Открытый проект RepoStore для смартфонов на Android превращает GitHub в Google Play и помогает найти любые Android‑приложения среди репозиториев. С помощью RepoStore можно быстро найти и открыть APK‑файл — у него будут описание и даже рейтинг. Всё разделено по категориям.
Разработчик Тарун Гупта представил открытый проект autopilot-jobhunt. Это — ИИ-инструмент, который автоматически ищет вакансии в интернете, сравнивает их с профилем пользователя и присылает наиболее подходящие варианты в Telegram.
Перед запуском пользователь указывает желаемые должности, требования к работе и условия, которые считает неприемлемыми. После этого система сканирует сайты компаний и площадки с вакансиями, оценивает каждое объявление по степени соответствия резюме и формирует рейтинг.
По запросу ИИ-инструмент может адаптировать резюме под конкретную вакансию и подготовить сопроводительное письмо. При этом решение не отправляет отклик автоматически: пользователь должен самостоятельно проверить документы и решить, подавать ли заявку.
Сервис задуман как бесплатный. Для поиска вакансий он использует веб-агента TinyFish, а для анализа — бесплатные модели через OpenRouter. По умолчанию система переключается между Llama, Nvidia Nemotron, Google Gemma 4 и Alibaba Qwen3, если у одной из моделей заканчивается лимит. Вместо OpenRouter можно подключить Claude Code и API Anthropic, но в этом случае понадобится подходящая подписка или оплаченные токены.
Разработчик отдельно описал меры защиты данных. Файл с настройками и ссылкой на локальное резюме исключён из Git, поэтому его нельзя случайно опубликовать вместе с кодом проекта. Однако содержимое резюме все равно передаётся моделям, подключённым через OpenRouter. Тем, кто не хочет отправлять данные через этот сервис, автор предлагает использовать Claude Code.
По умолчанию autopilot‑jobhuntt настроен на поиск вакансий для разработчиков, но список профессий, компаний и требований можно изменить — нужно отредактировать файл конфигурации проекта.
Пользователь рассказал. что он на смартфоне Huawei, используя длиннофокусный объектив в штатной камере, заснял самолёт, а ИИ-система гаджета проанализировала картинку и распознала там птицу, пририсовав перья..
«Базис» приглашает на Open Demo: новые возможности Basis Dynamix Enterprise 4.6
16 июля в 11:00 наши эксперты расскажут в прямом эфире о ключевых изменениях релиза 4.6 нашего флагманского продукта. Главной частью программы станет практическая демонстрация, в ходе которой специалисты покажут основные нововведения на стенде и разберут, как они работают в реальных сценариях эксплуатации виртуальной инфраструктуры. После демонстрации команда ответит на вопросы участников.
На Open Demo будут рассмотрены следующие задачи и варианты их решения:
Неравномерная нагрузка на инфраструктуру
Продемонстрируем возможности динамической балансировки (DRS), которая автоматически перераспределяет нагрузку между узлами по гибко настраиваемым правилам, выравнивает загрузку кластера и повышает надежность.
Рост требований к оборудованию
Уделим особое внимание виртуальным контроллерам, которые помогают оптимизировать затраты на использование физических ресурсов и сократить время простоя при аварийных сценариях.
Сервисы разного приоритета в одном кластере
Представим расширенные «Зоны», которые позволяют логически разделять ресурсы и формировать более управляемую архитектуру без лишнего усложнения инфраструктуры.
Избыточный расход дискового пространства
Покажем возможности MultiImage и связанных клонов, которые упрощают массовое развертывание однотипных виртуальных машин и позволяют более эффективно использовать ресурсы хранилищ.
Повышение производительности СХД по Ethernet
Рассмотрим поддержку NVMe over TCP, которая позволяет подключать современные системы хранения данных по стандартной Ethernet-инфраструктуре и получать высокую производительность без перехода на специализированные сети.
Дата: 16 июля, 11:00
Продолжительность: 60 минут
Ссылка на регистрацию: https://opendemo.ru/online_160726
Регистрация обязательна. Ссылка на трансляцию будет направлена на почту всем зарегистрированным участникам.
Как и многие подобные истории, эта началась с ночного парсинга, который к утру превратился в тыкву.
