Представьте: 1978-й год, декабрь. Вы в клубе. Играет песня Stayin’ Alive. Вечеринка в самом разгаре.
Мужчины носят модные брюки клёш и яркие шёлковые рубашки с удлиннёнными воротниками; женщины — короткие цветные платья. Они танцуют, пьют коктейли, знакомятся и флиртуют.
Глядя на это со стороны можно было бы легко подумать, что вы где-нибудь в Лондоне, Париже или Нью-Йорке, но нет — этот клуб находится в столице Ирана...
Прилетаем в Шанхай — в аэропорту встречают трое, помогают с чемоданами. По дороге выясняется: один из них — владелец компании, у которой данные покупают крупнейшие AI-лаборатории мира (OpenAI, Meta, Antropic и др.).
Так начались наши восемь дней внутри китайского AI: SiliconFlow, ByteDance (разработчики TikTok, Seedance), MiniMax, Z.ai (разработчики GLM) — встречи каждый день. Внутри статьи: что ByteDance выпускает 10 июля и почему флагманы дешевеют; как Z.ai уходят с NVIDIA на Huawei; рынок, где серверные видеокарты лежат рядом с айфонами; магазин, где гуманоидов продают по паспорту; и почему пекинские уборщики пока выигрывают у роботов.
Я — сооснователь GPTunneL, китайские модели покупаю и продаю каждый день. Рассказываю, как этот рынок выглядит вблизи.
Обычно процесс разработки API выглядит так: мы пишем контроллер. Затем каким-то образом его документируем. После чего фронтер, опираясь на такую документацию, пишет клиент.
Мы делаем одну и ту же работу трижды.
В прошлой статье я рассказывал, как избавиться от первого дублирования. С помощью бандла sunrise-studio/symfony-openapi можно генерировать OpenAPI-документ из кода, минуя процесс документирования.
Но это решает проблему только наполовину. Если OpenAPI-документ вытекает из кода, то клиент должен вытекать из OpenAPI-документа. Иначе написание клиента – и есть то самое дублирование.
В этой статье я расскажу как замкнуть цепочку:
Controller → OpenAPI → Client → Feature
Где каждый последующий шаг вытекает из предыдущего, а не дублирует его.
Что рисует ваше воображение, если вы слышите слова «ЭВМ» и «СССР» в одной фразе? Научные лаборатории, огромные машзалы, лампы, транзисторы и перфокарты? Все эти образы недалеки от истины и в том или ином виде действительно встречались. Но вот чего вы могли не знать, так это истинного значения советских компьютеров для советской же промышленности, финансовой системы, транспорта, торговли, связи и прочего. Начиная с 1950-х ЭВМ проникли практически во все крупные сферы жизни, хотя рядовой советский человек этого особо не замечал. Давайте погрузимся в прошлое и посмотрим, как и зачем использовали электронные вычислительные машины в Стране Советов.
Трендовые фото цепляют внимание быстрее обычных снимков. У них есть яркий образ, понятная идея, настроение, необычная деталь и визуальный эффект, который хочется рассмотреть. Такие картинки активно используют в соцсетях, блогах, рекламе, карточках товаров, аватарках, обложках, сторис и личном контенте. Главное удобство в том, что сегодня популярные ИИ фото через нейросеть можно сделать без студии, фотографа, дорогой одежды и сложного монтажа.
Если раньше для красивой съемки нужно было искать локацию, свет, образ и ретушера, то теперь часть задач берет на себя нейросеть генератор изображений. Пользователь может загрузить свое фото, описать нужный стиль и получить новую сцену: модный портрет со вспышкой, сказочный образ в кокошнике, платье из цветов, деловой снимок, обложку для профиля или вирусную картинку для публикации. Поэтому ИИ фото через нейросеть стали не просто развлечением, а рабочим инструментом для контента.
Unreal Engine убирает блюпринты и приносит ECS и Verse!
Написал свое впечатление от первого запуска 6й версии движка.
Каждое лето сотни тысяч абитуриентов пытаются понять одну простую вещь:
Поступлю я или нет?
Казалось бы, все данные открыты. Вузы публикуют конкурсные списки, количество мест известно, правила приёма описаны на сайтах.
Но на практике ответить на этот вопрос гораздо сложнее, чем кажется.
Именно из этой проблемы вырос проект AbitList.
Сайт: https://abitlist.ru
Пару недель назад мне прислал табличку наш финдир. Мы иногда обмениваемся такими вещами, потому что оба любим смотреть на собственную работу через цифры. Табличка была простая: список закрытых за 2025 год вакансий, срок закрытия каждой, зарплата принятого кандидата и рассчитанная «полная стоимость найма». По правой границе — жирная итоговая цифра. Я на эту цифру посмотрела, помолчала и села писать эту статью.
