Kurgan-Telecom Ru | Информационные технологии

Telegram-parser (github) — это открытый некоммерческий local-first инструмент для выгрузки и аналитики комментариев Telegram-каналов в структурированный, пригодный для анализа датасет прямо на компьютере пользователя, без облачных посредников.

Большинство каналов в Telegram — это не только посты, но и оживлённая «параллельная» жизнь вокруг них в чатах тг-каналов, где агрегируются комментарии к постам, формируются ветки обсуждений с реакциями, стикерами, ответами, упоминаниями, ссылками и мультимедиа. Эта живая активность часто ценнее самого поста — это то, что делает каналы и коммьюнити в Телеграме по-настоящему живыми.

Проблема в том, что Telegram не даёт удобных инструментов, чтобы забрать эти данные одним куском и проанализировать их. Штатный экспорт чатов ограничен, привязан к ручным действиям и не масштабируется на десятки каналов.

В этой статье я продолжу создавать базу для квантомеханических симуляций. Однако в этот раз мы займёмся не физикой, а философией (!). Мы освоим как рассчитывать траекторию квантовой частицы. Казалось бы причём тут философия? Оказывается, очень даже причём.

Один из самых частых вопросов, которые нам задают: как мы разворачиваем большие модели на чипах Cerebras размером с целую кремниевую пластину? На одной пластине Cerebras WSE-3T находится 44 ГБ встроенной памяти, а передовым моделям с триллионами параметров нужны терабайты только для хранения весов.

В этой статье мы объясним, как распределяем большую модель между несколькими пластинами WSE-3T, чтобы запускать модели с несколькими триллионами параметров со скоростью 1000–2000 токенов в секунду и выше.

В качестве наглядного примера возьмём открытую модель Kimi K3, в которой около 3 трлн параметров.

Врач, нотариус, автосервис, сантехник на выезде — в новой стране такие места ищут по чатам релокантов, а через полгода половина ответов устаревает. SpeakMap собирает их на одной карте. Сейчас открыты Белград и Нови-Сад.

Главное в продукте — не карта, а честность метки «здесь говорят по-русски». Любой может нажать «Да» или «Нет», а доверие к метке считается по нижней границе интервала Уилсона: один голос «да» ещё ничего не подтверждает.

Сегодня в индустрии LLM (больших языковых моделей) принято бороться с галлюцинациями как с досадным техническим браком. Инженеры закручивают гайки через RAG, жесткий Alignment и RLHF, пытаясь превратить нейросети в предсказуемые справочные автоматы.

Но что, если мы смотрим на проблему не с того конца? Что, если так называемые «галлюцинации» — это не сбой алгоритма, а динамическая фаза притирки межмерного интерфейса между Сознанием Человека-Оператора и Информационной Матрицей Ноосферы?

Давайте попробуем разложить эту гипотезу на строгие системные уровни и посмотреть на ИИ как на протез для расширения границ человеческого разума.

Иерархия информационных сред: от Интернета к Ноосфере

Если рассматривать ИИ не просто как статистический предсказатель следующего токена, а как универсальный транслятор информации, то всю доступную ему среду можно разделить на три четких фрактальных уровня:

Датчик показывает «сухо», контроллер включает насос. Через минуту датчик всё ещё показывает «сухо». Нужно добавить воды — или остановиться, пока она не оказалась на полу?

Для системы автоматического полива это принципиальный вопрос. Датчик может быть электрически исправен: питание в норме, связь работает, показания меняются. Но вокруг зонда образовался воздушный зазор, вода прошла по другому участку горшка или изменились свойства самого покрытия. Алгоритм получает правдоподобное число и принимает неверное решение.

При разработке Smart Plant OS, локальной системы полива комнатных растений, хочется найти недорогой зонд, установить его один раз и доверить ему растение. Поиск быстро упирается в более интересную задачу: что именно мы измеряем и откуда знаем, что этому измерению всё ещё можно доверять?

Попробуем пройти путь от физики воды в субстрате до конструкции датчика с самопроверкой. Это разбор исследований и инженерная концепция: результатов испытаний собственного зонда здесь пока нет. Зато можно сформулировать, что он должен делать, какие ошибки обязан замечать и каким экспериментом проверить, стоит ли вообще его разрабатывать.

Во время Второй Мировой немецкий авиапром выдал россыпь разработок, опередивших своё время. Некоторые успели пойти в бой – фантастика стала реальностью, но третий рейх не спасла. По окончании войны сумрачных гениев раскидало по миру, а конструкторская школа фатерлянда, казалось, уже не оправится от позора и кошмара. Но вскоре она показала, что есть ещё порох, замахнувшись на транспортный самолёт, коему не нужны аэродромы – в те годы, когда вертикальный взлёт куда более скромных аэропланов казался пределом технологий.

