Kurgan-Telecom Ru | Информационные технологии

Даже проверка обычных символов может стать узким местом в обработке текста для языковых моделей. При профилировании bert-base-uncased выяснилось, что на нормализацию уходило 88% времени токенизации. В статье разбираемся, как SIMD‑инструкции, кеширование Unicode и пропуск лишних операций помогли ускорить обработку примерно в 50 раз, почему на разных языках результаты отличаются и где у такого подхода есть ограничения.

Привет, Хабр! Меня попросили устранить неисправность темброблока этой роскошной электрогитары, что даёт нам возможность изучить её во всех подробностях.

Имеет ли смысл переплачивать за маркетинговые украшательства, или же перед нами инструмент, действительно улучшенный с технической точки зрения по сравнению с соседними в линейке более дешёвыми моделями?

Сделал бесплатного бота, который переводит голосовые и кружки в текст, и уложил его в одно ядро сервера. Внутри — замеры GigaAM v3 против Whisper на процессоре, нарезка длинных записей по паузам без отдельной модели, очередь по кругу, чтобы короткое голосовое не ждало чужой подкаст, и свой сервер Bot API для файлов до 2 ГБ. Код открыт.

В июле я рассказал, как искал себе читалку для книг на иностранном языке и в итоге родился TBook формат. Половина той статьи была о том, как заставить дешёвые LLM выдавать такое выравнивание без позиционного дрейфа.

С тех пор прошло четыре месяца. Приложение вышло в Google Play, появилась десктопная читалка для трёх ОС, офлайн-словари, онлайн-конвертер с общей библиотекой и Telegram-ботом, GUI-конвертер с готовыми бинарями, два десятка отчётов об экспериментах с качеством перевода — и главное, вторая версия формата.

К Хэллоуину девять основателей потревожили покой своих закрытых проектов и рассказали, что свело их продукты в могилу, чему их это научило и чем они теперь занимаются. Читать при жизни вашего проекта!

Зажигайте свечи и устраивайтесь поудобнее. Открываем «Стартапономикон, или книгу мертвых стартапов»: сборник историй от основателей проектов с кладбища Product Radar. 

Название сегодняшнего выпуска: «До последнего клиента».

Внутри есть история проекта, который привлек 30 млн рублей инвестиций и провел 70 встреч с инвесторами, но все‑таки закрылся. Еще одна история про приложение для мероприятий: пользователи забывали о нем сразу после события, а организаторы отказывались брать даже бесплатно. А основатель нейронного радио уехал путешествовать и забыл оплатить сервер. Восемь слушателей написали ему лично, когда музыка смолкла навсегда.

Заброшенная станция метро – нередкая локация американских боевиков и ужастиков. Это не выдумка киношников, у них там такое действительно бывает. Структура отечественных подземок отличается от западных, но и в нашей стране можно насчитать три станции, навсегда исчезнувшие со схем метро… а могло быть и больше.

Вообще говоря, длительные закрытия подземных вокзалов не так уж и редки. Глубокие станции с одним выходом прекращают работу при замене исчерпавших ресурс эскалаторов – на данный момент (октябрь 2026 г.) из-за этого бездействуют Фрунзенская и Парк Победы в Питере. Вместе с «лестницами-чудесницами» обычно успевают обновить интерьеры и оборудование, ведь ремонт зачастую тянется год и больше. Например, та же Фрунзенская не работает с лета 2024 г.

Но наша история про окончательно и бесповоротно – таких бедолаг куда меньше. В Москве их две – Первомайская и Калужская.

Марат Зимнуров — тимлид двух команд разработки в HRTech Авито. Прежде чем прийти в компанию, он успел поработать линейным сотрудником в McDonald's, а затем в Microsoft — над Power BI Desktop и системами восстановления Azure после сбоев. Сейчас в Авито его команды автоматизируют процессы найма, отпусков, бенефитов, комплаенса, обработки персональных данных и кадрового учёта для более чем 12 000 сотрудников. Они уже разблокировали для компании огромную сумму: сократили человеко-часы профильных пользователей и время сотрудников на рутинные операции, внедрили госуслуги, сделали приём на работу простым и понятным и грамотно выстроили ежегодную кампанию планирования отпусков.

Кроме того, Марат преподаёт в нескольких вузах, с нуля пишет собственный визуальный движок для игр по русской классической литературе, ведёт бесплатную образовательную платформу courses.digitable.life, издал детскую книгу и параллельно проектирует язык программирования с формальной доказуемостью. Мы поговорили с ним о том, как он успевает всё за день, чем студенты отличаются от разработчиков и что даёт ему Авито, чего не было в других компаниях.