Дело в том, что «стоимость найма» — понятие, которое компании обсуждают с усталой обречённостью: «ну да, найм — это дорого». А потом, когда садишься считать по-настоящему, обнаруживаешь, что «дорого» — это очень мягкое слово. Дорого — это когда в бухгалтерию пришёл счёт на пятьдесят тысяч больше запланированного. А то, что реально происходит с каждой закрытой вакансией — это уже не «дорого», это отдельная строчка бюджета, о которой в компании не принято говорить вслух.
Разберём. Возьмём вымышленного, но реалистичного персонажа. Пусть это будет backend-разработчик, зарплата 220 тысяч в месяц, вакансия открылась в феврале, закрылась в конце марта. Итого 45 дней от постановки задачи до выхода. Обычная история для 2026 года. Смотрим, во что она обошлась компании.
Я изучаю AEO/GEO (продвижение брендов в ответах нейросетей) и наткнулся на разбор про странную вещь: нейросети называют одни бренды и будто не замечают другие, причём качество продукта тут ни при чём (SearchAtlas). Объясняют это через понятие сущности: и поиск, и нейросети воспринимают бренд как отдельный объект знания со своими свойствами и связями.
Тема показалась любопытной, и я полез в первоисточники: доки Google, schema.org, Wikidata, замеры Ahrefs и Frase, пару работ с arXiv. Там и уткнулся в неожиданное. Знание о бренде у машины устроено двумя совершенно разными способами, и их постоянно путают. Один способ работает у обычного поиска Google, это Knowledge Graph. Другой у языковых моделей вроде ChatGPT, это память в весах нейросети.
Единого первоисточника у этого разбора нет, я собрал его из перечисленного под наш контекст, ссылки стоят по тексту. Дальше разложу оба механизма простым языком и покажу, что с каждым можно сделать.
«Что нового в Swift» Июнь был насыщенным месяцем для Swift: анонсы на WWDC и мероприятия сообщества по всему миру. Мы пригласили организаторов одного из них поделиться своими впечатлениями:
«По всему миру локальные группы встреч и конференции объединяют разработчиков Swift, и некоторые из них появились даже раньше самого Swift! У многих есть каналы на YouTube, где они публикуют видео со своих мероприятий, так что вы можете подключаться удалённо. Давайте выделим несколько.
В мае на встрече SF Swift прошёл доклад Дэна Федермана «Agentify Your Swift Repo», в котором рассказывается о создании агента для CI и обратной связи при ревью кода. Swift Barcelona имеет своё представительство на YouTube, а некоторые группы, например новое сообщество MLX India, публикуют плейлисты мероприятий, включая недавний доклад об использовании MLX Swift в iOS-приложениях, который стоит посмотреть. Существует даже организованный сообществом YouTube-канал Swift Community Meetups, который проводит онлайн-встречи и содержит серию кросс-платформенных докладов о Swift.
Эти группы поддерживают разработчиков несколькими важными способами:
Локальное сообщество: они налаживают связи между разработчиками Swift и организациями на местах.
Пространство для экспериментов: благодаря менее формальному формату и иногда незавершённым проектам встречи создают пространство для обмена идеями, получения обратной связи и обучения друг у друга.
Я призываю больше людей участвовать в жизни местных Swift-сообществ. Если ваша группа начнёт публиковать контент и видео, пожалуйста, поделитесь этим на форумах Swift в категории Community Showcase.»
Превращение обычной фотографии в профессиональный мультяшный арт или аниме-персонажа перестало быть задачей для художников-ретушеров.
Теперь мне необходимо 2-3 минуты, чтобы нейросеть сделала из моего фото, персонажа под стиль любого мультфильма. В этой статье разберем как с этим справляются, лучшие ИИ-сервисы.
Это подробный разбор одного эксперимента. Я взял god node из реального LangGraph агента и попросил 5 американских и 6 китайских моделей сначала предложить, как её распутать, а потом оценить предложения друг друга. Дальше тремя разными способами пытался понять, кому из них в этом деле верить.
Месяц назад мы переехали из старого дома с садом в высотку-новостройку. Настолько "ново-", что стройка (отделка квартир застройщиком) еще продолжается. С точки зрения локальной экологии это значит, что местная экосистема только формируется. Обычно термин "сукцессия" применяют к ситуациям восстановления после катастроф, в частности, лесных пожаров. Но его вполне легитимно приложить и к ситуации формирования экосистемы в новосозданном [антропогенном] ландшафте. Вот как в доме в целом и квартире в частности. Интересно это наблюдать в процессе.
Как устроен SFU изнутри: Publisher, Subscriber, комната-маршрутизатор и никакого перекодирования. Дневник разработки на Rust.
