Kurgan-Telecom Ru | Информационные технологии

Привет, Хабр. Мы выпускаем GigaChat 3.5 Reasoning, первую модель GigaChat с полноценным рассуждением, обученную на технологии online RL.

Главное, что изменилось в обучении: после SFT модель целиком прошла через online RL. Не один домен и не одна финальная стадия, а шесть отдельных экспертов (математика, код, агенты и другие), каждый со своей наградой, которые потом собрали обратно в одну модель.

В статье расскажем не только про цифры, но и про то, как устроен конвейер, как модель взламывала награды и почему всё это заняло больше девяти месяцев.

Клиентский сайт на WordPress уже чистили в июле, но одну закладку пропустили. Через месяц в админку зашёл скрипт, посмотрел настройки оплаты WooCommerce и удалил дефолтного пользователя admin. Вместе с ним в корзину улетели 59 страниц, а 192 объекта медиатеки удалились вместе с файлами: корзина для вложений по умолчанию отключена.

Разбираю хронику по логам, механику каскадного удаления через wp_delete_user() без переназначения автора и восстановление по частям, когда полный откат бэкапа запрещён. И две ошибки, которые я допустил уже в процессе ремонта: подстановка файла по совпадению имени и прямой SQL, после которого Yoast продолжал отдавать canonical на момент аварии.

Обычно осенью компании размораживают позиции, и вакансий становится больше. Но желающих найти работу всё равно больше, чем предложений: на одну вакансию за сутки может доходить до 800 откликов. Из-за ИИ выделиться стало сложнее. Палки в колёса вставляют фильтры отбора, долгое ожидание обратной связи и прочие прелести найма. 

Я Игорь, менеджер продуктов Outlines Tech. Работаю в ИТ с 2014 года: нанимал людей и сам искал работу. Поделюсь мнением, насколько нейросети изменили процесс найма и что по-прежнему помогает получить оффер. В конце дам пошаговый план поиска работы.

В новом релизе Ideco NGFW Novum мы собрали функции, которые обычно приходится искать в разных слоях инфраструктуры: видимость AI-сервисов, развитую динамическую маршрутизацию, QoS и строгую аутентификацию. Разберем задачи, которые релиз закрывает в больших распределенных сетях, ЦОД, на перегруженном WAN-канале и в регулируемом контуре.

AI уже в сети, даже если его ещё нет в реестре ИБ

Shadow AI начинается с обычного рабочего действия: сотрудник открывает чат-бот (а уже наверное и разворачивает агент), разработчик подключает API-модели, аналитик загружает таблицу в ассистент, а инженер запускает локальный inference-сервис для эксперимента. У каждого действия может быть разумная цель, но у ИБ нет ответа на базовый вопрос: какие AI-инструменты реально используются в сети?

Масштаб разрыва между официальным внедрением и фактическим использованием может быть огромным.

Это не только вопрос дисциплины. AI-агент внутри сети может быть развернут злоумышленниками для быстрого закрепления в инфраструктуре. Или небезопасно настроенный и используемый агент может в будущем «заразиться» и перейти на «темную сторону силы».

Запретить все AI-сайты целиком – простой, но слабый ответ. Он не отделяет утверждённый корпоративный сервис от личного аккаунта, не помогает понять реальный спрос и подталкивает пользователей искать обходы. До политики нужен инвентаризационный слой: сначала увидеть сервисы, затем классифицировать риск, определить допустимые сценарии и только после этого применять ограничения.

Кроме того, из-за официальной недоступности в России многих AI-сервисов, в рунете широкое распространение получили сервисы-прокси и агрегаторы AI-моделей, самостоятельно составлять и поддерживать их списки – неблагодарная работа.

Поэтому сегодня я бы уже не определял DFE только как аппарат для концентрирования жидких радиоактивных отходов. Гораздо интереснее рассматривать его как попытку создать масштабируемую горизонтальную платформу для глубокого выпаривания сложных, загрязняющих теплообменную поверхность и кристаллизующихся растворов.

Получится ли из этого действительно конкурентоспособная промышленная машина? Я этого пока не знаю. Но именно поэтому следующий шаг уже совершенно очевиден: её нужно построить и испытать.

К вам пришёл кандидат, который идеально проходит по всем критериям, но вам нравится давать необоснованные отказы? Или вам надоели AI-суфлеры от волков, поэтому вам нужна детекция кандидатов жуликов?

Представляю вам фан-подборку каверзных, глупых и душных вопросов по go. Если кандидат на них отвечает - повод насторожиться.

