Поэтому, следуя новым трендам, мы запустили официальный канал «Криптонита» в MАX. Там мы планируем делиться новостями компании, нашими видеоподкастами, вакансиями и многим другим.

Чтобы не потеряться, подписывайтесь на нас в MAX — https://max.ru/id9701115253_biz

Напомним, что вы также можете читать и смотреть нас на других платформах:

• Telegram

• VK

• YouTube

• Rutube

• Я.Музыка

Руководитель группы серверной разработки «Криптонита» Артём Корсаков ведёт проект Scalabook. Это уникальная русскоязычная база знаний по Scala.

И недавно он добавил туда новые страницы — делимся с вами. Отправляйте знакомым «скалистам»!

• Новый статус завершенной задачи

• Автоматическая генерация SQL-запросов

• Жизненный цикл задач

• Завершение задачи

• Авторизация

• Клиентское API

• Endpoint-ы авторизации

• Endpoint-ы настроек

• Endpoint-ы задач

Приглашаем на встречу о профессии «Специалист по информационной безопасности»!

• Как превратить интерес к поиску уязвимостей в карьеру?

• Как устроена работа в департаментах по реагированию на инциденты, и почему здесь важна скорость реакции и аналитический склад ума?

• Какие навыки и знания необходимы новичку для успешного старта в индустрии?

Обо всём этом в эту субботу расскажет Борис Степанов, руководитель направления по анализу безопасности в «Криптоните», вместе с представителями других ИБ-компаний!

Где: в Музее криптографии (Москва, улица Ботаническая, дом 25, строение 4)
Когда: 21 марта, суббота, начало в 15:00
Как попасть: посещение встречи бесплатное. Нужно только зарегистрироваться по ссылке

Встреча проходит в рамках профориентационного проекта «Ключ к профессии», которые проводит Музей криптографии. Эти встречи полезны для старшеклассников и студентов младших курсов, планирующих связать жизнь с наукой и инженерией.

ИТ-компания «Криптонит» запускает дататон «Криптонит.Тембр» — соревнование по распознаванию голоса!

Участникам предстоит обучить модель распознавания голоса, которая сможет идентифицировать человека даже при сильных искажениях аудио.

Зарегистрироваться!

Модель должна устойчиво работать в реальных условиях: при шуме, реверберации, большом расстоянии до микрофона, искажениях связи и других помехах.

Участвовать могут:

• студенты;

• молодые специалисты;

• профессионалы в Data Science и Deep Learning.

К участию допускаются команды от 1 до 5 человек.

🪙 Призовой фонд — 600 000 ₽. А лучшие участники получат шанс присоединиться к команде разработчиков «Криптонита»!

Регистрация до 10 апреля включительно. Финал соревнования — 26 апреля. Более подробный таймлайн ищите на сайте — http://dataton-kryptonite.ru/

Зарегистрироваться на дататон «Криптонит.Тембр»

Вышел наш новый подкаст #Криптонит_говорит про тестирование!  Мы обсудили тренды профессии, поговорили об образовании в этой сфере и узнали, почему разрыв между разработкой и тестированием сокращается (и так будет и дальше).

 Смотрите и слушайте выпуск на любой удобной платформе:

·       VK Видео

·       YouTube

·       Rutube

·       Подкаст в телеграме

·       Я.Музыка

В выпуске приняли участие:

·       Александр Гречин, руководитель департамента тестирования в «Криптоните»;

·       Алексей Москалев, ведущий инженер по автотестированию, Департамент развития платформы Голосового Антифрода, билайн.

Что за новый фреймворк OGD4All? Разбираемся вместе с лабораторией искусственного интеллекта компании «Криптонит».

Open Government Data For All (OGD4All) — новый фреймворк, использующий большие языковые модели (LLM) для работы с открытыми геоданными. Он позволяет задавать вопросы на естественном языке, без сложных SQL-запросов и специализированных ГИС-инструментов.

Вместо того, чтобы разбираться в геопорталах и программировать запросы, с этим фреймворком вы можете просто сказать системе: «Покажи станции метро в этом районе. Добавь на карту школы, исключая частные. Отметь все улицы, проходящие вдоль водоёмов».

Проще говоря, OGD4All выступает интеллектуальным посредником. Он обрабатывает ваш вопрос с помощью LLM, автоматически находит нужные наборы открытых данных, обращается к ним через API и возвращает готовый ответ. Причём, ответ может быть не только текстовым, но и в виде карты, или диаграммы.

Такой подход упрощает работу с массивами открытых геоданных. OGD4All делает их доступными для людей разных профессий — исследователей, журналистов, предпринимателей… Все они могут легче находить подходящие места для разных целей, проверять гипотезы и находить неочевидные взаимосвязи.

OGD4All — это наглядный пример современного тренда, в котором ИИ становится агентом, способным выполнять многоэтапные задачи. Он комбинирует большие языковые модели (LLM) и RAG, объединяя их через агентную архитектуру.