Kurgan-Telecom Ru | Информационные технологии

Все главные новости из мира Joomla за 1-й квартал 2026 года в одной статье. Традиционно дайджест собирает новости сообщества, релизы, расширения, интеграции, видео и статьи из мира Joomla. Прошлый выпуск доступен на Хабре.

Завернул AI-генерацию ИИ аватаров в Telegram Mini App: загружаешь фото, пишешь текст — бот присылает видео, где аватар произносит этот текст. Стек: React 19 + Django + Celery + HeyGen API. Рассказываю про авторизацию через initData, поллинг асинхронных задач, и почему подключение T-Bank Acquiring по 54-ФЗ заняло больше времени, чем вся остальная интеграция.

Если вы пользуетесь ИИ с 2024 и знаете, что такое few‑shot — статью можно пропустить. Здесь про начальные принципы работы с текстовыми ИИ.

Есть у меня приятель и приятельница. Ваня — это Gemini. И Вика — ChatGPT.

У меня тупо гугловый аккаунт, и я с ним иногда советуюсь по коду. Не вайб-кодинг, а так, на что обратить внимание, что почитать, пора ли уже выносить код в отдельный модуль.

После дня пиления «Мест» решил расслабиться и попросил Ваню описать устройство самогонного аппарата. Просто шутки ради…

Когда я проржался, показал Ванин текст Вике. А дальше просто копировал их ответы друг другу.

GPT-5.4 пишет лучше всех — 97 баллов из 100. Но $0.10 за вызов. При 10 000 генераций в месяц — $1000. А мы нашли модель, которая справляется на 91% и стоит $0.0008. Те же 10 000 генераций — $8. Разница — $992 каждый месяц.

Мы строим продукт, где LLM генерирует образовательный контент для клиентов. Публичные бенчмарки (MMLU, HumanEval, LMSYS) не помогают — они не тестируют генерацию длинных текстов на русском и не учитывают стоимость. Поэтому мы за свои $95 построили собственный battle test и прогнали через него 18 моделей.

Что обнаружили: 7 из 18 моделей вставляют китайские иероглифы в русский текст. Одна копирует инструкции из промпта прямо в заголовки. А LLM-судья поставил сам себе 127 баллов из 100.

В статье: полная методология, таблицы с результатами, формула value score (цена/качество), и открытый лидерборд.

Это третья статья про мой "аниме завод" — систему, которая автоматически превращает длинные эпизоды в Shorts.

Если хотите полный контекст, вот предыдущие части:

Telegram выкатил обновление для iOS — MTProto-прокси снова работают. Обновил, подключил, медиа грузятся. Разбираю, почему прокси ломались именно на iOS, как Fake TLS шифрует MTProto-трафик под обычный HTTPS, и почему прокси на российском VPS работает лучше зарубежного.

Когда тебя решили заменить ИИ-агентом и слить по-тихому.

Китайский проект Colleague Skill завирусился на GitHub с идеей оцифровать коллегу перед его увольнением — и случайно вскрыл юридическую и этическую бомбу, которая уже тикает в каждой компании.

Когда мы говорим о генерации ландшафтов в компьютерных играх или симуляторах, перед разработчиком всегда встает вопрос: хранить огромные карты высот на диске или генерировать их на лету? Хранение готовых текстур требует места, а их загрузка - времени и пропускной способности памяти. Процедурная генерация решает эту проблему, позволяя создавать уникальные, детализированные и невероятно большие миры, имея в распоряжении лишь математические формулы и несколько входных параметров он же сид.

Однако генерация сложных ландшафтов на CPU может стать узким местом, особенно когда речь идет о streaming-мирах или динамическом разрушении окружения. На помощь приходит вычислительная мощь графического процессора. Используя Compute Shaders, мы можем перенести тяжелые математические расчеты на тысячи ядер видеокарты, получая готовую карту высот или же heightmap за доли миллисекунд. В этой статье мы разберем, как устроены процедурные текстуры, почему GPU идеален для этой задачи, и напишем собственный генератор местности с эрозией на HLSL.

