Все потоки

Начать тренировки можно в любом возрасте, но лучше раньше.

Несколько лет назад я публиковал материал о влиянии силовых тренировок на атлетов разного возраста, главным выводом которого было то, что тренироваться можно в любом возрасте и в любом возрасте тренировки результативны. Оказалось, результат тренировок мало подвержен годам. После начала занятий всегда наблюдалось значительное увеличение как силы, так и размера мышц даже у пожилых людей.

Совсем недавно вышло новое исследование, которое изучало поддержание пожизненной программы фитнеса. Исследователи набрали 4 когорты:

• Молодых спортсменов (20–35 лет)

• Мастеров-атлетов силовых видов (60–75 лет которые тренировались последовательно на протяжении взрослой жизни,

• А также две сопоставимые по возрасту нетренированные контрольные группы.

У возрастных мастеров-атлетов объём мышц бедра и ног был примерно на 17% больше по сравнению с малоподвижными пожилыми взрослыми. Ещё более показательно, что их мышечный объём был примерно на 10% больше, чем у молодых нетренированных людей.

Но тут возраст полностью не победить и молодые спортсмены всё же демонстрировали примерно на 8% больший мышечный объём, чем мастера-атлеты, что подчёркивает возрастающую сложность наращивания мышц с возрастом. Тем не менее общий уровень мускулистости у пожилых мастеров-атлетов был близок к уровню молодых спортсменов, что указывает на значительное сохранение мышечной массы при пожизненном тренинге.

Ключевой вывод очевиден и я могу его снова повторить: никогда не поздно начать силовые тренировки — даже самые пожилые люди способны нарастить заметную мышечную массу. Однако откладывание тренировок на более поздний возраст увеличивает дефицит, вызванный возрастными потерями, и снижает вероятность полного восстановления «молодых» уровней мышечной массы.

И напротив, более раннее начало силовых тренировок даёт долговременные преимущества, позволяя сохранить большую часть наработанной мышечной массы и во многих случаях превосходить по мышечной массе молодых нетренированных взрослых.

Китайские машины в РФ начали превращать в игровые консоли. Например, на перепрошитых Changan теперь запускают NFS и GTA прямо на штатной мультимедийной системе. На экране машины запускается много старых и достаточно интересных игр, среди которых: GTA: Vice City, GTA: San Andreas, NFS: Underground 2, Resident Evil 4 и даже FIFA. Секрет простой: мультимедийная система работает на Android, но из коробки она сильно ограничена. После перепрошивки ограничения снимают и на систему можно ставить обычные приложения и игры. В итоге штатный экран в машине превращается в довольно мощный Android-планшет, который тянет старые, но популярные игры без лагов.

Как мы ушли от всем известного способа градиентного спуска

Продолжаю дневник разработки «Суперраспознавалки» для демо/пилота. День третий. Основная задача: настроить TAPe‑модель на датасет типа COCO под задачу detection. Вторая — дать клиентам возможность добавлять собственные классы к уже существующим. Ну и далее, при необходимости, полная адаптация модели под конкретного заказчика. Поскольку у нас есть Теория активного восприятия с ее методами, на выходе заказчик должен получить кратную эффективность и кратную экономию ресурсов.

В первые два дня настраивали базовую струтуру сегментации, детекции и классификации. Модель решает задачи на обучении уже 115 тыс параметров — в отличии от YOLO, которой мало 2 млн + параметров.

Начало здесь

Второй день здесь

Про архитектуру TAPe+ML здесь

Тут сравнение трех десятков кодировок в задаче сегментации видео в DBSCAN (включая ViT, DINO) с TAPe

День 3

Сегодня занимаемся исправлением количества ложных срабатываний. Проблема ложных срабатываний в целом в том, что мы смотрим в первую очередь на текстуру изображения (из‑за особенностей методов TAPe). Поэтому приходится прибегать к менее‑обычным способам для обучения разделения между текстурой заднего плана (в каком‑либо виде, будь это снег, или трава) и текстурой самого объекта.

Сейчас эта проблема решается условно через определенные движения области сбора данных для выявления текстур, которые, возможно, не были найдены в области, расположенной стандартным способом (то есть начальным разбиением изображения на патчи). Это позволяет сильно уменьшить количество ложных срабатываний.

На данный момент времени около 220 объектов срабатывают без ложных срабатываний в целом. Проблема происходит только в изображениях с большим количеством маленьких деталей по типу гравия, или же травы, при этом не уменьшая общее количество правильных нахождений.