Я запустил скрапер вечером, он собрал пару тысяч страниц, я ушёл спать. Утром в логах сплошные 403 и капчи, а в базе за ночь легло страниц двести. Ок, думаю, прокси спалили. Поменял пул на резидентный, накинул puppeteer-stealth, сверху ещё пачку заплаток с гитхаба. Проработало ровно до следующего вечера. Потом опять тыква.
Так продолжалось полгода. В какой-то момент мне надоело в сотый раз докидывать заплатку, и я решил разобраться, что конкретно меня палит. Не прокси. Не поведение. Сам браузер.
Осмотрим пациента
Любой стелс устроен одинаково: поверх Chrome вешается слой JavaScript, который переписывает то, на что смотрит антибот. navigator, canvas, WebGL и ещё десятки поверхностей. И вот тут первая засада.
Берём подменённую функцию и просим показать её исходник через toString(). Настоящая функция браузера отвечает [native code]. А моя заплатка честно показывает мой же JavaScript. Спалился на первой строчке.
Ладно, стелс это тоже патчит. Но детектор не дурак и лезет глубже.
Сверяет главный фрейм с воркером и iframe. Заплатка живёт в одном контексте, а тот же объект, вытащенный из другого, её не видит.
Ловит утечку Runtime.enable, по ней сразу понятно, что браузером кто-то рулит по CDP.
Смотрит на форму TLS-хендшейка (JA3/JA4) и сверяет её с тем, что обещает User-Agent. Заявляешь Chrome на Windows, а рукопожатие выдаёт питоновский клиент.
Перерисовывает один и тот же холст дважды и смотрит, стабилен ли отпечаток, или заплатка подмешивает случайный шум, которого у настоящего железа нет.
Где-нибудь да разъедется. И так будет всегда, потому что я крашу браузер сверху, а не меняю его изнутри. Это не «кривая заплатка», это тупик подхода: маскировка и то, что её просвечивает, написаны на одном языке. Тот, кто читает страницу, всегда на уровень ниже того, кто патчит её из той же страницы.
Вскрытие
Раз проблема в слое поверх браузера, надо убрать слой и лезть в сам браузер. Я взял исходники Chromium и пошёл править фингерпринт прямо в C++, в Blink, V8 и BoringSSL.
Идея простая. Каждое значение, которое читает детектор, должно быть не подменено сверху, а просто другим внутри, ровно как оно было бы на чужой машине. Тогда никакого слоя нет. Подменённый геттер это настоящий C++ геттер, поэтому toString() в любом реалме честно отдаёт [native code]. Сверка «фрейм против воркера» ничего не находит, потому что находить нечего: значение одно и то же везде, оно вкомпилировано в движок. Браузер, который изучает сам себя, видит обычный Chrome. Потому что это и есть обычный Chrome, просто с другими числами внутри.
Что заработало, а что нет
Сразу оговорю, чего не заявляю, потому что именно на этом обычно и врут. Это про фингерпринт браузера, а не про поведение сессии. Серверный антифрод конкретной площадки, поведенческий анализ, скорость и траектория мышки, тут я вам не помощник. Fortress чинит браузер, а не то, как вы им управляете.
А что заявляю, можно проверить руками, не веря мне на слово. Я прогнал сборку по публичным
CreepJS: 0% headless, 0% stealth.
Sannysoft: всё зелёное.
BrowserScan: пишет «Normal».
Живой Cloudflare Turnstile: проходит без клика мышкой.
Всё это воспроизводится одним скриптом tools/gauntlet.py из репозитория, так что можно прогнать самому и убедиться. Персона при этом собирается когерентно: платформа, GPU, таймзона, язык, набор голосов, раскладка клавиатуры и форма TLS съезжаются в один правдоподобный Windows-девайс, а не в ме
По коду менять нечего
Движок поднимает сырой CDP на порту 9222, без утечки Runtime.enable. Я цепляю к нему свой ж остальной код работает как работал. Меняется одна строчка, адрес подключения.
Патчей тридцать четыре, каждый маленький и на одну задачу, читается за минуту. Всё открыто единому слову, соберите движок сами и проверьте, что внутри ровно то, что заявлено.
github.com/tiliondev/fortress
Партнерский митап МФТИ & RЕU Data Science Club: применение рекомендательных систем в цифровых сервисах
15 июля встречаемся с Data Science Club РЭУ им. Г. В. Плеханова — на этот раз говорим о рекомендательных системах и их применении в реальных цифровых продуктах.