Существуют ряд распространенных методов численного интегрирования с постоянным шагом: метод прямоугольников, трапеций Симпсона (парабол). Но оказывается, что в некоторых случаях гораздо эффективнее использовать методы с переменным шагом. Сегодня мы как раз рассмотрим один из таких методов – метод Гаусса-Лежандра. 

Студенты всё чаще используют LLM для написания рефератов, курсовых работ, дипломных проектов — вообще любых заданий, где нет непрерывного и постоянного контроля преподавателя. Естественно, система высшего образования этим недовольна и пытается с этим бороться. И самое простое решение — выявлять и не допускать ИИ-тексты.

Эта статья о том, как ИИ-детекторы неочевидно влияют на образование.

Недавно я запустил свой первый проект на основе ИИ. Это личный дневник, в котором нейросеть выполняет роль наблюдателя, а не психолога или советчика. То есть пользователь делает запись, ИИ ее конспектирует, принимает решение — задать ли наводящий вопрос на основе этой записи, а раз в неделю или месяц собирает ретроспективу по сделанным записям.

Перед запуском, естественно, встал вопрос тестирования, и, если с юнит тестами или интеграционными все более‑менее понятно — там, проверили, что circuit breaker отработал и через 3 попытки бросил исключение, или что отработали лимиты по вводу для отдельной записи — то как тестировать те самые конспекты и вопросы? И вот тут начинается область, где классические техники тест‑дизайна перестают работать — слишком много вводных для того же попарного тестирования или таблицы принятия решений. Я не хочу сказать, что они в принципе не применимы ко всем LLM системам — наоборот, в практике я уже их использовал для агента создания рекламных кампаний. Различия начинаются там, где LLM перестает задавать набор определенных вопросов по набору бизнес правил, и начинает обрабатывать «сырой» пользовательский ввод.

Одно из самых пугающих свойств технологической цивилизации — это то, что для рукотворной катастрофы нам вообще не нужен даже злой умысел, не говоря уже о каком-то тайном теневом заговоре — достаточно базовой математики некооперативных игр. В теории систем это описывают ситуацией, в которой локально правильный расчёт каждого отдельного игрока детерминированно гарантирует коллективное самоуничтожение.

В этой статье поговорим о том, почему так получается, разберём, как Computer Science и теория механизмов помогают взломать дилемму заключённого и можно ли сделать сотрудничество единственным математически верным сценарием.

В предыдущей статье мы разобрали гонку данных в C++: десять потоков увеличивают общий счётчик, но без синхронизации программа может работать некорректно.

Теперь решим ту же задачу на Rust.

Разберём, как модель владения и система типов помогают предотвращать небезопасный доступ к общим данным, зачем нужны Arc, Mutex и AtomicUsize, а также какую роль играют Send и Sync.

На практических примерах сравним независимые вычисления, совместное изменение состояния и ожидание событий через Condvar.

Отдельно поговорим о том, чего Rust не гарантирует автоматически: логические ошибки, взаимные блокировки и проблемы координации потоков всё ещё требуют внимания разработчика.

Это продолжение серии о системном программировании на C++ и Rust — с кодом, разбором механизмов и практическими выводами.

Поддельные документы давно перестали быть единичным инструментом мошенников. Сегодня их используют в схемах незаконной легализации, банковского мошенничества, захвата чужих аккаунтов и создания целых фиктивных личностей. А генеративный ИИ сделал такие атаки доступнее и технологичнее.

Продолжаю рассказывать об open source-экосистемах. Сегодня в центре внимания опыт «МК.Лаб» — небольшой компании, разрабатывающей «РуОду» и другие открытые решения. О том, с какими сложностями сталкивается команда в контексте открытой кооперации, какие решения находит и какие открытые инициативы запускает, мне рассказал Михаил Скворцов, один из основателей компании и энтузиаст open source-подхода. Этот материал выступает продолжением интервью с Михаилом и его коллегой Сергеем Коробковым (тут и тут).

Было ли у вас такое, что приходится управлять несколькими серверами одновременно? Если да, то возможно вам знакома боль, когда нужно переключаться между терминалами, файловыми провайдерами и тд. В этой статье я расскажу про свое решение этой проблемы.

Автор статьи — Игорь Соколов, специалист АБП2Б. Материал посвящён уязвимостям AI-компонентов, практическим сценариям атак и вопросам безопасности при интеграции искусственного интеллекта в корпоративные системы.

Еще недавно AI в веб-приложении чаще всего представлял собой чат-бота, который отвечал на вопросы пользователей. Сегодня ему доверяют гораздо больше: подключают к внутренним документам, корпоративной почте, CRM и базам данных, а иногда даже разрешают самостоятельно выполнять действия.

