Kurgan-Telecom Ru | Информационные технологии

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?

Компьютеры понемногу начинают понимать обычную человеческую речь. И даже писать программы сами для себя. Уйдет ли в прошлое профессия программиста? Даже в отдаленной перспективе вряд ли, потому что чтобы ИИ работал и развивался, кто-то должен его разрабатывать и поддерживать.

В отчёте по видимости бренда в ответах ИИ компания нашлась по трём из двадцати вопросов. Открыли сами ответы — и оказалось, что за этим числом стоят разные вещи. В одном случае компанию предложили как исполнителя. В другом поставили ссылку на её статью, но назвали чужую компанию. В третьем название бренда уже было в вопросе.

Представим, что вы хотите попасть в список компаний, из которых выбирает клиент. В отчёте появляется плюс за ссылку на сайт. А в самом ответе заказчик читает о другом бренде. Если смотреть только на процент видимости, разницу можно пропустить.

1 сентября исследователи Cyera Research раскрыли подробности уязвимости PostGREShell — CVE-2026-6471, позволявшей пользователю PostgreSQL с привилегией REPLICATION загружать произвольные нативные библиотеки в процесс СУБД. Ошибка появилась вместе с механизмом логического декодирования ещё в PostgreSQL 9.4 и оставалась незамеченной около 12 лет. Само исправление было выпущено раньше — 13 августа в PostgreSQL 18.6, 17.11, 16.15, 15.19 и 14.24.

PostgreSQL оценил CVE-2026-6471 в 7,2 балла CVSS. Согласно официальному описанию, пользователь, не являющийся суперпользователем, но имеющий атрибут REPLICATION, мог через механизм логического декодирования заставить сервер выполнить dlopen() произвольного файла, доступного системной учётной записи PostgreSQL. В результате код из библиотеки выполнялся уже не с SQL-правами атакующего, а непосредственно внутри процесса сервера БД.

( читать дальше... )

 cve, postgresql, replication

В этой статье я расскажу про возможности компактной кросс‑платформенной библиотеки с открытым исходным кодом для разработки приложений с графическим интерфейсом на языке C++ — Frenchie. Цель материала - познакомить читателей с возможностями библиотеки и сделать сравнение функционала с другими похожими проектами. Если кому-то интересна техническая сторона проекта, то предлагаю заглянуть в исходный код, либо в материалы, описывающие архитектурную и техническую часть.

В C# есть четыре ключевых слова, которых нет в документации. Компилятор их принимает.

Одно из них собирается на любой машине, а выполняется только на Windows. На Linux та же сборка падает. Дальше — как объект меняет свой тип на ходу и что на самом деле происходит при вызове метода у пустой ссылки.

ИТ‑проект может остановиться задолго до технических проблем: сроки начинают плыть, согласования затягиваются, а пользователи формально участвуют в работе, но фактически блокируют изменения.

Разберём, как аналитики могут распознать признаки сопротивления, найти реальную причину конфликта и выстроить работу с ключевыми стейкхолдерами — от первого сигнала до выбора стратегии действий.

Утром во вторник, 8 сентября, математики из OpenAI объявили, что группа из 10 000 автономных ИИ‑агентов под их руководством, работавших на продвинутой модели, недоступной широкой публике, обнаружила «сингулярность» в трёхмерных уравнениях Навье — Стокса. Тем самым была решена одна из шести остававшихся нерешёнными задач тысячелетия, сформулированных в 2000 году Математическим институтом Клэя. За решение каждой из них назначена премия в $1 млн. Результат был формально проверен на языке программирования Lean, что даёт математикам основания считать его правильным.

Если результат выдержит дальнейшую проверку, то с большим отрывом станет самым важным математическим доказательством, полученным на сегодняшний день с помощью модели искусственного интеллекта. Возможно, он знаменует фундаментальный перелом в том, как математики будут подходить к сложным задачам.

Эта конкретная сложная задача касается дифференциальных уравнений, которые выражают взаимосвязи между изменяющимися величинами. Пожалуй, это важнейший математический инструмент для объяснения окружающего мира. Как правило, такие уравнения легко записать, но трудно решить.

Уравнения Навье — Стокса представляют собой дифференциальные уравнения, которые на основе второго закона Ньютона описывают поведение жидкостей и газов, от океанических течений до воздушных потоков. Впервые их записали в середине XIX века, и с тех пор они играют центральную роль в механике жидкости. Однако один фундаментальный вопрос об этих уравнениях оставался без ответа: всегда ли их решения ведут себя «хорошо»? Или со временем решение может эволюционировать таким образом, что какая‑то бесконечно малая часть жидкости начнёт двигаться с бесконечно большой скоростью, создавая так называемую сингулярность?

Мой ассемблер резал исходник построчными правилами: срезал комментарий, искал двоеточие, делил по запятым. Я заменил это одним проходом с состоянием и попутно проверил, нельзя ли было обойтись заплатками.

Нельзя: вторая заплатка ломает то, что починила первая.

Как же за всем этим успевать?

За это время вышли ещё и обновлённый DeepSeek, и результаты по Навье-Стоксу. На этом фоне у GPT Images 2.5 были все шансы потеряться. Не потерялся.

Разве что реддит-модер ненадолго снёс официальный пост OpenAI из-за «вторника без картинок»...

Так вот, 8 сентября 2026 года OpenAI выпустила обновлённую версию своего генератора изображений – ChatGPT Images 2.5. Официально это не «тройка», хотя по объёму изменений можно было бы и замахнуться. Впрочем, это и в самом деле скорее «версия 2.0, доведённая до ума», чем революция. Но именно это доведение до ума и есть самое интересное.

Если в двух словах: генерация стала быстрее почти на 50%, редактирование – более хирургическим, а сама модель – заметно менее забывчивой в длинных диалогах. Дальше – details, details, details.

Спойлер: пеликана на этот анимировали в 96 кадрах и прокатили на велосипеде. Но обо всём по порядку.

Однажды я упустил огромный оффер в бигтех из-за того, что провалил собеседование по ML System Design. Возникает вопрос: как готовиться к прохождению такой секции, если в реальной работе задачи на проектирование встречаются не так часто?

Недавно я участвовал в ML Kata: 6 команд за 75 минут проектировали одну и ту же ML-систему — голосового агента для клиники. Я считаю, что проанализировав защиты команд и обратную связь от судей(одним из которых был Валерий Бабушкин), можно вкачать навык MLSD на уровень, достаточный для прохождения собеседования – при условии, что вы уже знаете метрики и модели для конкретной технической задачи. В этой статье я сделаю такой разбор за вас и систематизирую типовые ошибки участников, которых не смог избежать и сам.