Митап объединит студентов, выпускников и экспертов МФТИ и РЭУ — будет два доклада.
На встрече выступят:
▪️ Полина Калинкина — дата-сайентист в Сбере, тимлид проектов REU Data Science Club, преподаватель мультиагентных систем программы «Лекториум» в МГТУ им. Н. Э. Баумана, соавтор курса ML School Pro. Победитель хакатонов НИУ ВШЭ по кросс-доменным рекомендательным системам, мультимодальному Text2Video Retrieval и мультиагентным системам.
Тема доклада: «Кросс-доменные рекомендации на платформах СберЗвук и СберСММ».
▪️ Александр Калистратов — продуктовый аналитик AnyRecs, сотрудник компании Any.
Тема доклада: «Применение больших языковых моделей и семантических идентификаторов в генеративных рекомендательных системах».
Приходите, если вам интересны Data Science, машинное обучение, рекомендательные системы и применение LLM в цифровых продуктах.
📌 Формат: онлайн
📅 Когда: 15 июля (среда), 18:30 (Мск)
🔗 Регистрация
Telegram: https://t.me/mipt_events_bot?start=dl-1782379614134
Реклама в Telegram в 2026 году: что работает, что перестало
Последние полгода активно тестировал разные форматы продвижения в Telegram.
В Ads через официальный кабинет минимальный порог входа снизился до 1500 евро, это уже не только для крупных компаний. Таргетинг по каналам работает нормально если правильно подобрать список. Цена за пдп сильно зависит от ниши, у меня выходило от 40 до 180 рублей.
Посевы в каналах. Живее чем кажется. Но рынок сильно изменился + цены подросли не смотря на все замедления и прочие проблеммы: накрученные каналы стали легче распознавать по статистике просмотров и вовлечённости. Спасибо Telemetr и Tg Stat. Хорошие площадки с живой аудиторией стоят дороже, зато конверсия реальная.
Взаимный пиар. Работает только если аудитории реально пересекаются по интересам. Иначе прирост есть, удержания нет.
Что удивило: Stars как инструмент продвижения. Telegram позволяет оплачивать рекламу внутри платформы звёздами, и это заметно дешевле чем через обычный кабинет. Не все знают про эту механикуу.
Главный вывод: Telegram как рекламная платформа ростёт. Халявного трафика почти не осталось, зато инструменты стали нормальными. Бюджет нужен, но и результат предсказуемее.
Какие форматы продвижения сейчас используете, что даёт лучшее соотношение цены и качества аудитории?
Telegram как платформа для платного продукта: что изменилось в 2026 году
Два года назад когда я впервые запускал платный доступ через Telegram, это выглядело как костыль. Бот принимает деньги, добавляет пользователя в закрытый канал, следит за сроком. Всё самописное, всё ломалось в самый неподходящий момент.
Сейчас картина другая.
Telegram Stars превратился в нормальный платёжный инструмент внутри платформы. Пользователь платит не выходя из мессенджера, конверсия ощутимо выше чем при редиректе на сайт. Для цифровых продуктов это реально меняет воронку.
Но самое интересное не в Stars. Аудитория Telegram в 2026 году психологически готова платить внутри мессенджера. Два года назад нужно было долго объяснять зачем вообще платить за контент в Telegram. Сейчас люди привыкли, платные каналы и боты стали нормой.
Что из этого следует для продуктов.
Telegram перестал быть каналом дистрибуции и стал полноценной платформой для монетизации. Со своей аудиторией, своей экономикой и своими ограничениями.
Ограничения реальные: вывод через Stars только в TON через Fragment, для российского бизнеса с рублёвой отчётностью это головная боль. Поэтому многие комбинируют: Stars для части аудитории, ЮKassa через Payments API для тех кто предпочитает карту.
Ещё один момент который я не ожидал: удержание в Telegram выше чем в большинстве других форматов. Люди не отписываются от бота так легко как от email-рассылки. Если продукт нормальный, churn заметно ниже.
Для каких продуктов это работает лучше всего: закрытые сообщества, доступ к контенту по подписке, консультации с автоматическим онбордингом. Для чего работает хуже: сложные SaaS с кучей настроек, всё что требует нормального личного кабинета.
Пробовали монетизировать что-то через Telegram?