В целом, здесь помогают стандартные ML‑подходы по типу увеличения батчей, чтобы сгладить ошибки. Были эксперименты с проведением аугментаций, которые не привели к улучшению результатов: большая часть аугментаций просто повторяют уже существующие данные.

Также начали эксперименты с добавлением цветовых каналов. Однако проведенные эксперименты с цветами в простой схеме объединения features по каналам не дало желаемых результатов: даже с greyscale мы забираем столько информации, что цветовая гамма по большей части их просто дублирует. Это приводит к тому, что модель опирается слишком сильно на общие черты, не «видя» при этом выдающиеся черты разницы цвета. Что в то же самое время может и являться хорошей фичей, а не багом, потому что через разницу в текстуре мы, по идее, должны найти разницу в любом случае (если это реальное изображение). Поэтому мы не полагаемся в решении на конкретную задачу, где цвет более релевантен, а полагаемся на общее решение детекции в целом.

Также на заднем плане были закончены эксперименты с разными архитектурами (эксперименты продолжались параллельно несколько дней). Нашли самую лучшую архитектуру на данный момент (самая логичная по её смыслу, как нам кажется). Тут без подробностей, но мы ушли от всем известного способа градиентного спуска, что позволяет нам после тренировки модели прийти к глобальному минимуму решения (или к чему‑то очень близкому к этому — всё равно есть зависимость от задачи).

Мы собираем данные из патчей определенным образом, объединяем их в общее описание, а затем уже классифицируем конкретно эти объединения по тому, есть там объект или его нет. Классификация происходит за счет общих описаний каждого класса, который модель видит — и не тренируется отдельно, потому что исходит натурально из первичной тренировки векторов, а затем сводится к одному описанию через k‑means.

В результате выходит модель с очень малым количеством ложных срабатываний — с которыми, впрочем, мы все равно боремся. Плюс есть некие проблемы центровки, так что скорее всего количество параметров увеличится. Но все равно, модель работает чрезвычайно быстро. Тренировка как таковая проходит на CPU (так проще).

Предсказывают, что абсолютно все люди родившиеся в 2100 году и позже будут носителями срединной артерии, то есть примерно через 250 лет после первых сообщений о встречаемости артерии как «варианта». Если конечно тенденция сохранится, что далеко не факт.

Представлен открытый проект JobSync — Job Search Assistant для поиска работы с помощью ИИ:

• ИИ мониторит подходящие для вакансии, правит резюме и адаптирует под каждый отклик.

• мониторинг и трекинг вакансий: можно вести учет заявок, офферов, компаний, должностей и текущих статусов.

• анализ рынка труда делают, например, Llama 3.2 или Deepseek, можно подключить и другие модели с помощью Ollama.

• есть встроенный трекер задач и созвонов с рекрутерами.

• создаёт и корректирует различные версии резюме — сервис за секунду адаптирует портфолио под любую вакансию.

• работает полностью локально.

Расширение вселенной. Разве может быть что-то со скоростью света расширяться?(Я знаю что расширяется пространство и что это не противоречит ОТО) Моя мысль это просто гипотеза, но мне кажется оно расширяется с 99.9% скорости света. Почему именно 99.9%? Если верить теории мультивселенной, то существует и другие вселенные, у них своя физика(вероятность этого чрезвычайно высока) и так далее, но темная материя и энергия схожие по природе в каком-то аспекте, если существует темная материя, значит существует и что-то по типу его противоположности и ему и эта тёмная энергия, а почему оно существует? Возможно темные материи тянутся к друг другу и у них больше влияние друг на друга и к ним тянутся с других вселенных(квантовая физика), а вселенных бесконечно много... И появляется деформация вселенных, то есть расширение идёт с определенной скорости от скорости света и деформация из-за влияния темных энергии, и ограничений наблюдений из-за скорости света и прочих факторов, нам кажется что вселенная расширяется со скоростью света. Тогда почему так не расширяются другие вселенные? Я сказал не похожи на 100%, но и не абсолютно другие, то есть есть доля схожести из-за чего все тянутся к друг другу, потому-что эта природа быть сплочённым и иметь ещё больше влияние(ОТО), по этому мы не видим влияние других вселенных на нашу, потому-что влияют темные материи и энергии, а их мы не видим.

