Kurgan-Telecom Ru | Информационные технологии

Ранее я часто рассказывал об особенностях видеокарт из 90-х. В рамках прошлых статей, мы успели с вами рассмотреть внутреннюю архитектуру 3dfx Voodoo, узнать о кастомном графическом API в S3 ViRGE, и даже написать свою собственную небольшую демку под видеокарты из 90-х. Вместо рассказов о GeForce 256 и ATi 3D Rage, в сегодняшнем материале мне хотелось бы поговорить о видеокарте, которая обогнала своё время — и при этом всё равно провалилась. Как вы уже поняли — речь пойдет об Intel i740.

Каким был первый GPU от Intel, на что он был способен и в чём заключается его главная тайна — читайте в сегодняшней статье!

Уважаемые читатели, в этой статье я хочу рассказать о том, что происходит внутри values.Sum() в современном .NET — там нашлись векторные инструкции, контроль переполнения и список процессоров, которым рантайм намеренно ограничивает ширину вектора, — и представить свои выводы.

В прошлых статьях серии самописные циклы уже проигрывали BCL в поиске по строке, JIT сам выкидывал проверки границ, а foreach прятал аллокации. Тут случай интереснее: values.Sum() — это LINQ, который при оптимизации первым делом меняют на цикл.

Несколько лет у меня лежал недорогой китайский видеодомофон Doorbell M8, работающий через приложение Ulooka. Покупал я его на одном из маркетплейсов примерно за 400 рублей — скорее из любопытства, чем из реальной необходимости.

Привет, Хабр! Меня попросили создать педаль гитарного перегруза, внешний вид и звучание которой должны максимально приблизиться к легендарному японскому овердрайву Barbarossa Gargoyle, выпускаемому в очень малых количествах и продаваемому по высоким ценам.

Музыкантам надо помогать, поскольку они делают нашу жизнь лучше и интереснее. Поэтому мне пришлось отложить в сторону другие дела и заняться новым проектом.

Под катом вас ждёт видео со звучанием, схема моей версии эффекта и подробное описание того, как она работает.

Современные процессоры, графические ускорители и ИИ-чипы становятся все мощнее, но вместе с производительностью растет и нагрев. Причем проблема не только в том, что тепла много. На одном участке кристалла температура может быть значительно выше, чем на соседнем, а в многослойных чипах отвести тепло от внутренних компонентов становится все сложнее.

Исследователи из Университета Осаки предложили необычный способ частично решить эту проблему. Они создали материал, который позволяет направлять тепловое излучение в нужную сторону и одновременно не требует постоянного питания для сохранения выбранного режима. По сути, это программируемый элемент управления теплом: достаточно один раз задать нужное состояние, после чего оно сохраняется до следующего изменения. Добиться такого эффекта удалось, объединив магнитооптический материал с решеткой на основе вещества с фазовым переходом. Как это работает? 

Без громких обещаний разбираю, что происходит с фотографиями после загрузки, где размещен основной серверный контур, как работают две независимые ИИ-проверки публичных изображений, бесплатные жалобы и звонки без раскрытия номера. Заодно отмечаю два места, где сервису не хватает прозрачности.

Я продуктовый дизайнер. Недавно закончил эксперимент, в котором ни разу не открыл Фигму: сайт-портфолио, где вебкамера работает основным вводом. Страница собирает отражение посетителя из частиц, всё управление через жесты. Код писал Claude Code. За мной замысел, дизайн-решения и полевые тесты.

Потрогать: https://dimbo-design.github.io/dimbo_heavy-cv (десктоп, вебкамера)
Код и история решений: https://github.com/dimbo-design/dimbo_heavy-cv

Эта статья про формат работы: что происходит с дизайном, когда исполнитель ИИ, макета нет, а ревьюить код ты не можешь. Формат рабочий. Главный риск в нём не «ИИ нарисует плохо», а незаметно остаться в шаблонных решениях, которые он выдаёт всем подряд. Про это и поговорим.

Данная статья является первой из цикла о социальном освобождении посредством искусственного интеллекта. В ней уделено внимание решению психофизиологической проблемы. То есть вопросу о том, каким образом материальные структуры могут порождать идеальные процессы. Или иначе — как нервно-мозговые процессы могут порождать субъективные переживания. В какой-то мере я уже освещал то, о чем в ней говорится в статье об эффективном методе социального освобождения и статье о нейропсихозе. Однако в них это решение было дано кратко. В этой статье оно дано подробно.