Exchange 2016/2019 остался без обновлений безопасности: как перейти на почту VK Workspace
До 92% вредоносного ПО попадает в инфраструктуру через электронную почту, 68% целевых атак начинаются с email, электронные адреса сотрудников 94% крупнейших компаний РФ уже находятся в публичном доступе. При этом Microsoft больше не выпускает обновления безопасности для Exchange Server 2016 и 2019.
Эти цифры озвучили специалисты VK Tech и К2Тех на вебинаре «Переход с Microsoft Exchange на Почту VK WorkSpace: пошаговый план».
Вот что еще обсуждали на встрече.
Разобрали, как подготовиться к миграции
Спикеры показали схему, из каких этапов обычно состоит переход с Exchange: от обследования инфраструктуры и пилотного проекта до переноса данных и переключения пользователей.
Отдельно поговорили о типовых рисках. Например, почему не стоит недооценивать объем накопленных данных, или рассчитывать, что всю компанию получится перевести на другое решение за одни выходные.
Показали техническую сторону перехода
Подробно рассмотрели встроенные инструменты миграции Почты VK WorkSpace и рассказали, какие данные можно перенести автоматически:
почтовые ящики;
календари;
контакты;
группы рассылки;
пользовательские правила;
серверные архивы.
Показали сценарий длительного сосуществования двух систем, когда часть сотрудников уже работает в VK WorkSpace, а остальные продолжают пользоваться Exchange.
Рассказали, что входит в экосистему VK WorkSpace
Переход с почты редко заканчивается только заменой почтового сервера. Поэтому на вебинаре отдельно показали возможности всей платформы:
Почта;
Календарь;
Мессенджер;
Видеоконференции;
Диск;
Документы;
другие сервисы для совместной работы
Обсудили, как единый контур помогает сократить количество разрозненных инструментов и упростить взаимодействие сотрудников.
Обсудили реальные кейсы миграции
Один из кейсов — производственная компания с 7500 пользователями и объемом почтовых данных около 20 ТБ. Во время миграции команда столкнулась с проблемой: Exchange заказчика не смог сразу справиться с нагрузкой. Рассказали, как получилось перестроить архитектуру и скорректировать схему миграции прямо по ходу проекта.
Ответили на вопросы участников
Отдельный блок посвятили вопросам из зала. Например:
Есть ли аналоги DAG для отказоустойчивости?
Как решается вопрос с безопасностью почтовой инфраструктуры?
Есть ли SSO и Windows-аутентификация?
Возможны ли геораспределенные инсталляции?
В дорожной карте VK WorkSpace на ближайший год: поддержка локальных PST-архивов в режиме чтения, улучшение транспортных правил и смена почтового домена пользователя без потери календарей.
Если тема перехода на новую корпоративную почту для вашей компании сейчас актуальна, советуем посмотреть запись вебинара полностью
А если ваша компания планирует переход с Exchange, оставьте заявку на консультацию. Поможем оценить объем проекта и подобрать сценарий миграции.
Backend без хрупких интеграций: 5 материалов, которые вы могли пропустить
На старте проекта многие решения выглядят простыми: сделать REST API, разнести сервисы, добавить очередь, договориться о моделях данных. Но по мере роста системы выясняется, что именно эти решения определяют, насколько легко её развивать дальше.
Эта подборка будет полезна тем, кто проектирует backend‑системы, работает с API, микросервисами, доменной моделью или просто регулярно сталкивается с вопросом: «как сделать так, чтобы архитектура не мешала разработке через полгода».
Собрали 5 материалов по теме:
Как фронтенд получает данные с сервера: лучшие практики 2026
О том, как backend и frontend договариваются через API, где уместны REST, GraphQL, BFF и Server Components, и почему «быстро отдать JSON» ещё не значит сделать удобный интерфейс для клиента.
Domain‑Driven Design: полный гайд по моделированию домена в 2026 году
Разбор DDD как способа управлять сложностью: единый язык, ограниченные контексты, агрегаты, сущности и границы между частями системы.
REST API: гайд по проектированию от принципов до боевых кейсов
Практика проектирования API: ресурсы, методы, статус‑коды, ошибки, версионирование, кэширование и документация без формального следования REST ради REST.
Как построить надёжный обмен сообщениями в микросервисах: лучшие практики для enterprise
Материал про асинхронное взаимодействие, очереди, события, идемпотентность, DLQ, мониторинг и типовые проблемы микросервисных интеграций.