P.S. Тут много неточностей и отсутствует математическая модель и наблюдения с точными данными. Мне просто хотелось бы поделиться с мыслью и узнать ваше мнение, возможно есть люди которые разделяют моё мнение.

Привет Хабр!

Помогите добить реверс bike tracker на MC60 + STM32L486 – что здесь за интерфейсы и как лучше подступиться.

• модем / GNSS / Bluetooth — Quectel MC60EC3-04-BLE

• отдельный MCU — STM32L486GT7

• внешняя SPI flash — Adesto / Dialog AT25DB321E;антенна Antenova A10340;

• есть SIM-слот, батарейный блок и несколько непонятных тестовых/сервисных точек.

• Из того, что пока смущает –MC60 и STM32 здесь явно живут как два разных мозга, и я пока не до конца понимаю, кто кого будит, кто держит power sequencing и где именно проходит основной UART.

На плате нет «человеческих» кнопок boot/reset, поэтому неочевидно, насколько реалистично подлезть к MC60 напрямую без плясок с его boot/pwrkey линиями. Не уверен, не зашита ли вся критичная логика именно в STM32, из‑за чего идея «просто заменить SIM и жить» может оказаться слишком наивной.

Что уже удалось идентифицировать по плате:

• MC60 — сотовая часть, GPS и Bluetooth а STM32L486 — управляющий MCU,

• SPI flash рядом с белым разъёмом , возможный сервисный коннектор / debug-разъём;

• батарейный блок выглядит как 1S Li-ion pack на нескольких параллельных банках.

Моя цель сейчас не «ломать прод», а именно картировать железо, найти UART между STM32 и MC60 — понять, где SWD на STM32. Определить, можно ли безопасно снять дамп / хотя бы проверить RDP. Понять, есть ли смысл лезть в SPI flash отдельно да и прикинуть, насколько жизнеспособен вариант со своей SIM и своим софтом. Инструменты у меня пока довольно базовые: паяльник и USB‑UART, нормального анализатора и ST‑Link пока нет. (Заказал себе пока, ST‑link v2 Clone M89 для STM).

Поэтому особенно интересны советы именно по порядку действий: с чего лучше начать, чтобы не убить плату и не потратить неделю впустую.

Ссылка на гугл папку с фото (ибо более одного медиафайла не разрешено, добавлять.)

Всем спасибо!

Генеральный директор стартап в сфере ИИ и разработки ПО Emergent Мукунд Джа предупредил о ключевых рисках для быстро набирающего популярность вайб-кодинга:

• главной угрозой остается качество создаваемого кода. По словам Джа, современные инструменты способны быстро генерировать приложения, однако такие решения часто оказываются нестабильными, содержат ошибки или плохо масштабируются. «Есть большая ставка на то, что качество создаваемого программного обеспечения будет экспоненциально расти. Если этого не произойдет, это станет серьезной угрозой», — отметил Джа;

• вторым риском для индустрии Джа назвал сам дальнейший прогресс ИИ. По мнению эксперта, развитие автономных ИИ-систем может привести к тому, что рынок «перепрыгнет» традиционный этап разработки приложений. «Мы прошли путь от телефонов Nokia к BlackBerry, а затем все перешли на iPhone. Возможно, программное обеспечение окажется тем самым BlackBerry», — сказал Джа. В будущем пользователи могут все чаще полагаться на ИИ-агентов и языковые модели, которые выполняют задачи напрямую, без необходимости устанавливать отдельные приложения.

Представлен проект DigitalDefynd — большая база IT‑курсов от лучших университетов мира. Материал на ресурсе обновлён на 2026 год. Там актуализировали курсы и оставили только те навыки, которые пригодятся при устройстве на работу и росте по карьерной лестнице. Есть сотни воркшопов, в том числе от Google и IBM. Большая часть курсов с лицензированными сертификатами и дипломами, которые можно положить в портфолио.

Хотите выяснить, где учиться IT? В экосистеме Хабра есть маркетплейс курсов на Хабр Карьере, на котором собраны сотни онлайн-обучений в самых разных специализациях: программировании, аналитике, дизайне, менеджменте и других. Чтобы пользователи могли проверить качество курсов, там показаны отзывы от тех, кто уже прошел обучение — изучайте и выбирайте лучшее для себя.

Я считаю.