Немного о себе: Я Александр Константинов, ведущий разработчик в дочерней компании Сбербанка, занимаюсь Android разработкой, мое хобби - программирование и искусственный интеллект.

Все говорят, что новая модель chatGPT - 6 (Astra) уже достигла уровня AGI. Но так ли это на самом деле? Решил спросить у самого ИИ, может он скажет правду)

Подход «раскрытия возможностей» (capability disclosure) к скиллам для ИИ-агентов и маленький open-source инструмент, который читает скилл за вас.

Объём неиспользуемых ресурсов не уменьшается (хотя вроде как должен), а узлы бесконечно ротируются. Это нормально для автоскейлера или пора что-то чинить?

В статье — детально о механизме консолидации в Karpenter, а главное — можно (и нужно) ли как-то его исправлять.

Меня зовут Ильхом Аскаров. Я инженер, исследователь , и занимаюсь космической техникой, электроникой, беспилотными и стратосферными системами.

В 2020 году я основал Markos Technologies - небольшую инженерную компанию, которая занимается разработкой исследовательских и технологических решений. За это время мы успели поработать над разными проектами, но постепенно главным направлением для нас стал космос, как Российский так и зарубежный.

Сейчас один из ключевых проектов Markos Technologies - это малый космический аппарат «Полярный-М» в формате CubeSat 3U.

Мы хотим создать не просто спутник, а небольшую летающую инженерную лабораторию, на которой можно будет испытывать собственные разработки: системы связи, бортовую электронику, энергопитание, электрореактивную тягу и другие технологии.

Отдельно нас интересует Арктика. Мы хотим исследовать возможность организации связи и передачи данных в полярных регионах с использованием малых космических аппаратов.

В этом блоге я хочу рассказывать не только о готовых результатах, но и о самом процессе: как мы проектируем системы, собираем прототипы, выбираем компоненты, проводим испытания и пытаемся превратить идеи на бумаге в реальные инженерные устройства.

Буду делиться как успехами, так и ошибками, потому что вторых в инженерии обычно не избежать. :)

Так что это будет небольшой дневник о том, как мы в Markos Technologies пытаемся построить свой спутник и постепенно отправить его на орбиту.

Рад познакомиться с Хабром!

Про архитектуру Mixture of Experts (MoE) слышал каждый, кто следит за ML: Mixtral и DeepSeek доказали эффективность динамического роутинга. Но пока индустрия осваивает базовый MoE, появилось его прямое продолжение под названием MoVA.

В статье разберем: как устроен классический MoE, что именно MoVA меняет в механизме внимания, чем это архитектурно отличается от MoE, и как это все выглядит на конкретной модели, с цифрами, бенчмарками и первыми независимыми обзорами.

Всех приветствую! Меня зовут Андрей, я студент 4 курса факультета математики и компьютерных наук, автор телеграм-канала Andre | Data Science. Все мы знаем, что направление машинного обучения сейчас на огромном хайпе - практически из-под каждого камня говорят о разных методах и о том, что они способны решить практически любую задачу. Но гайдов, которые бы подробно разбирали работу конкретного метода - от обычной загрузки данных до математического обоснования принципа его работы и визуализации каждого шага, - катастрофически мало.

В этой статье я хочу закрыть этот пробел и разобрать один конкретный метод - RBF SVM. Мы посмотрим, как он устроен с математической точки зрения, как появился на свет, какие у него есть сильные и слабые стороны и с чем они связаны. Также протестируем его на реальных датасетах. Так как аудитория IT-сообщества довольно широкая, я постараюсь очень подробно расписывать каждое определение и каждую часть своего повествования, чтобы по ходу чтения у вас возникало как можно меньше вопросов и нить понимания не обрывалась.

Я написал бота на Python, используя библиотеки kurigram, yt‑dlp и ffmpeg. Данный бот умеет скачивать что‑то (в зависимости от площадки) из следующих платформ: YouTube, TikTok, Instagram, Pinterest, Rutube, VK, Spotify, Shazam, Yandex Music, SoundCloud, VK Music, Deezer, Apple Music, Tenor, JioSaavn, Twitch (только клипы), Snapchat, Reddit, Kinopoisk.

В статье «ИИ и инфляция качества» я писал о том, что резкое удешевление интеллектуальной работы довольно быстро меняет наши требования к ее результату. Если дополнительная проверка занимает несколько минут, ее начинают делать. Если можно быстро перебрать десять вариантов, первый попавшийся уже не выглядит достаточным. Вчерашнее «слишком долго и дорого» превращается в сегодняшнее «а почему нет?», и качество начинает расти вслед за возможностями.