Observability давно стала стандартом, но качество решений на её основе остаётся нестабильным: данные есть, а понимания всё равно не хватает. Проблема часто возникает раньше, чем начинаются графики и алерты — в самой модели сбора телеметрии, где теряются связи между событиями и размывается контекст. В статье разбираем, почему это происходит, как это влияет на анализ продакшена и почему с ростом роли ИИ и агентных систем требования к данным становятся принципиально другими.

У рекламы соблазнительная логика: чем больше контактов с аудиторией, тем шанс зацепить конкретного человека выше. Больше показов, касаний, поверхностей, точек входа, в общем чем активнее, тем лучше.

Эта формула долго работала, особенно в цифровой среде, где местá для размещения можно создавать практически без конца. В рекламную кампанию легко объединить парочку баннеров, преролл, спонсорский блок, вставку в выдаче и до кучи — какой-нибудь формат, догоняющий пользователя.

Предел этому есть с другой стороны — у человеческих возможностей. Реклама использует внимание, а оно не так охотно масштабируется, как инвентарь (места для рекламы). Я уже анализировал исследование и показал, что человек подошел к временной границе потребления контента. С рекламой так же. 

Если условный сервис научился продавать больше слотов, у пользователя не появится лишний час в сутках, а у мозга не откроется новый канал восприятия. В какой-то момент количество перестанет усиливать эффект и даже наоборот: размывает.

Так возникает рекламный клаттер — состояние, где множество сообщений сливаются в фон. Рассказываю о проблеме переизбытка, где среда забивается так, что хуже работает и для пользователя, и для брендов.

Вычислительные системы в настоящее время присутствуют повсюду и становятся основной частью человеческой жизни. Во многих ситуациях мы полагаемся на них, чтобы помочь нам контролировать высококритичные виды деятельности, такие как медицинские процедуры, перевозка людей, аэрокосмические и оборонные системы, а также управление высокими энергиями.

Системы, критичные к безопасности, — это те, использование которых может создавать риски для человеческих жизней, поэтому требования становятся чрезвычайно важными и являются неотъемлемой частью любого процесса разработки программного и аппаратного обеспечения. Чтобы включить и учитывать аспекты безопасности в процесс разработки, более двух десятилетий назад была создана концепция функциональной безопасности вместе с некоторыми стандартами.

Какой бизнес мог бы потенциально запустить практически любой более-менее подкованный технический специалист, «с прямыми руками», который немножко умеет программировать, немножко знает 3d печать, немножко умеет моделировать — и где конечная затея могла бы решить проблему множества людей, а путь технического решения этой проблемы является весьма простым (не сильно сложнее, чем «поиграть в детские машинки»)? :-)  

Охотно отвечу: проблема «последней мили» применительно к транспортной доступности во множестве городов мира! 

Сначала это были чужие истории. Кто-то из знакомых рассказывал, как попросил ChatGPT написать письмо. Кто-то хвастался сгенерированной картинкой. Я слушал с некоторым скепсисом и небольшим любопытством — зачем людям может такое понадобиться?

Потом попробовал сам. Сначала просто спрашивал, как сделать какую-то мелочь. Потом захотелось, чтобы он ответ давал сразу с нужными именами переменных — чтобы было удобно копипастить. Мелочи, которые экономили минуты. Приятно, но мир не переворачивало.

Перелом наступил, когда я подумал: хватит чатиться. Зачем я каждый раз ввожу его в курс дела — пусть работает из IDE и узнаёт контекст сам. Дал ему пару указаний, чтобы код генерил не как в примерах из учебника, а как надо. Вот тогда-то всё и изменилось.