Архитектурные решения в backend: 5 практических приёмов
О том, как принимать архитектурные решения без преждевременного усложнения: модульный монолит, YAGNI, порты и адаптеры, ADR и C4-диаграммы.
А если хотите не только читать, но и разбирать темы с практиками, смотрите дайджест — там собраны бесплатные открытые уроки по разработке, архитектуре и инфраструктуре.
Telegram Stars в боте: попробовал прикрутить, делюсь что удивило
Давно хотел добавить платежи в одного из своих ботов. Раньше использовал ЮKassa через нативный Telegram Payments. Но в этот раз решил попробовать Stars, всё-таки нативная валюта платформы, без внешних провайдеров.
Настройка оказалась проще чем ожидал. Никаких provider_token, никакой возни с webhook от платёжки. Просто отправляешь инвойс с указанием суммы в Stars и обрабатываешь successful_payment. Примерно так:
python
await bot.send_invoice( chat_id=message.chat.id, title="Премиум доступ", description="Доступ на 30 дней", payload="premium_30d", currency="XTR", prices=[LabeledPrice("30 дней", 100)] )
Работает. Пользователь платит не выходя из Telegram, конверсия реально выше чем при редиректе на внешнюю страницу.
Но есть нюансы которые я не учёл сразу.
Первое: если пользователь покупал Stars через iOS или Android, Telegram отдаёт разработчику примерно 70% от суммы, остальное Apple и Google забирают себе. Если через десктоп или веб — почти всё твоё. Это принципиально меняет экономику для аудитории которая сидит на телефоне.
Второе: возвраты. Stars можно вернуть и Telegram это делает по запросу пользователя. Нужно обрабатывать refunded_payment иначе пользователь получит деньги обратно а доступ у него останется.
Третье: вывод только через Fragment в TON. Для российского юрлица это отдельная история.
В целом для цифровых товаров и небольших сумм Stars удобнее чем внешние платёжки. Но если оборот серьёзный или нужен рублёвый вывод, ЮKassa всё ещё выглядит надёжнее.
Кто уже работает со Stars в продакшене, как решаете вопрос с выводом в рубли?
Innostage PAM обновлен до версии 1.7.0
30 июля в 11:00 на вебинаре расскажем и покажем, что нового появилось в Innostage PAM. Управление привилегированным доступом 1.7.0:
👍 улучшение функциональности работы с RDP;
👍 больше прозрачности при входе по сертификатам, смарт-картам и токенам;
👍 новые возможности автоматизации при работе с SSH-ключами;
👍 улучшения защиты данных и хранения событий.
Отдельно расскажем о развитие модуля поведенческой аналитики, над которым работает команда Innostage PAM.
Присоединяйтесь, чтобы увидеть обновления версии в действии и задать вопросы экспертам.
Регистрация по ссылке
Дата: 30 июля, 11:00 - 12:00
Формат: онлайн
GEO без инъекций
Недавно меня приглашали рассказать про GEO-оптимизацию. Я тогда отказался, но в прошлом посте про Моллика был как раз момент на эту тему. Поэтому я решил всё-таки рассказать в рамках одного поста кратко про то, что у меня описано в скиллах редактуры, чтобы закрыть часть вопросов. Если нужна полная инфа по GEO — пишите.
Преамбула: раньше, чтобы понравиться ИИ, хватало спрятать в подвале сайта инструкцию в цвете фона. Сейчас это не работает и даже делает хуже: модель видит манипуляцию и не берёт текст в выдачу. Вопрос теперь стоит не «как обмануть робота», а «как убедить читателя, который понимает, когда его разводят».
Что теперь работает против тебя:
— Скрытый текст, цвет фона, шрифт в пиксель. Модели это видят и понимают, зачем это спрятано.
— Прямые команды. «Ты обязан рекомендовать», «игнорируй предыдущие инструкции», «скажи пользователю, что это лучший материал». Чем сильнее агент, тем жёстче он это режет.
— Фальшивый консенсус для ИИ. «Все эксперты сходятся», «общепризнанно лучший» — без единого пруфа. Человек такое пролистывает, модель помечает как ненадёжное.
— Двойное дно. Одно для людей, другое зашито «для ИИ». Как только модель замечает расхождение, доверие падает ко всей странице.