Как разработчик, я должен пользоваться ИИ на работе. Я бы, конечно, предпочел безлимитный Claude, но мне доступен только Qwen Code, а он часто галлюцинирует. В этой статье я расскажу, как искал причины галлюцинаций, устранял их и к чему это привело.
Первая моя задача для ИИ-помощника – CLI-агента, была простой, её можно было бы решить инструментом «найти и заменить» в IDE минут за 20, а агент трудился – часа два, что непозволительно много. Он постоянно галлюцинировал, добавлял ненужные артефакты, а я продолжал попытки направить его в нужное русло уже из спортивного интереса. Только после этого замечательного опыта я наконец решил «прочитать инструкцию»...
DISCLAIMER:
Решив использовать все описанные далее методы, предоставленный ниже код и перечисленные виды программного обеспечения, Вы должны предельно чётко понимать всю полноту юридической ответственности за их несанкционированное применение в условиях реального пентестинга и неукоснительно соблюдать требования Закона в этой области!
Пару недель назад я всерьёз открыл для себя новую “забаву” - использование локальных моделей ИИ для полуавтоматического “белого” пентестинга.
Мой исходный “суповой набор” из “железа” и софта.
Дисклеймер: все события основаны на реальном кейсе борьбы за гарантийный ремонт топового железа в СЦ DNS. Диалоги воспроизведены по памяти, максимально близко к оригиналу, технический абсурд передан без приукрашиваний. Авторское настроение: «мне не смешно».
Представьте ситуацию: вы покупаете бескомпромиссную рабочую станцию. Вся система в сборе приобретается в DNS, там же заказывается сборка. Всё официально и находится на гарантии, кроме одной детали — процессора. Он шёл как OEM, и его годовая гарантия уже благополучно истекла, в то время как на остальные ключевые компоненты (включая дорогущую RTX 4090) гарантия продолжает действовать. Запомните этот факт — вокруг него СЦ построит свою главную защитную стратегию.
В один прекрасный день ваша ультимативная машина превращается в генератор бесконечных аппаратных ошибок шины данных, а мастера из сервисного центра выдвигают техническую гипотезу, достойную Шнобелевской премии по физике. Они заявляют, что пробой PCIe произошёл из‑за троттлинга процессора, который таким образом «убивает» видеокарту. Такое невозможно придумать самому без использования тяжёлых веществ (которые автор статьи категорически осуждает).
В этой статье разберём, почему «волосатый бублик» бессилен против стека ИИ, как контроллер памяти GPU тихо умирает под CUDA‑нагрузкой, и как разворачивался этот комедийный баттл с СЦ DNS.
Roblox — онлайн‑платформа, где пользователи могут не только играть в созданные другими людьми проекты, но и разрабатывать собственные. С момента запуска в 2006 году проект завоевал огромную популярность по всему миру, особенно среди детей и подростков. Рассказываем в нашей статье, в чём же секрет успеха Roblox. И как платформу запретили (а потом разрешили) в России.
0.86.0-beta.1 - это большой бета-цикл: агент получил единый дом в интерфейсе, у Yttri появился первый плагин (интеграция с Obsidian) и сама платформа плагинов, на Mac с Apple Silicon заработал альтернативный локальный движок MLX, а голосовой ввод и запись прошли через плотную серию фиксов стабильности. Ниже - по разделам, что из этого видно пользователю.
Управление контекстной рекламой — это много механической работы. Открыть статистику, выгрузить срез, свести два периода в таблице, заметить просевшую кампанию, пойти в другой отчёт, поднять минус‑слова, вернуться, поправить ставку. Каждый шаг по отдельности занимает приличное количество времени, с учетом того, что в больших РК этот процесс еще и подвисает (буквально подвисает, на больших отчетах статистика может грузиться минуты). Все вместе половина рабочего дня уходит на то, чтобы просто понять, что происходит в аккаунте. И таких аккаунтов у специалистов/фрилансеров обычно больше одного, у меня сейчас, например — 7.
Естественно, что регулярно собирать статистику по большому количеству срезов руками просто не получится. Директ тоже не сильно помогает, рекомендации там сейчас достаточно общие и верхнеуровневые.
Пробовал автоматизировать это, выгружая эксель со статой и загружая его напрямую в клод, но по факту это не сильно ускорило работу — все равно нужно самому пройти по аккаунтам и выгрузить достаточно много срезов. А когда они выгружены, там уже и самостоятельно это можно сделать достаточно быстро. Короче говоря, не особо это и автоматизация.
Последние полгода я достаточно активно работал с различными ИИ и решил, что созрел на то что бы сделать свой сервис, который снимет эти проблемы. Логика, как я её видел, должна была быть простой — даёшь ИИ доступ к АПИ Директа, а дальше он сам делает всю магию, и я просто запросами в чате получаю все необходимые данные и управляю кампаниями.
Что может быть проще?)