Kurgan-Telecom Ru | Информационные технологии

Вы просите модель разобрать демонстрационный код с соревнования по компьютерной безопасности, перевести подозрительный фрагмент программы для отчёта или продолжить вполне невинный рассказ. Вместо ответа получаете знакомое: «Извини, но я не могу помочь с этим запросом».

Иногда причина понятна. Иногда модель отказывается обсуждать то, что лежит в первой ссылке из поисковой выдачи. А рядом на Hugging Face опубликована версия той же Qwen, Gemma или GLM со словом Uncensored. Автор обещает, что она будет отвечать без лишних нравоучений.

Но чем отличаются такие LLM? Неужели кто-то повторно обучил модели на сотни миллиардов параметров? Или просто удалили системную инструкцию? Может, нашли в весах переключатель censorship = false?

На самом деле, отказ может быть записан в весах модели, задан системной инструкцией или добавлен внешним классификатором на уровне сервиса. Поэтому под «снятием ограничений» скрываются разные процессы: от подмены инструкции до точечного редактирования матриц без градиентного обучения.

В этой статье постараемся ответить на три вопроса: откуда в LLM появляется отказ, как его ослабляют в открытых моделях и где можно взять "безотказную" модель.

Классический совет при каннибализации запросов - найти пересекающиеся страницы и склеить их редиректом. На практике это часто ломает рабочую структуру: пересечение может оказаться недельным шумом, естественной смешанной выдачей или временным перехватом карточкой товара.

Собрал воркфлоу на n8n для категорийного ядра магазина. Система сопоставляет 28 7 дневные срезы GSC и Метрики, считает детерминированный риск-скоринг 0-100 по шести факторам (доминирование, сдвиг позиций, клики, тренд, персистентность) и строит граф реальных конфликтов.

Внутри - математика скоринга, отделение категорий от карточек товаров и ссылки на репозиторий с воркфлоу.

В сети есть множество гайдов об установке и настройке прокси-протокола Hysteria 2 с панелями и без. В данном пошаговом гайде мы пройдем путь от А до Я полностью своим путем без использования готовых скриптов автоустановки и веб-панелей.

Оценка сотрудников даёт много цифр, но не объясняет, кто будет эффективен в конкретной роли. Разбираю, как анализ трудовых ресурсов связывает компетенции с рабочими показателями и помогает руководителю принимать решения.

Полгода назад я делал сервис, который генерирует статьи и сам кладёт их на сайт. Написать текст казалось сложной частью, а публикация — формальностью: ну дёрнем REST API, что там может быть.

Оказалось наоборот. Четыре CMS — четыре разных мира, и в каждом свой способ соврать вам об успехе.

Joomla возвращает 400, когда статья уже создана: плагин «Умный поиск» падает после записи в базу. Повторили запрос — получили дубль. InSales требует published_at даже у черновика, потому что черновиков там просто нет. А у 1С-Битрикс метода для создания статьи через API не существует вовсе — официальная документация прямо говорит про read-only режим.

Внутри: как выглядит общий интерфейс на четыре системы, почему CIBlockElement::Add() возвращает ошибку при успешно созданном элементе, зачем понадобилась двойная буферизация вывода и прямой SQL в обход автотранслитерации.

Еще несколько лет назад мы проверяли нейросети вопросами вроде «сдаст ли ChatGPT экзамен» и «сможет ли написать рабочий код с первого раза». Планка довольно быстро уехала куда-то совсем в другую сторону.

8 сентября OpenAI опубликовала работу, в которой утверждает, что ее экспериментальная ИИ-система нашла решение задачи существования и гладкости уравнений Навье–Стокса.

Это одна из семи знаменитых задач тысячелетия. За решение каждой Clay Mathematics Institute назначил премию в $1 млн. За четверть века из списка официально закрыли только одну: гипотезу Пуанкаре.

Навье–Стокс до сих пор числится нерешенной задачей, и результат OpenAI еще должен пройти независимую проверку. Поэтому говорить, что ИИ уже окончательно поставил точку в двухсотлетней математической проблеме, рано.

Но если доказательство выдержит проверку, событие действительно будет историческим.

Эта статья — история о том, как небольшая команда перевела медицинскую информационную систему с устаревшей платформы 1С 7.7 на 1С 8.3 и выстроила вокруг неё современные практики разработки: контроль версий, код-ревью, автотесты, CI/CD. Дальше — сама история.