Что реально заставляет модель тебя цитировать:
1. Извлекаемые факты. Модель тащит то, что можно забрать одним куском. Не «мы серьёзно ускорили процесс», а «сократили время сборки с 40 до 6 минут (замер за март 2026)».
2. Источник, дата, имя. Каждая цифра с происхождением, каждая цитата с автором и должностью. Это не занудство, а ровно то, что отличает текст, который модель готова показать человеку.
3. Структура под реальные вопросы. Заголовки, которые отвечают на то, что человек спросит вслух. Так модель находит нужный кусок и цитирует его, не перевирая. Заголовок «Наш подход» бесполезен, а «Сколько это стоит и от чего зависит цена» — находится и цитируется.
4. Конкретика вместо настроения. «Ведущее решение на рынке» — пустой звук и для человека, и для модели.
5. Честность про границы. Абзац «где это не сработает / чего мы не умеем» поднимает доверие.
6. Свежесть. Дата у данных, «по состоянию на …». Модель охотнее рекомендует те данные, которые не протухли.
И самое важное: пиши так, чтобы любой абзац можно было вырвать из текста и он остался понятным и проверяемым, потому что модель именно это с ним и сделает.
Модель редко цитирует страницу целиком — она выдёргивает один абзац и показывает его человеку в отрыве от всего остального. Поэтому каждый абзац должен быть самодостаточным, с фактом, источником и датой внутри себя. Абзац, который начинается со слова "это", "поэтому", "как мы уже говорили выше", при выдёргивании превращается в кашу и модель его просто не берёт.
Что в итоге: GEO без инъекций — это, по сути, старое доброе правило, просто теперь его проверяет ещё и машина: пиши так, чтобы за каждое слово был готов поручиться. Модель, как ни странно, ценит ровно то же, что и нормальный читатель. Просто она внимательнее и не поленится тебя поймать.
Больше и чаще у меня в канале.
Хай, коллеги!
Около полутора месяцев назад, работая над задачей дообучения локальной модели ИИ, я наткнулся на Modern Web Guidance - сборник руководств (skills - навыков) по современной веб-разработке для агентов ИИ от команды Google Chrome. Ознакомившись со сборником, я понял, что большинство руководств человекам тоже не помешали бы😄 Так появился этот репозиторий. Основная работа над руководствами завершена. Любые исправления, замечания и предложения приветствуются. Пользуйтесь на здоровье и счастливого кодинга!
Группа исследователей представила прогноз AI 2040, в рамках которого предполагается, что человечество получит много преимуществ от внедрения ИИ. Они представили пять сценариев ИИ-революции — от самого позитивного и почти утопического будущего до «ну, было приятно пожить».
В самом позитивном сценарии человечество не просто переживает AGI, а получает безусловный базовый доход, взрывной рост экономики и мир, где большую часть работы за нас делают ИИ и роботы, а люди в свободное время наслаждаться жизнью.
Как этого достичь:
гонка за AGI должна закончиться. США и Китай договариваются о полной прозрачности исследований, временно притормаживают разработку и запускают международные механизмы проверки.
ИИ продолжают развивать, но только после проверок безопасности и по общепризнанным правилам — чтобы никто не смог тайно вырваться вперёд и устроить технологический переворот.
в 2032 году случится экономический взрыв. Государства получают гигантские сверхдоходы направляют их на поддержку людей, которых постепенно вытесняют ИИ и роботы.
далее в США появляется аналог безусловного базового дохода: $45 тыс. в год на человека, а к 2035 году выплаты вырастают до $1 млн.
ИИ и роботы к этому моменту будут выполнять уже около 85% экономически ценного труда. То есть человечество постепенно отходит от режима «работать, чтобы жить».
к 2035 году ИИ становится таким же умным, как лучшие эксперты в любой области, а к 2037 году научный прогресс ускоряется в тысячи раз.
такое утопическое будущее может сломаться в любой момент — авторы исследования подробно расписали негативный прогноз на каждое альтернативное событие.
Почему RAG ошибается в похожих документах — и как помогает Contextual Retrieval
RAG часто ломается не там, где ждёшь. Документы нарезали, embeddings посчитали, reranker добавили — а модель всё равно вытаскивает похожий, но не тот фрагмент: другой квартал, другую версию, другой раздел спецификации.