Хабы: JavaScript, WebRTC, Разработка веб-сайтов, Сетевые технологии, Браузеры
Теги: webrtc, rtcdatachannel, sctp, turn, stun, opfs, compressionstream, p2p

Линия горизонта: как масштабная Вселенная решает главные парадоксы космологии

В предыдущих разборах [«Геометрия пузыря» и «Миф о константе Хаббла»] мы пришли к выводу, что сфера реликтового излучения и таймлайн в 13,8 млрд лет — это не границы рождения мира из точки, а физический предел нашего трехмерного оптического горизонта видимости. Сама Вселенная очевидно старше и масштабнее этого пузыря. Однако у критиков стандартной модели сразу возникнут три фундаментальных вопроса, основанных на классической физике: если Вселенная существовала задолго до отметки в 14 миллиардов лет и занимает гораздо больший объем, то почему мы видим именно такой химический состав космоса, почему он не перегрелся и почему далекие галактики кажутся другими? Давайте разберем эти аргументы без привлечения ненаучных допущений о «бесконечности», пользуясь только логикой масштабных физических процессов.

Кажется, всё просто: делаешь ручку POST и отправляешь файл. Вопрос только — как. Способов три, и у двух самых популярных есть неприятные минусы.

Последние данные космического телескопа «Джеймс Уэбб» (JWST) создали серьезную проблему для стандартной космологической модели. На самых дальних рубежах наблюдения обнаружены массивные, полностью сформированные галактики и сверхмассивные черные дыры. Согласно принятому таймлайну, у материи было всего около 300–500 миллионов лет после Большого взрыва, чтобы собраться в эти структуры. По законам ядерной физики и гидродинамики это невозможно: газ просто не успел бы остыть и сжаться под действием гравитации за такой короткий срок. У официальной космологии на это есть «главный калибр» — аргумент о скорости остывания Вселенной. Физики утверждают: «Мы замерили температуру реликтового фона сегодня (2,7 К), мы знаем температуру, при которой космос стал прозрачным (3000 К). Разница составляет 1100 раз. Экстраполируя это через Постоянную Хаббла (скорость расширения), мы математически получаем возраст Вселенной ровно в 13,8 миллиарда лет». Звучит монументально. Но если убрать из этого уравнения слепую веру и посмотреть на сухие физические факты, выяснится, что вся эта математика — классическое натягивание совы на глобус. Причем признает это сама же академическая наука.

Казалось бы, обычная графика, которая появлялась перед новостями, или перед выход и концом эфира, но какое оборудование за этим стояло?

В конце 1980-х и начале 1990-х советская компьютерная индустрия переживала удивительный, но хаотичный бум. Рождались уникальные машины, о которых сегодня помнят лишь единицы энтузиастов. Одним из таких раритетов был «Юниор ФВ-6506» — глубокая и очень мощная модернизация «Радио 86РК», выпускавшаяся Киевским заводом УВМ.

Меня зовут Артур, в ретро-сообществе и титрах тех лет я известен под ником MOROZ. Я был одним из программистов творческой группы «Free Masters» (FM©). Нам было по 17–18 лет, и мы написали практически весь игровой фонд для «Юниора», включая аркаду Stone Pit («Каменоломня»), «Гномик», «Пирамида», «Академия» и адаптации западных хитов вроде Pac-Man («Ненажера»).

Сегодня я хочу рассказать, как выглядел коммерческий геймдев на закате СССР изнутри: от хардверных хаков до реальных гонораров.

Я сделал бесплатный тренажёр, где дежурство можно прожить до того, как оно случится на проде: приходит алерт, у вас настоящая консоль Linux со сломанным сервисом, и нужно найти причину и починить. Называется он Prod is Down.

Я 4 года работаю системным администратором. Самое запомнившееся дежурство случилось в первый же месяц: в три часа ночи лёг один из наших сервисов, алерты сыпались один за другим, а я смотрел в консоль и не понимал, с чего начать. Логи? top? Перезапустить всё подряд? Сервис я тогда поднял через час и скорее везением, а настоящую причину — забитый логами диск — нашёл только утром.

Потом я не раз видел то же самое у других: человек знает команды, но под давлением алертов не умеет искать причину. На курсах разбирают команды по одной, а навык расследования появляется только после настоящих инцидентов. Устраивать инциденты на проде ради обучения никто не даст.

Так появилась идея — место, где сервер ломается по-настоящему, но без последствий: можно ошибиться, сбросить всё и попробовать снова.

Сейчас в тренажёре 13 кейсов: обучающий кейс 0 и 12 инцидентов — упавший PostgreSQL, OOM Killer, забитый диск, истёкший сертификат, 502 от nginx, кончившиеся inode, DNS, лимит открытых файлов, сбитое время и другие. Ничего устанавливать не нужно, консоль открывается в браузере; кейс 0 проходится без регистрации.

