Как подружить Android и ICMP: заметки разработчика
Разбираемся, как работать с ICMP в Android, не имея прав root. От отправки простого ping-пакета до разбора служебных ICMP-сообщений.
Разбираемся, как работать с ICMP в Android, не имея прав root. От отправки простого ping-пакета до разбора служебных ICMP-сообщений.

Недавно я был на интересной лекции по созданию моделей личности с помощью сверхбольших промптов для LLM в библиотеке им. Фёдорова от лектория «Футурчай». Концепции, прозвучавшие на ней, оказались настолько интересными, что я решил познакомить с ними Хабр.
Привет, Хаброжители! Мы хотим поделиться с вами главой из книги «Машинное обучение. Проектирование систем от идеи до реализации» Валерия Бабушкина и Арсения Кравченко. Это подробное пошаговое руководство, призванное помочь вам на всех этапах разработки ML-системы: от сбора информации и выполнения предварительных шагов до разработки, запуска в эксплуатацию и последующего сопровождения.
Как следует из названия, книга посвящена именно проектированию ML-систем. Мы не сосредоточиваемся на какой-то одной технологии, а предлагаем универсальный фреймворк для решения задач, связанных с созданием, сопровождением и совершенствованием ML-систем различного масштаба и сложности.

Салли Макин из команды документации Ubuntu Server провела серию экспериментов с LLM на реальных задачах — и выложила все промпты и скрипты в открытый доступ.

Всем привет! Если вы хоть раз ловили себя на мысли, что устали от рутины однотипных действий при проведении пентеста или, что после N-го часа пентеста потеряли нить атаки — эта статья для вас.
Всё чаще и чаще звучат идеи внедрения AI‑агентов в работу пентестеров, но не в виде кнопки «взломать всё», а в виде универсального помощника для автоматизации рутины и роста общей эффективности процессов.
В этой статье очень подробно разберём установку и настройку такого AI‑агента ну и, конечно же, испытаем.

Классика жизни: ввёл в терминале команду, не до конца понимая последствий. И поплатился за это удалением активной базы данных.

Сегодня забронировать билет на поезд проще и быстрее, чем дождаться чашки кофе в кофейне. Открываешь сайт или приложение, видишь свободные места, пару кликов — и место гарантированно за тобой. Но ещё 60 лет назад всё было иначе. Бумажные журналы, ручной учёт и человеческий фактор легко приводили к ошибкам: одно неверное исправление — и билет получал не тот, кто пришёл первым.
С такой проблемой в 1950–1960-х годах регулярно сталкивались пассажиры и в послевоенной Японии, где железные дороги быстро восстанавливались и пассажиропоток рос куда быстрее, чем возможности ручного бронирования. Чтобы навести порядок, в Japanese National Railways начали разрабатывать принципиально новую для своего времени систему — Multi Access Reservation System, или MARS.
Дальше — история о том, как инженеры пытались автоматизировать хаос, задолго до появления интернета, баз данных и привычных нам онлайн-сервисов.

Чип 8087 обеспечивал быстрые вычисления с плавающей запятой для первого IBM PC и со временем стал частью x86-архитектуры, используемой и сегодня. Одна необычная особенность 8087 — многоуровневое ПЗУ, где каждая ячейка кодировала два бита, что давало плотность примерно вдвое выше обычного ПЗУ. Вместо хранения двоичных данных каждая ячейка ПЗУ 8087 хранила одно из четырёх уровневых значений, которое затем декодировалось в два двоичных бита.
Поскольку 8087 требовалось большое ПЗУ микрокода, а сам чип уже упирался в пределы по числу транзисторов для размещения на кристалле, Intel применил этот специальный приём, чтобы ПЗУ «влезло». В этой статье я объясню, как Intel реализовал это многоуровневое ПЗУ.

Несколько месяцев назад я разрабатывал свой пет проект. YumCut – сервис для создания коротких вертикальных видео полного цикла: от написания текста и генерации изображений до монтажа и добавления субтитров.
Быстро обнаружилась критическая проблема: цена. Для одной минуты видео требовалось примерно 20 сгенерированных изображений или $0.8/мин. Кроме видео-ряда, еще нужно сгенерировать и аудио - $0.2/мин и дополнительные незначительные расходы на монтаж и генерацию субтитров.
Я начал искать выход. Эта статья — о том, какие нестандартные техники помогли снизить стоимость в разы и какое open-source решение позволяет генерировать картинки в 8 раз дешевле, чем коммерческие API. Полный код и инструкции доступны на GitHub.

Доброго времени суток, «Хабр»!
В предыдущей своей статье я рассматривал различные функции потерь - важную часть машинного обучения. Но даже такие функции совершенно беспомощны перед лицом беспорядка. Сегодня мы рассмотрим то, что предшествует любой тренировке - разметку данных.
Как и в предыдущей статье, приведу простенькое сравнение. Если модель - ученик, то разметка данных своего рода учебник, по которому она занимается. При этом создание такого учебника часто оказывается трудоемким, медленным и дорогостоящим этапом всего цикла ML-проекта.
Принимайте стратегические удобное положение, ну а я начинаю свое повествование.

Привет, меня зовут Алексей, я руковожу ML-отделом в Профи.ру. И в статье хочу рассказать о нашем особенном пути. А конкретно — про три проблемы, с которыми мы сталкиваемся каждый день.
Спойлер: до конца мы их пока не решили, но кое-что придумали.