Приведенное здесь решение проблемы «тело-разум», опирается на наработки Юрия Семенова, изложенные им в семитомнике «Введение в науку философии». При разработке этого решения, он, в свою очередь, опирался главным образом на работы Павлова, Красногорского, Анохина, Ухтомского, Выготского, Дубровского и Ильенкова, а также иных исследователей. Основная проблема этих авторов, в том, что буквально каждый из них, сумев найти те или иные верные решения частных моментов проблемы, почти всегда абсолютизировал их. Из-за этого никому из них не удалось решить проблему полноценно. Семенов, сумел непротиворечиво соединить их открытия и выводы, вскрыв и преодолев ошибки. В результате родилось решение, которое и представлено в данной статье. Также я постарался заострить внимание на тех нюансах, которые у Семенова недостаточно пояснены. Отличается и применяемая терминология. Я старался избегать специальных терминов, кроме того некоторые понятия употребляются в иных значениях. Возможно в таком виде изложение облегчит понимание.

Для крупной федеральной компании из телеком-сектора наша команда разработала закрытую семейную платформу для сотрудников и их детей. Один родительский аккаунт объединяет несколько детских профилей, а внутри находятся тематические районы, викторины, мини-игры, творческие задания, личный прогресс, баллы и общий рейтинг.

Название заказчика и самой платформы я не раскрываю по NDA. Для этого разбора важнее масштаб задачи: речь идёт не об эксперименте с генерацией картинок, а о production-продукте, где AI-механика должна работать вместе с авторизацией, детскими профилями, расписанием контента, очередями, файловым хранилищем и правилами начисления баллов.

Одной из творческих активностей стала «виртуальная роспись» городского здания. Пользователь выбирал фотографию фасада, загружал собственный рисунок, а система превращала его в изображение на стенах. Здание должно было остаться узнаваемым, а рисунок - стать частью реальной архитектуры, а не потеряться в новой генерации.

На уровне интерфейса всё выглядит просто: выбрать основу, загрузить рисунок, дождаться результата. На уровне production-системы задача быстро перестаёт быть «вызовом AI API». Прямого доступа к OpenAI API с российского сервера нет. Сама операция длительная, работает с приватными файлами и может завершиться сетевой ошибкой, ограничением провайдера или отказом модерации.

Ниже - технический разбор этого конкретного потока: от React и очереди Laravel до небольшого собственного proxy-сервиса, встроенного в архитектуру основной платформы.

SSB — «мы стояли на „плоскости“»

Предлагаемый текст представляет опыт ознакомления автора с тестом SSB в свете обычных прикладных вопросов BI‑проекта умеренного размаха. Автор пытается бросить пытливый взгляд на спектр перспективных возможностей, обеспечиваемых доступностью и масштабируемостью теста SSB.

Перевёз ИИ-агентов с зарубежного PaaS на московский VPS. Сам переезд занял день, разгребание последствий — неделю. В статье: что отваливается при переезде в Россию (реестр контейнеров, geoip, дампы баз), почему вебхуки Telegram не доходят до российского сервера и как я это доказал экспериментом с контролем, почему картинки для постов не забираются с двух независимых российских хостингов, и как устроена маскировка персональных данных перед отправкой в модель — с граблями, которые стоили времени.

Цифры за закрытый месяц внезапно меняются, а поиск причины превращается в разбор всего пайплайна — от загрузки событий до логики витрин.

В статье разбираем пять типовых сценариев, из‑за которых прошлое в отчётах продолжает «двигаться», и показываем, как сделать пересчёт данных предсказуемым.

Мы вынесли компактную карточку банковской карты в entities/card/ui: маска номера, баланс и статус — решение казалось очевидным.

Через два спринта в карточке появились действия «заблокировать карту» и «изменить лимит». В итоге entity начала импортировать features/block-card, features/change-card-limit и проверку прав доступа мимо public API. Когда ту же карточку понадобилось показать в выборе счёта списания, вместе с ней приехали ненужные зависимости и проверки ролей.

Пользовательских инцидентов не случилось, но исправление отняло время. В entity оставили чистый CardPreview, сценарии подключили выше, композицию дашборда перенесли в widgets/card-summary, затем заново прогнали ролевые тесты.

После этого на ревью мы стали обсуждать имя папки ближе к концу разговора. Сначала отвечали на другой вопрос:

Какие будущие изменения выбранная граница позволит оставить локальными?