Что вместо того, чтобы отключать везде Интернет, лучше бы запретили использование видеокамер, оснащённых не доверенным не отечественным ПО. А то уже появляются сведения. В принципе некоторые типа «российские оппозиционеры», на деле работающие на иностранные спецслужбы, ранее (ещё года 3 назад) уже заявляли, что могут смотреть камеры в Москве.

Как Оземпик, только для мышц.

Представьте, что у вас есть препарат, который применяешь затем ничего не делаешь, ждешь, а твои мышцы вырастают. Похоже мы на грани того, чтобы у нас такое появилось.

На одной конференции, посвященной диабету (EASD), представили препарат тревогрумаб (Trevogrumab REGN-1033), который помог принимающим GLP-1 потерять на 50% меньше мышц по сравнению с контрольной группой (это основной побочный эффект всех уколов для похудения).

Результаты всех удивили. Разрабатывающие этот препарат, заявили, что он находится уже на 2 стадии (применяют на людях).

Принцип действия крутится вокруг миостатина. Это такой белок, который на определенном этапе развития, начинает блокировать рост мышц, чтобы мы не росли до бесконечности. Раньше носить на себе избыток мышц было экономически не выгодно. Хотя, и сегодня попробуй прокормить. Если миостатин подавить, то мышцы растут гораздо охотнее.

Может быть вы видели фото экспериментальных животных, которым как раз заблокировали миостатин.

Это не ИИ генерация.

В общем, похоже, в ближайшее время у нас будет таблетка для похудения и для мышц. А количество мышц будет управляться дозой.

Интересно, как это изменит индустрии фитнеса и красоты? Сегодня хорошая физическая форма — это почти единственное, что невозможно купить. Что‑то настоящее и ценное. Потеряет ли это ценность, когда станет доступно по запросу? Интересно будет узнать ваше мнение.

Нашёл почти идеальный лаунчер для старых игр — и теперь снова хочется прожить детство

Иногда ностальгия приходит не в виде воспоминаний, а в виде очень конкретного желания: запустить какую-нибудь старую игру, которую ты когда-то проходил до дыр, услышать знакомое меню, увидеть тот самый пиксельный интерфейс — и на пару часов выпасть из реальности.

Проблема обычно одна: старые игры почти никогда не начинаются с фразы «просто нажми и играй». Где-то нужен патч, где-то эмулятор, где-то ручная настройка, где-то игра вообще запускается только после плясок с совместимостью. И вот на этом моменте магия ностальгии обычно разбивается о суровый быт.

Но тут я наткнулся на RohanKar Launcher — и это, честно, одна из самых тёплых находок за последнее время.

По сути, это такой маленький Steam для олдов: лаунчер, в котором собраны сотни ретро-игр, и всё это запускается в максимально человеческом формате. Без лишней боли, без многочасового ковыряния в архивах, без ощущения, что ты не в игру хочешь поиграть, а проходишь квест «оживи софт из 90-х».

Что в нём особенно радует:

• есть нормальный поиск и фильтрация;

• игры можно поставить буквально одной кнопкой;

• для совсем старых тайтлов уже предусмотрены нужные инструменты для запуска;

• есть трекер проведённого времени;

• обновления и новые релизы подтягиваются автоматически.

И вот это, мне кажется, самое приятное: проект не пытается быть просто складом старья. Он делает старые игры снова удобными. Не музейным экспонатом, не «смотри, как было раньше», а чем-то живым, во что реально хочется зайти вечером.

Потому что одно дело — помнить старые игры. И совсем другое — снова запускать их без страданий.

Вообще, в таких проектах всегда цепляет не только функциональность, но и сама идея. Кто-то ведь реально сел и подумал: а почему у классических игр до сих пор нет удобного, аккуратного, дружелюбного лаунчера? Почему, чтобы вернуться в любимые вещи из детства, нужно сначала немного побыть системным администратором, архивариусом и шаманом?

И вот когда появляется такой инструмент, ты вдруг ловишь очень простую мысль:
старые игры не устарели — устарел способ, которым мы обычно пытаемся в них вернуться.

Да, возможно, сегодня эти проекты выглядят наивно. Где-то они простые, где-то угловатые, где-то слишком старомодные по темпу и механикам. Но в этом и есть их сила. В них меньше шума, меньше бесконечной монетизации, меньше «удержания». Они просто были сделаны, чтобы в них играть.

И, наверное, именно поэтому такие лаунчеры вызывают столько радости. Они возвращают не только игры — они возвращают способ чувствовать игры.

Ностальгия, похоже, теперь действительно запускается в один клик.