Стартап MetalPrinting на выставке CES 2026 анонсировал 3D-принтер по металлу, который использует для печати пастообразные «чернила». Разработчики проекта отмечают, что такой способ более безопасный и доступный, чем печать с помощью металлического порошка.

За 10+ лет создания продуктов в российском enterprise я накопил... нет, не мудрость. Я накопил знания. Тонны документов, приказов, протоколов, шаблонов, процессов, ментальных моделей, контекстов решений. Всё это живёт где-то между корпоративными папками, чатами, почтой и, конечно же, моей головой.
И вот приходит тот радостный день: я могу выйти из операционки и передать дела новому наёмному менеджеру! Но радость быстро сменяется вопросом: как передать всё это богатство?
Классический сценарий:
Группа игроков в Minecraft пять лет воссоздавала Нью-Йорк в масштабе 1:1, и теперь проект полностью готов. Это не упрощённая версия города, а максимально точная копия с реальными размерами и детальной проработкой. С большого расстояния виртуальный город легко спутать с настоящим, но при приближении становится ясно, насколько глубоко команда ушла в детали — вплоть до цветочных горшков на балконах реальных зданий. В проект вошли многие знаковые районы и места города, включая Всемирный торговый центр, Трайбеку, Ту-Бриджес, Маленькую Италию и Чайна-таун.
Разработка не обошлась без трудностей: команда допускала множество ошибок, а ранние версии города со временем были полностью переделаны. В итоге первоначальные постройки больше не существуют — их неоднократно перестраивали, доводя проект до нынешнего уровня качества.

Китайские коллеги из Zhipu AI выложили модель для генерации картинок GLM-Image (text-to-image и image-to-image) в открытый доступ.
В свой главный сайт z.ai, почему-то сразу не втащили, ещё и старую модель отключили, пока там генерируются только вызовы функции. Но там зато можно бесплатно общаться с их GLM моделью, по качеству довольно неплохая.
Потыкал модель на fal.ai (крупный провайдер моделей, доступ там платный, раньше при регистрации давали немного кредитов, сейчас не уверен). Сразу бросается в глаза, что сильно прокачали надписи на китайском. Никакие палочки в символах не слипаются; это сколько надо было втащить картинок с иероглифами в обучение.

В массовом сознании распространено мнение, что магнитные поля используются обычно для концентрации и управления чем-то: электронных пучков, в старых ЭЛТ мониторах и телевизорах, удержания плазмы в термоядерных реакторах и других аналогичных задачах.
Более продвинутые в техническом плане, вспомнят также и про управление электронным пучком в скоростных 3D принтерах по металлу и, даже, использование магнитных полей, для управления ферромагнитной жидкостью, в самодельных дизайнерских часах.
То есть, получается, что «поле используется в качестве инструмента, для концентрации чего-то другого».
Однако, зададимся парадоксальным, на первый взгляд, вопросом: а можно ли сконцентрировать само поле?!
Несмотря на кажущуюся странность этого вопроса, он является одним из основных в физике, так как успешное его решение позволяет достичь многих поразительных вещей, что мы и увидим ниже...

«По индийским меркам зарплата была хорошая». Мукеш Мандал, 26 лет, разработчик из Дели — интеграции Zoho, WhatsApp API, автоматизация. Сейчас убирает снег в Петербурге и объясняет журналисту: «Работать на город лучше, чем на частную компанию».
Почему человек с нормальной IT-карьерой называет муниципальную уборку более осмысленной работой? Ответ — в словах, которые он произносит дальше: «Я — средний. Есть OBC и кастовая система».
Что такое OBC, почему госслужба в Индии престижнее частного сектора, как реформы 1990-х создали новый средний класс — и почему IT-сектор так и не стал кастовым лифтом. Разбираем культурную логику, которая делает выбор Мукеша не падением, а переводом на другой язык.
Привет, Хабр!
Меня зовут Ляленков Михаил, я инди-разработчик, и последние несколько месяцев проектирую игровую систему, которая кардинально переосмысливает прогрессию в RPG. Сегодня хочу поделиться концепцией Wellness System — попыткой заменить традиционный «фарм опыта» на осмысленное управление благополучием персонажа.
Эта статья будет полезна:

Привет, Хабр!
В конце прошлого года Сбер выложил GigaChat 3 в open source под MIT. Две модели: Ultra Preview на 702 миллиарда параметров и Lightning на 10 миллиардов. Взял Lightning, развернул на бесплатном Colab, погонял тесты. Плюс разобрался в документации.
В статье разберём архитектуру, сравним бенчмарки с Qwen и покажем, как запустить модель без затрат на железо. Спойлер: для задач на русском языке и работы с длинными контекстами Lightning — одна из лучших открытых моделей в своём классе. При этом порог входа минимальный, base-версия запускается на бесплатном Colab с 4-bit квантизацией, а MIT-лицензия позволяет использовать модель в коммерческих проектах без ограничений.
Вы когда-нибудь копировали код кастомного контрола из статьи, чтобы избавиться от мерцания, а потом обнаруживали, что он ломает совместимость, требует специфичных обработчиков и не работает в условной компиляции?
Я — да. И, как оказалось, проблема не в Windows API или GDI, а в фундаментальной ошибке проектирования: попытке «улучшить» стандартный интерфейс VCL, изменив сигнатуру OnPaint.
В этой статье я объясню, почему передача Canvas и Rect в обработчик — плохая идея, как правильно расширять TWinControl, и почему лучший компонент — тот, который пользователь даже не замечает.