У этого же процесса есть другой аспект, который пока немного теряется за бесконечным сравнением человека и машины.

Мы привыкли считать ИИ поштучно. Может ли один агент написать код лучше одного программиста? Насколько один аналитик с ИИ производительнее аналитика без него? Сколько сотрудников сможет заменить человек, получивший хорошего электронного помощника? Это вполне разумные вопросы, из которых получается такая же разумная арифметика рынка труда: если один сотрудник теперь выполняет работу двух, второй становится лишним.

Дивизия математиков

Но тут OpenAI продемонстрировала несколько другой способ считать интеллект. Для работы над проблемой Навье-Стокса они запустили около 10 000 агентов, которые работали 88 часов. И мне в этой истории гораздо интереснее не очередной раунд обсуждения, насколько умными стали модели, а само число.

Десять тысяч.

Если посадить десять тысяч хороших живых математиков на одну проблему на 88 часов, я тоже буду ждать от них чего-нибудь интересного. Вопрос в том, как именно их посадить. Десять тысяч математиков надо разделить на группы, распределить направления, собирать промежуточные результаты, замечать дублирование, закрывать тупиковые ветки, передавать полезные находки между группами и постоянно перераспределять людей туда, где появился прогресс. Через некоторое время математическая проблема начинает конкурировать за внимание с проблемой управления дивизией математиков.

Чтение приватного поля через рефлексию занимает 8,96 наносекунды и выделяет 24 байта в куче. Тот же доступ без рефлексии — 0,25 наносекунды и ноль байт.

Разница в 35,8 раза, а на .NET 8 она доходила до 108. Способ появился в .NET 8, применяется внутри библиотеки классов и работает без генерации кода.

SQL-запрос выполнился без ошибок, дашборд обновился, цифры выглядят правдоподобно — и всё же выручка внезапно выросла на треть. Причина может скрываться в одном JOIN, незаметном NULL или неверной границе периода. Разбираем семь ошибок в SQL-агрегациях, которые не ломают запросы, зато вполне способны сломать выводы из данных.

Поговорим о методологии интеграции источников с хранилищами данных. Статья описывает научную теорию и носит задачу упорядочить свои собственные знания.

Все мы знаем о понятиях ETL/ELT, оно же ETLT. В добавок к этим паттернам иногда на проектах применяются необязательные проверки качества данных, создают возможность аудита загрузок и данных, управления, а так же систематизируют дальнейшую поддержку. Но перечисленные стадии не являются обязательными, поэтому и появляется следующее поколение процесов ETL/ELT с суффиксом “++”, то есть ETLT++.

Вы хотели когда-нибудь поиграть, но при этом отдохнуть от ПК или консоли? Это статья для вас!

В этой статье я расскажу что такое настольные игры для одного игрока, как в них играть и что они из себя представляют.

Поиграть одному можно и не только в компик :-)

Встала необходимость проверки затворов моих камер. Так как отправлять камеры к мастерам в другие города — дело долгое и заморочное, было решено собрать простой тестер из доступных деталей с маркетплейсов.

Прибор собран из трех фотодиодов BPW34, механического выключателя, резистора, микрофонного провода и напечатанного на 3D‑принтере корпуса (stl модели прилагаются). Фотодиоды расположены в линию со смещением к одному краю кадрового окна. Использование как одного так и всех трех датчиков позволяет оценить состояние затвора камеры, равномерность выдержек, равномерность экспонирования и провести настройку в домашних условиях.

Марат Юсупов выставил на аукцион десять мест под наклейки на своём личном MacBook и заработал 1 472 784 рубля. Почти полтора миллиона за логотипы на крышке ноутбука.

Причём идею он не придумывал.

Марат вдохновился иностранным экспериментом Brand My Mac и адаптировал его для России, сделав первый успешный в стране подобный аукцион. У оригинала всё довольно буквально: бренд покупает место под стикер, получает ссылку на сайт и появляется с ноутбуком в контенте автора.

Получается довольно абсурдная сделка. Обычно бренды сами бесплатно раздают стикеры, чтобы люди клеили их на ноутбуки. Здесь же всё наоборот: бренды платят сотни тысяч рублей за право оказаться наклейкой на чужом маке.

Почему вдруг место на крышке ноутбука стало стоить таких денег?