Как Anthropic хитрит с цифрами выручки 

TLDR: в медиа запускают новости о $14 млрд run rate выручки в год. А в суде сообщают о $5 млрд ЗА ВСЕ ВРЕМЯ.

На днях Anthropic подал иск в суд на Министерство Войны США (pdf), и в нем CFO компании сообщил, что за все время существования компании на рынке, она сделала $5 млрд выручки. Не прибыли! При этом на инференс и тренинг потратила $10 млрд.

Это все ок, если бы не публичные заявления компании про $14 млрд выручки (run rate). Через три недели мы узнали уже о $19 млрд annualized run rate (bloomberg). Вау! Неопытные читатели (которых большинство) воспринимают это как уже полученную выручку за год. Что со стороны компании является введением в заблуждение.

Но даже тут дополнительный уровень жопокрутства: 

Run rate — это предполагаемая выручка, когда берут даже не последний период, а иногда лучший месяц, и умножают на 12. Согласно источникам Reuters, Anthropic считает run rate так: (месячные подписки)x12 + (оплата токенов за 28 дней)x13.

Очевидно, что с $5 млрд за все время, Anthropic черрипикнули выручку так, что мама не горюй.

И это сработало: все пишут о $14 млрд (а то и $19 млрд) выручки, и если гуглить — такая же первая цифра. Получилось похлеще, чем вайбчартинг.

А честные $5 млрд выручки Anthropic (за все время на рынке!) — это меньше, чем продажи airpods за пару месяцев.

Больше 200 игр объединили в один лаунчер RohanKar Launcher и релизнули для различных операционных систем. Разработчик RohanKar собрал открытый лаунчер для запуска игр из своего архива. Все тайтлы можно запустить без лишних проблем, так есть моды для оптимизации, улучшения графики и дополнительных фишек. Новые релизы и обновления тайтлов автоматически подтягиваются в лаунчер.

Genspark AI Workspace 3.0: агент Claw

1. Genspark Claw + облачный компьютер

Главная новинка. Каждый пользователь получает выделенный облачный компьютер с предустановленным агентом — один клик, и он уже работает. Никакой локальной установки, никаких конфликтов с окружением.

Принцип изоляции: ваши данные живут только в вашем инстансе, не смешиваясь с чужими. Вы сами настраиваете, к чему агент имеет доступ. Под капотом — Claude Opus 4.6, GPT-5.4 и NVIDIA Nemotron 3 Super на инфраструктуре Azure.

Управление — через мессенджеры: написали задачу в WhatsApp или Telegram, агент выполнил и вернул результат. Поддерживаются Teams и Slack.

2. Genspark Workflows

Автоматизация повторяющихся задач в ~20 приложениях: Google Workspace, Outlook, Slack, Teams, Notion, Salesforce, X. Есть готовые шаблоны, есть возможность собрать свой сценарий. Логика простая: подключил инструменты, описал рутину — Claw выполняет её без участия человека.

3. Genspark Teams

Встроенный мессенджер внутри платформы — прямые сообщения, групповые чаты, поиск участников на уровне организации. Бесплатно. Это прямой выпад в сторону Slack: если агент уже живёт в Genspark, зачем переключаться в другое приложение для общения с командой?

4. Meeting Bots

Выделенный бот автоматически приходит на запланированные встречи, записывает обсуждение, структурирует заметки и рассылает саммари всем участникам. Без ручного запуска — просто синхронизируете календарь и забываете про конспекты.

Speakly для iOS и Android

Голосовой ввод с AI-редактированием. Работает поверх любых приложений — диктуете, Speakly вставляет готовый текст куда нужно.

Chrome Extension

Боковая панель, которая понимает контекст открытой страницы. Можно ставить задачи агенту прямо во время работы в браузере.

Коротко про OpenClaw и почему сравнение уместно

Совпадение в названии не случайно — в день релиза SiliconAngle прямо написал, что Genspark Claw создавался как корпоративная альтернатива OpenClaw. Для тех, кто не следил: OpenClaw — open-source агент австрийского разработчика, набравший 247K звёзд на GitHub за два месяца. Работает локально, бесплатно, но требует технической грамотности для настройки. Исследователи нашли в нём 40К+ уязвимостей, после чего Китай запретил его в госструктурах.

Genspark берёт ту же идею — делегировать агенту реальную работу — и убирает порог входа. Не нужен сервер, не нужна командная строка, не нужно следить за CVE. Платишь деньги, получаешь изолированный облачный компьютер с агентом из коробки.