Я умею кодить сложную логику — это всегда было моей сильной стороной. Там, где другие делали то, что могли, я делал то, что нужно, и за счёт этого держался выше среднего. Я дал ИИ задачу, на которую у меня ушло бы пару дней — он сделал всё чётко и быстро. Вот жеж блин.

Дальше — больше. Попробовал с ним обсудить подход, и он подсказал идею, до которой я сам бы не дошёл. Да, финальная мысль пришла мне — но направление задал он. Такое хочется развидеть, но нельзя игнорировать: если машина делает то же, что и я, а может и больше — чем я от неё отличаюсь? Что делает меня специалистом? И вслед за этими красивыми вопросами сразу подъехали приземлённые: а за что, собственно, я буду получать зарплату?

Чтобы найти ответы, пришлось немного поработать. Немножко технически, немножко психологически. Боишься, что заменят — учись новому. Что, в первый раз, что ли? Немного шишек — и мускул накачан. Обложиться MCP-шками, настроить агентов — для человека, который был и админом, и девопсом, это не проблема. Руки помнят.

Агент «Исследовать» в Алисе AI может работать до 20 минут. За это время он успевает обойти десятки сайтов, запустить модели, вызвать инструменты — и сделать всё это параллельно на нескольких хостах. И если в середине цепочки что-то упадёт (а практика показывает, что если может упасть — когда-нибудь упадёт: релизы, сети, «луна не в той фазе»), агент должен уметь продолжить работу с того же места, а не начать всё заново, сжигая часы и LLM-токены. Ещё год назад никакой инфраструктуры для этого у нас не было.

Меня зовут Алексей Логинов, я ведущий разработчик в команде, которая отвечает за инфраструктуру нашего ассистента. В этой статье я покажу, какой путь мы прошли от наивного SDK до полноценной платформы Agent Transport System (ATS) — и как при этом упирались в различные ограничения и преодолевали их.

Привет, я Таня — работаю ведущим продуктовым дизайнером опыта покупателя в Ozon. Среди моих продуктов «Избранное», «Вишлисты», мини-апп «Доставки посылок», а в прошлом я дизайнила «Карточку товара». Год назад я ротировалась в команду «Корзины», потому что хотела для себя новых вызовов.

На примере редизайна «Корзины», я хочу показать, как сегодня меняется роль дизайнера в продукте, чем дизайн-стратегия отличается от просто красивого концепта, почему такие изменения невозможно делать в одиночку.

Лицензионное соглашение кажется многим чуть ли не единственной моделью продаж ПО (программного обеспечения). Но по мере того, как IT-продукты становятся более масштабными и экосистемными, все больше компаний интересует модель франшизы. 

Такой подход давно укоренился в ресторанном бизнесе и розничной торговле, но в сфере ПО его применение остается нишевым. Разбираемся, как работает ПО по франшизе, чем отличается от лицензии и кто уже поставляет свои разработки по этой модели.

С тех пор как мы представили инструмент резервного копирования в Manticore Search 6, создавать резервные копии данных стало заметно проще. Но мы постоянно слышали один и тот же вопрос: "А как насчёт облачного хранилища?" Сегодня мы рады объявить, что manticore-backup теперь поддерживает S3-совместимое хранилище с потоковой загрузкой — без промежуточных файлов, без проблем с местом на локальном диске, только бэкапы напрямую в облако.

Пользуюсь Codex с подпиской pro месяц. Собрал несколько очень тупых, но эффективных промптов, отлично показавших себя во время разработки с использованием GPT-5.4.

Из-за большого количества сетевого оборудования и отсутствия достаточного времени не получается бэкапить всё оборудование.Но надеюсь данная статья поможет вам автоматизировать рутинную работу. Все изменения конфигураций будут версионироваться, и бэкапиться, вы всегда сможете восстановить прошивку на необходимое состояние.

Выделяем ПК или VM, устанавливаем Linux, я предпочитаю Debian (сейчас актуальная версия 12). Устанавливаем Docker и Docker-Compose по оф. инструкции Добавление репозиториев