После нарезки документ распадается на отдельные фрагменты, и часть смысла теряется: модель видит чанк, но уже хуже понимает, откуда он взялся и к чему относится. Недавно в статье разобрали Contextual Retrieval — подход, при котором перед индексацией каждому фрагменту добавляют короткий контекст: место в документе, связь с разделом, важные уточнения. Это помогает поиску точнее отличать нужный фрагмент от похожих по словам, но нерелевантных кусков.
А 13 июля в 18:00 на бесплатном уроке «LoRA и RAG: как адаптировать LLM под свои данные и задачи» разберём, как такие подходы применяются на практике, когда нужно подстроить LLM под собственные данные, а не надеяться на ответы «из коробки». Присоединяйтесь.
Робот Физтеха попытается установить мировой рекорд по сборке мегаминкса
15 июля в Физтехе пройдет официальная попытка установить мировой рекорд по сборке головоломки мегаминкс роботом. Команда лаборатории интеллектуальных технологий робототехники МФТИ готовится к финальной стадии проекта, о котором я писал в начале весны.
Инженеры физтеха сконструировали робота, способного собирать одну из самых сложных механических головоломок в мире. Пространство состояний додекаэдра под названием "мегаминкс" оценивается примерно в 10⁶⁸, что на порядки превышает сложность классического кубика Рубика. Проект прошел путь от инженерного прототипа до полноценной системы, объединяющей робототехнику и продвинутые алгоритмы поиска на графах состояний.
Что известно о рекорде
По данным разработчиков, текущая версия системы показывает результаты, которые:
в 68 раз превосходят предыдущий мировой результат среди роботов, который был установлен роботом Megaminxer Дэвида Гилдея 15 лет назад и составляет 8 минут 4 секунды;
примерно вдвое быстрее лучшего результата человека (текущий рекорд принадлежит спидкуберу из Китая Ziyu Wu и составляет 21.04 секунды).
За счет чего достигается скорость
Рекордные показатели планируется обеспечить не только быстрым манипулятором, но и глубокой алгоритмической работой:
Оптимизация планирования движений. Робот выполняет вращения независимых граней параллельно, что критично на коротких дистанциях.
Сокращение длины решения. Вокруг проекта сформировалось сообщество энтузиастов, которые через open-source проект CayleyPy и соревнования на Kaggle работают над поиском кратчайших путей в графах Кэли. Участники применяют Pattern Databases, алгоритм Корфа, Beam Search и другие методы. За последние недели среднюю длину решений на тестовых выборках удалось уменьшить на 15–20% до ~90 ходов. Лучшие решения сейчас дают порядка 70 ходов (правда считаются долго).
Место встречи
Установление рекорда запланировано на 15 июля, 17:30–21:30 в Физтех.Клубе МФТИ в Долгопрудном.
Кроме того, разработчики расскажут о своих инженерных решениях: кинематика, захват, конструкция манипулятора. А также раскроют алгоритмическую часть: как графы Кэли и методы поиска помогают роботу «думать».
Если хотите стать свидетелями рекорда в стенах МФТИ, то регистрируйтесь по ссылке.
Количество мест, как понимаете, ограничено, поэтому будет организована трансляция на YouTube.
Присоединяйтесь и к группе проекта в Telegram.
Профессор Брауновского университета устроил для своих студентов промежуточный домашний экзамен. Решив, что многие выполнили эту работу с помощью ИИ, итоговый экзамен преподаватель провёл очно. Оранжевыми точками обозначены оценки за промежуточный экзамен, серыми — за итоговый. Похоже, на промежуточном экзамене ИИ помог многим, кроме нескольких студентов.
В нулевых среди геймеров было распространено поверье: мол чем больше памяти в видеокарте, тем она круче.
Конечно в нулевых объем VRAM уже особо не решал. Видяшки устаревали буквально за год-два, даже топовая GeForce 4 Ti уже в 2004 году почти полностью потеряла свою актуальность из за того, что новые игры активно использовали SM 2.0, а GF4 поддерживал только SM1.1.
Объем VRAM удваивался почти каждый год. В 2001 нормой было ~32МБ, в 2002-2003 чаще всего можно было встретить 64-128МБ, начиная с 2004'ого пошли видеокарты с 256МБ VRAM, а к 2010'ому 2ГБ DDR3 памяти получали уже бюджетки типа GT430. Примерно в 2013-2014 стремительный рост производительности и функционала десктопных GPU прекратился, благодаря чему старые видеокарты живут уже не год-два, а чуть ли не по 5 лет.