Честно о том, чего я не знаю

Я не тестировал Genspark Claw — продукт вышел 12 марта, публичного доступа с прозрачным ценником пока нет. Неизвестно, как агент ведёт себя на длинных многошаговых задачах, насколько реально работает изоляция данных и во сколько это обойдётся обычной команде из 5–10 человек.

Пресс-релиз говорит «делегируй — агент сделает». Это стандартная формулировка для любого агентного продукта последних двух лет. Верить или нет — станет понятно через месяц-два по реальным отзывам.

Итог

Рынок агентов сейчас делится не по функциям, а по аудитории. OpenClaw — если хотите контроль и готовы разбираться. Genspark Claw — если хотите просто поставить задачу и уйти. Оба подхода имеют смысл, просто для разных людей.

Если кто-то уже получил доступ и попробовал — интересно услышать в комментариях, насколько реальность совпала с обещаниями.

Операторы связи могут списывать деньги за активацию iMessage по несколько раз за сутки из-за отключения мобильной связи.

Эта тема не новая, но когда в Москве отключили связь, деньги начали списывать на регулярной основе.

Списание денег за СМС связано автоматической активацией сервисов Apple — iMessage или FaceTime. Для их работы айфон отправляет невидимое техническое СМС. Увидеть его нельзя, но оно оплачивается как международное СМС.

Обычно это происходит, когда вы перезагружаете телефон или переставляйте симку. Сейчас из‑за шатдауна телефон постоянно «переподключается», поэтому деньги списываются по несколько раз.

Как исправить. Зайти в «Настройки» → «Сообщения» и выключите переключатель «iMessage» Дополнительно можно отключить FaceTime в том же разделе настроек.

Два факта об int в Python

Один забавный факт привел меня к открытию другого :)

Читал Fluent Python и наткнулся на пример кода, который меня заинтересовал (помимо миллиона других, книга – топ). В главе про конкурентность и работу GIL была константа NUMBERS с необычным значением:

NUMBERS = 5_000_111_000_222_021

Нижние подчеркивания

Если не встречали в работе или документации, то вряд ли знаете (как и я): в числах можно использовать _ для читаемости. Интерпретатор их игнорирует:

>>> x = 1_2
>>> y = 12
>>> x == y
True
>>> x is y
True

Особенно удобно в высокоразрядных числах. Согласитесь 5_000_111_000_222_021 куда проще читать, чем 5000111000222021

Кеш малых чисел

Примеры ниже разбирал на домашнем ноуте с Cpython 3.13.11 и 3.14.3.

Пока игрался, меня заинтересовал один прикол. Я попробовал тот же пример с большими числами:

>>> x = 100_500
>>> y = 100500
>>> x == y
True
>>> x is y
False # Но ведь в примере выше было True..

Почему переменные больше не ссылаются на один объект?

В Cpython есть кеш для маленьких чисел, чтобы частые значения переменных не занимали много памяти и код был отзывчивее.

Ответ на вопрос: «где граница, до которой числа закешированы?» я решил не гуглить, проверил небольшим скриптом:

>>> x = 0
>>> y = 0
>>> for n in range(1000):
...     print(f'If {x=} and {y=}, x is y: {x is y}')
...     x += 1
...     y += 1

# Пропустим часть строк
If x=254 and y=254, x is y: True
If x=255 and y=255, x is y: True
If x=256 and y=256, x is y: True
If x=257 and y=257, x is y: False # Вот и граница
If x=258 and y=258, x is y: False 
...

Сначала я сделал эмпирически вывод, что закеширован диапазон 0 – 256. Но после самопроверки с гуглом узнал, что также в амортизированный диапазон входят числа от -5 до -1. Итого : от -5 до 256 включительно.

UPD 15.03.2026. Добрый дядя в комментах принес ссылку на pr в Cpython 3.15, где кеш малых чисел увеличен до 1024 :). Ух, заживем..

Для присвоения переменным чисел вне диапазона, интерпретатор начнет выделять уже раздельные области памяти и is станет возвращать False.

Так то. В оптимизации пригодится вряд ли, но удивить друзей в баре сможете.

День 2. 115 тыс параметров вместо 2 млн+ у YOLO

Продолжаю дневник разработки «Суперраспознавалки» для демо/пилота. Начало здесь.