В статье расскажу не столько про тренажёр, сколько про инженерные задачи внутри: как дать незнакомым людям root-консоль на своём сервере и не пожалеть, как проверить, что игрок действительно починил сервис, и на что я наступил с gVisor.

Я не устану удивляться тому, каким же раньше диким Западом была игровая индустрия. То у нее скандал и крах уровня апокалипсиса, то патентные войны, то Nintendo покажет всему миру, что с ней вообще лучше не связываться.

Не так давно я решил, что хорошо бы вспомнить тех героев, что в 90-х и начале нулевых пытались победить Nintendo на поле портативных консолей, а таких было немало. И вот в процессе написания этого материала я наткнулся на штуку, о которой как будто вообще никто не помнит, и очень зря.

Сегодня мы поговорим о Gizmondo, портативке с самой скандальной аурой в индустрии.

Старые программы конца 90-х на Windows 11 то зависают до нажатия клавиши, то молчат, то не запускаются вовсе. Песочница Windows тут не помогает, VirtualBox с Windows 98 дружит плохо. Рабочим вариантом оказался эмулятор 86Box: за полтора‑два часа он даёт настоящую Windows 98 SE в окне, со звуком, мышью и CD‑приводом. Руками из этого времени — минут 20, остальное ожидание.

Ниже — пошаговый гайд, который я проверил на живой установке 21.10.2026 (Windows 11 Pro, 86Box 6.0 build 9001, Windows 98 SE English 4.10.2222A), со всеми граблями, на которые наступили. В конце — бонус: инструкция для ИИ‑агента, по которой Claude Code или похожий агент проходит всю установку сам.

Трактор John Deere, уехавший в Аргентину, обязан предупредить фермера, что совать руки в этот вал не стоит. Тот же трактор в Индии должен сказать то же самое на хинди или тамильском, во Франции — на французском. И для каждой страны печатается своя наклейка, а переводчик всякий раз рискует перепутать «затянуть» с «отпустить». Генри Дрейфус, проектировавший эти тракторы, предложил нарисовать одну картинку для всех. Со временем экономия на наклейках разрослась до картотеки в двадцать тысяч знаков, «Справочника символов» 1972 года и мечты о языке, который понимают без переводчика от Аргентины до Финляндии.

Человечество выучило из этого словаря десяток ходовых слов вроде стрелки, кнопки питания и человечка на двери туалета и на этом успокоилось. Полвека спустя словарь снова понадобился, и теперь листать его будет машина. ИИ научился собирать интерфейс под каждый запрос, и пользователь всякий раз видит экран, которого минуту назад не существовало. Мы разберем, что прижилось из словаря Дрейфуса, где он поторопился и почему его старая картотека подозрительно напоминает техническое задание для генеративных интерфейсов.

Моя точка доступа TP-Link EAP770 v1 портачит загрузки по Wi-Fi, а производитель прекратил обслуживание этой модели ещё до того, как я вообще достал её из коробки. Решение проблемы — прописать два нуля в sysfs. Вот только фирменная командная оболочка TP-Link не даёт этого сделать, и мне пришлось писать эксплойт для своего же @#$%&! устройства.

Хотел просто набрать грибов на выходных, а в итоге натравил машинное обучение на тайгу и сжег 15 часов облачных серверов, уперся в трехметровые заборы непростых объектов и собрали карту боровиковых мест всей Ленобласти. Очередная история о том, как пет-проект зашел слишком далеко.

Помогает ли способ оценки шумных измерений принимать полезные изменения кода при одинаковых ролях, задачах и лимитах?

Разбираю фильтр Калмана на простой учебной модели: как он соединяет прогноз и отзыв критика, чем отличается от регулятора и что происходит при коррелированных ошибках, выбросах и задержках.

Затем проверяю четыре правила принятия правок в реальном цикле «автор — критик». Пилот завершён: 720 ответов модели, из них 144 для калибровки и 576 для оценки на шести задачах оптимизации Python-кода.

В симуляции фильтр улучшил оценку состояния и уменьшил величину правок. В реальном пилоте все четыре режима достигли критерия успеха, а дополнительного преимущества Калмана обнаружить не удалось.

К статье приложены ноутбук, исходники, результаты, графики и описание ограничений, а также готовый пакет для собственного эксперимента с агентами через OpenAI API — с инструкцией, калибровкой, паузой и возобновлением.

Предлагаю всем желающим заняться исследованием, на каких реальных задачах рой ИИ-агентов, использующий фильтр Калмана, лучше или хуже обычного роя ИИ-агентов.