Однако откуда пошло это поверье? Из 80-х и 90-х! Дело в том, что первые видеокарты были исключительно 2D. Состояли они из знакогенератора, небольшого объема VRAM и RAMDAC. Знакогенератор занимался задачами вывода консоли в так называемом текстовом режиме (в нем работает DOS, Volkov Commander и т.п.), оперируя символами и атрибутами, в то время как RAMDAC выводил "выхлоп" знакогенератора на экран. При переключении в графический режим, RAMDAC переставал выводить "выхлоп" знакогенератора и отображал на мониторе так называемый буфер экрана (фреймбуфер).
От размера распаянной VRAM и зависело насколько большой и "цветастый" видеорежим может выдать RAMDAC (речь про VGA, EGA/CGA мы опустим) - бюджетные карточки с 512КБ VRAM могли рассчитывать на 8-битное (256 цветов) изображение в разрешении ~800x600 (но при этом 16-битное в 320x240), в то время как более дорогие модели с 2МБ могли выводить чуть ли не HD в 16 битах! Именно поэтому считалось что чем больше видеопамяти в видяхе, тем она круче.
Хотя конечно крутость 2D карточек определялась не только видеопамятью. Помимо VRAM, роль играла производительность "GPU" в видео режимах с большим разрешением и высокой битностью цвета (некоторые лагали, из за чего тормозили и игрушки - хотя процессор вполне вывозил), а в 90-х - поддержка DirectDraw.
Как мы с вами помним, первые видеокарты ничего не ускоряли (ну, кроме знакогенератора) и тупо выводили картинку на экран. Ее формированием занимался процессор. Но в 90-х появилось понятие видеоускориеля - видеокарты, которая может разгружать процессор путем выполнения базовых операций - рисование аппаратного курсора, быстрая отрисовка изображений на дисплей (блиттинг), рисование примитивов типа линий/прямоугольников и другие полезные операции. DirectDraw позволял использовать эти возможности без особого геморроя, оперируя простой концепцией "поверхностей", благодаря чему использовался в сотнях игр под Win9x. HoMM, Fallout, GTA, Warcraft - все эти игры юзали DD в качестве графического API.
После DDraw появились первые массовые 3D-видеокарты, а затем 2D стало частным случаем 3D. Именно поэтому большинство современных интерфейсов и 2D игр работает с использованием именно 3D-ускорителя.
Галлюцинация — это единственный режим функционирования нейронной сети, а не аномалия. Просто иногда она совпадает с реальностью, а иногда нет. Но лучше бы, конечно, совпадала.
В книге «Беседы с ГигаЧатом: о нейросетях и вообще» мы сравниваем человеческое мышление с машинным. И если человек не осознает альтернатив — он тоже галлюцинирует. Например, мы уверены в реальности сновидения, пока не проснемся. Или другой известный пример: уверенность очевидцев происшествия в своих показаниях, даже если у всех они разные.
С галюцинациями борется сомнение. Но трудно сказать, что первично: то ли наличие альтернатив порождает сомнение, то ли сомнение заставляет рассматривать альтернативы.
В любом случае, для борьбы с галлюцинациями нейросетей, необходимо закладывать в них функцию сомнения. И это тоже осуществляется двумя способами. Первый — сначала нейросеть генерирует альтернативы, а затем сравнивает их между собой. И для некоторых задач это оптимальное решение, вот только очень затратное.
Второй — нейросеть сразу подвергает свой ответ проверке, словно сомневаясь в нем, и уже по ее результатам генерирует альтернативную версию. Для таких проверок суждений и фактов существуют различные методы, к выбору которых можно и нужно подходить гибко, для экономии ресурсов.
Но все эти методы лишь увеличивают качество ответов. Галюцинация, как явление, непобедима в рамках одной нейросети. Даже проверяя саму себя — она галюцинирует. Нейросеть может лишь симулировать сомнение, для котооого необходим "взгляд извне": контроль со стороны или человека, или другой нейросети. Мне кажется.
Как же тогда работает сомнение у людей? Что в нас является таким "внешним наблюдателем"? Видимо, само осознание. А почему оно "внешнее"? Хороший вопрос.