В FSD 2.1 для подобных ситуаций рекомендуют начинать со страниц и извлекать код ниже по мере появления переиспользования. Это хороший вариант по умолчанию, хотя самостоятельный сценарий с близким вторым потребителем иногда оправдывает границу раньше.

Пользуюсь не каждый день, но там где надо выбрать из нескольких вариантов, перелопатить гору инфы и выбрать что-то одно путнее, у NotebookLM пока нет равных.

Статья представляет собой практическое пособие по изучению FOG Prime и основ сетевого взаимодействия. На примере проекта рассматриваются работа Discord и YouTube, различия между TCP и UDP, роль DNS, TLS и QUIC, автоматический подбор сетевых профилей и проверка соединения. Материал написан простым языком и подойдёт начинающим пользователям и разработчикам.

Доброе утро, фанаты! История длиной в 2 года о том, как придумать дейтинг приложение с выходом на иностранный рынок: получать отказы от Spotify, потерять в последний момент инвестиции — но всё же выпустить приложение!

Наш современный мир переполнен, буквально затоплен текстами на разных языках, написанными разными системами письма. Они окружают нас везде, в оффлайне и тем более в онлайне. Человек XXI века ежедневно прочитывает столько информации, сколько образованные люди древности порой читали за всю жизнь. Обитателям сети очень трудно представить то, как жило подавляющее большинство человечества в прошлые эпохи — когда и текстов, и умеющих их читать было несопоставимо меньше. А большую часть истории нашего вида Homo Sapiens никаких текстов не было вовсе. Первые достоверно известные системы письменности в строгом смысле слова, шумерская клинопись и египетская иероглифика, появились немногим более пяти тысяч лет тому назад. Они просуществовали тысячелетия, сильно изменившись в процессе, но в итоге уступили место алфавитным системам письма — а вот возникшая несколько позже китайская иероглифика процветает и поныне. Системы письма рождались и умирали, порождали одна другую, менялись порой очень радикальным образом, и процесс этот продолжается и поныне. Попробуем в этом разобраться.

Все началось с отпуска HR.

Нужно было срочно нанять пару менеджеров, а времени на десятки одинаковых переписок просто не было. Поэтому я написал небольшой Telegram‑бот для первичного отбора кандидатов.

Но каждая решенная проблема открывала следующую. Сначала появились анкеты и скоринг. Затем аналитика, триггерные сообщения, LLM, база знаний и собственный визуальный конструктор сценариев.

Если вы занимаетесь подбором персонала, автоматизируете HR‑процессы или разрабатываете Telegram‑ботов, возможно, мой опыт поможет избежать нескольких ошибок и сэкономить время.

Я собираю своего кодинг‑агента поверх моделей OpenAI. Базовый агентный цикл написал сам на Pydantic AI, и он быстро заработал. А потом начались сложные узлы: как сжимать распухший контекст, как не дать агенту делать заново уже сделанное, как понять, что он правда закончил, а не выдохся. На каждом таком узле я застревал и шёл смотреть, как это решают взрослые. Благо исходники Codex, OpenCode и Pi лежат открыто, а архитектуру Claude Code Anthropic описывает сама.

Оказалось, кодинг‑агенты различаются не моделью внутри и не списком фич на лендинге. Они различаются архитектурными ставками обвязки, и эти ставки видны прямо в коде. Дальше — разбор по ставкам, с примерами кода, и попытка понять, какие из этих ставок стоит закладывать всерьёз, а какие проживут до следующего сильного релиза модели.

Лучший способ сжечь бюджет компании на инфраструктуру — запуск LLM в продакшене. Но только если вы не знаете, какой бэкенд использовать и как его настраивать.

Проблема в том, что параметры современных нейросетей растут по экспоненте, а обрабатываемый контекст становится все длиннее. Из-за этого операционные расходы на генерацию текста превращаются в главный барьер для масштабирования сервисов. Обслуживать запросы к LLM в десятки раз сложнее и дороже, чем крутить классический поиск по ключевым словам. Чтобы не разориться на счетах и выжать максимум из дорогостоящих GPU, нужен специализированный софт.

В этой статье мы подробно сравним три ведущих бэкенда для инференса: vLLM, LMDeploy и экосистему NVIDIA Triton Inference Server в связке с TensorRT-LLM. Мы разберем, как они управляют памятью, какие методы квантования используют и как распределяют запросы, а также оценим результаты их бенчмарков на актуальных архитектурах NVIDIA Hopper и Blackwell.