При этом для сотрудников изменения могут выглядеть совершенно незначительными. В корпоративном портале появился умный поиск, в CRM добавили помощника, а служба поддержки начала автоматически обрабатывать обращения. Вроде бы ничего принципиально нового — просто привычные инструменты стали удобнее.

Но с точки зрения информационной безопасности ситуация изменилась гораздо сильнее, чем кажется.

Обычный веб-пентест по-прежнему включает проверку авторизации, разграничения доступа, API, пользовательского ввода и бизнес-логики. Только теперь между пользователем и приложением появилась языковая модель, которая не просто обрабатывает полученную информацию, но и интерпретирует ее содержимое. А если у модели есть доступ к внешним инструментам, результатом обработки текста может стать вполне реальное действие в корпоративной системе.

Для злоумышленника это открывает дополнительные возможности. Вместо того чтобы напрямую обходить ограничения приложения, он может попытаться повлиять на AI-компонент и добиться, чтобы тот самостоятельно получил нужные данные или выполнил операцию.

Эта статья о том, как сериалы предсказывали влияние ИИ на людей и мир вокруг них и что из этих прогнозов начинает сбываться. «Люди», «Мир Дикого Запада», «Измененный углерод» и «В поле зрения» показывают одну ключевую закономерность в сознании людей, которую видно уже сейчас. ИИ снимает с сознания тормоза, и то, что было на уме, становится проявленной действительностью. Ограничения бывают разные: стыд, осторожность, страх последствий, чужой отказ, наконец, сама смерть. Когда технология убирает одно из них, человек остается наедине с тем, что раньше сдерживал. Одни обнаруживают в себе жестокость, другие нежность. А «Американские боги» добавляют вторую оптику: ИИ как новый бог, в жертву которому мы приносим внимание. Разобрав пять историй, я хочу понять, какие ограничения держат нас самих, что происходит, когда они исчезают, и что из этого я наблюдаю рядом с ИИ.

Осторожно, спойлеры!

Есть старая идея, которую обычно произносят с усмешкой: возьми то, что работает в США, и сделай то же самое для своей страны. Звучит как совет из инфобизнеса. Но иногда цифры заставляют отнестись к ней серьёзнее.

CalBuddy — ИИ-счётчик калорий на иврите. Его сделал израильский маркетолог Томер, у которого из опыта программирования было только что-то школьное. Запустился в июне 2025 года, в первый месяц заработал около $1 000, а в апреле 2026-го — больше $81 000. Ничего нового в продукте нет: сфотографировал тарелку, получил калории и БЖУ. Таких приложений в американском App Store десятки.

Мне стало интересно разобрать, за счёт чего это сработало и что из этого переносится на русскоязычный рынок, а что нет.

Знакомая ситуация: в контексте лежат два поля, скажем, name и age. Меняется age, и ререндерится компонент, который читает только name. У useContext нет селектора, как у useSelector в Redux: React сравнивает value провайдера целиком, а при каждом изменении это новый объект. Ни useMemo, ни React.memo тут не спасают.

В статье — небольшой контекст, где компонент ререндерится, только когда меняется его собственное поле. И разбор, почему он устроен именно так:

Почему через контекст стоит передавать не сами данные, а стабильный объект доступа к ним?

Почему обычные приёмы — useMemo на value и раздельные контексты — до этого не дотягивают?

Зачем для подписки нужен useSyncExternalStore и что такое tearing?

На каких деталях легко ошибиться и когда такой контекст вообще нужен?

Представьте ситуацию: на компьютере включён VPN, зарубежные сервисы работают, но некоторые российские сайты, банки или маркетплейсы начинают просить его отключить.

Выключаете VPN — российские ресурсы открываются, зато часть зарубежных становится недоступной. Включаете обратно — проблема повторяется.

А если одновременно нужны корпоративный VPN, личный VPN, мессенджеры, игры и обычный интернет?

Мне надоело постоянно переключаться между подключениями. Поэтому я начал разрабатывать NetRuleRouter — программу, которая позволяет управлять маршрутизацией трафика по сайтам, приложениям, IP-адресам и сетям.

Причём NetRuleRouter — не VPN-клиент. Он работает поверх уже существующих подключений и позволяет выбирать, через какое из них должен идти определённый трафик.

Разработку я начал 1 апреля 2026 года, первые рабочие версии использовал ещё летом, а теперь выпустил первую публичную альфу NetRuleRouter v0.1.0-alpha.1 для Windows и Linux.

Хочу рассказать, откуда появилась идея, что уже умеет программа, как я использую её сам и почему при таком количестве возможностей это пока именно alpha.