Сегодня начали углубляться в сторону самой по себе классификации, а также немного выходить из темы универсальности решения, чтобы решать уже задачу detection, а не только общую сегментацию.

Интересный момент, найденный в экспериментах — благодаря TAPe получается использовать очень дешевые методы с тз ресурсов, при этом используя и методы ML. При этом все равно получаются очень хорошие результаты для этих методов.

Например, конкретно сейчас получается даже на более сложных примерах без проблем находить задний фон, используя при этом минимальные ресурсы и методы, которые на пикселях являлись релевантными 20 лет назад.

Разбиение происходит за 100+ кадров в секунду, без оптимизации, с обработкой каждого кадра отдельно (то есть есть также overhead выгрузки изображения на GPU).

Также пришло понимание, что нужно переходить к этапу дополнительных действий, чтобы отбирать интересные места. В целом по результату вышло, что количество ложных срабатываний в разы уменьшилось, но при этом количество правильных ответов тоже немного снизилось (на пару процентов, но заметно в любом случае, тем более у нас цель получить условные 100% на тестовых данных). Это происходит как раз таки из‑за того, что нет правильной последовательности действий (что, впрочем, нами ожидалось, просто не думали, что это так быстро произойдет).

Перешли к более адаптированной под TAPe логике. Пока очень топорным способом (так легче тренировать и проверять работу), но выходят очень хорошие результаты. По поводу данных немного скажу для контекста:

Разбиение следующее:

Classes: 4; labeled: 1256, train: 879, test: 377, miss images: 559

То есть, 4 класса, общее количество изображений объектов — 1256, из них в тренировку уходит 879, в тестирование — 377. Miss images — это изображения просто заднего фона, а также случайных объектов, не являющихся нужными объектами.

Для YOLO необходимо около 1500 изображений на один класс. Мы же успешно используем около 220 на класс + какие‑то изображения фона (которые есть только для травы и снега, например).

Результаты имеют точность определения того, где находится нужный объект (не её вид — это отдельный шаг) с точностью 98.94% (то есть правильно для 373 из 377 изображений). Ложные срабатывания ещё существуют, но их стремительно меньше.

Интересно, что модель «самостоятельно» находит правильно нужные объекты, даже если в тренировочных данных они не были обозначены (то есть тренировочные данные неправильные). Модели всё равно удаётся определить оба объекта, что показывает, что модель обучилась формам объектов успешно.

Чтобы добавить контекста — размер модели 115 тысяч параметров. Самая маленькая из современных YOLO же имеет 2+ млн параметров, и при этом не справляется с задачей.

Представлен открытый проект TUI Studio (Visual Terminal UI Designer), среды для визуального проектирования интерфейсов пользователя, работающих в текстовом терминале. Среда позволяет в интерактивном режиме наглядно формировать интерфейс, перетаскивая готовые блоки мышью, редактируя свойства в визуальном режиме и предпросматривая результат на лету. Сформированный макет интерфейса может быть экспортирован для использования во фреймворках Ink, BubbleTea, Blessed, Textual, OpenTUI и Tview.

Решение написано на TypeScript с использованием React, Vite, Zustand, Tailwind CSS и Lucide React. Код распространяется под лицензией MIT. Из особенностей разработки отмечается, что почти весь код TUI Studio написан ИИ‑ассистентом Claude.

В TUI Studio предоставляется более 20 готовых компонентов для формирования интерфейса (кнопки, меню, таблицы, списки, индикатор прогресса, диалоги, всплывающие подсказки и тому подобное) и поддерживается 8 тем оформления, а также светлый и тёмный режим, градиентные заливки, ASCII‑цвета и акцентные цвета. Имеется возможность отката изменений. Доступен интерфейс для создания своих компонентов. Проекты сохраняются в формате JSON.

«Оки» в переписке снижает тревожность у собеседника, выяснили в НИУ ВШЭ. Использование уменьшительной формы активирует у собеседника нейронные связи, связанные с безопасностью и комфортом. В цифровой среде, где отсутствуют мимика и интонация, уменьшительные формы сигнализируют о дружелюбии и отсутствии злых намерений у собеседника.

Если собеседник ответит вам «оки», у вас сразу активируются нейронные связи, связанные с безопасностью и комфортом. И наоборот. Разгадка простая: милые уменьшительные формы как бы говорят: «всё хорошо, ты в безопасности». Обычное «ок» сегодня воспринимается слишком холодно и агрессивно.