В начале двухтысячных классные специалисты разработали систему для клиники на базе 1С 7.7. Функционал включал как административно-хозяйственную часть, так и работу с пациентами. Программный продукт проработал почти два десятилетия, код отладили и протестировали самой жизнью, а идея, что новый код может оказаться лучше старого, казалась совершенно абсурдной. Система при этом технологически устарела: ручное формирование XML отнимало значительное количество времени у программиста, а запросы к БД и обработка данных таблиц для отчётов могли занимать десятки минут. Казалось бы, простые интеграции как XML и REST реализовывали через костыли. Экстренную правку кода приходилось вносить с отключением всех пользователей программы на несколько минут — динамическое обновление для семёрки попросту не разрабатывали.

В 2020 году руководство клиники приняло решение о миграции на новый технологический стек и через год привлекли разработчиков. Всерьёз рассматривался только вариант 1С 8.3: на момент принятия решения других вариантов, сопоставимых по зрелости экосистемы и доступности специалистов на рынке, просто не существовало. Речь шла не о внедрении готового отраслевого решения, а о разработке под одного конкретного заказчика — максимально повторяющей то, к чему сотрудники клиники привыкли за два десятилетия. Устоявшиеся процессы, интерфейсы документов и порядок работы заказчик менять не планировал.

Продолжая поиски интересных курсов(в этот раз не авито), я наткнулся на необычный материал по контейнеризации. Обычно всё выглядит одинаково: Docker, команды, образы, и в конце внезапно появляются Ansible и Kubernetes. Как будто без них нельзя объяснить, что такое контейнер. Или авторы просто пытаются запихнуть побольше в один курс, чтобы казалось, будто его стоимость оправдана. Ну да ладно.

А мне хотелось чего-то другого. Помните книгу про внутреннее устройство Linux Кетова?
Ещё в 2022 году мне понравилось, как подавался материал про контейнеризацию — от самых её зачатков (chroot) до самого Docker. Вот именно такое я хотел увидеть у кого-нибудь, но с актуализированной информацией.

И такой курс нашёлся на Степике(не реклама если что). Автор как раз пошёл от самого начала: chroot, пространства имён, контрольные группы, ручной запуск контейнера без Docker, и только потом — сам Docker со всеми его фишками. По сути, это получилась современная версия той самой главы из книги Кетова про контейнеризацию.

И новички, и действующие IT-специалисты всё чаще используют ChatGPT и аналоги, чтобы обсудить свои карьерные перспективы и распланировать их реализацию. 

Вместе с вымышленной Анной, которая в чате с GPT-6 Astra ищет свои жизненные перспективы, мы проверим, как текущее поколение AI-моделей справляется с подобными вызовами. Это долгосрочные задачи, а релевантных данных для того, чтобы обучить AI их решению, пока крайне мало.

В результате сформулируем пять принципиальных рекомендаций, которые обязательно нужно учитывать при использовании AI-ботов для профориентации.

Мы привыкли, что человек распознаёт тип детали почти мгновенно — вал, плита, корпус. Но можно ли передать это умение алгоритму, не загружая его тяжёлыми нейросетями и не превращая модель в картинку?
CAD-система уже хранит внутри модели множество числовых характеристик: от объёма до моментов инерции. И если правильно их извлечь и осмыслить, они становятся тем самым «цифровым отпечатком», который позволяет ускорить, классификацию и искать аналоги без сложного машинного зрения. В этой статье разберём, какие данные даёт КОМПАС-API, что физически стоит за каждой цифрой и как из сырых чисел рождается основа для инженерных решений.

Cursor — день прощания

До прошлой пятницы проблемы с доступом к Cursor у российского пользователя были привычными. Редактор открывался, ИИ-агенты работали без проволочек. Нужны были только прокси и, если её не имелось, зарубежная карта — Stripe (кассовый сервис Cursor) с РФ-банками не работает.

3 сентября, вероятно с подачи Шуфутинского, Cursor обновил Terms of Service, включая раздел об экспортном контроле. 4 сентября российские пользователи начали массово получать от API not available in your region; одновременно появились сообщения о переставших работать агентах и автодополнении. Часть Pro-подписчиков получили письма об отмене подписки.

Официального сообщения Cursor в духе «мы прекращаем работу в России» на момент выхода этой статьи ещё нет. Тем не менее, сухой остаток для разработчика от этого меняется слабо.

Не всё так однозначно (с)

Первая реакция на неработающий ИИ-инструмент — открыть логи, посмотреть статус, в редких случаях спросить у знакомых из чатов, есть ли у них похожая проблема. В случае пятничного шатдауна было чуть иначе…

Мобильное приложение, команда из шести человек. Агенты писали наш код давно — проблема была в том, что они писали «типовой React Native», а не наш: лезли в android/, тянули hex в стили, забывали lint.

Рассказываю, как мы дошли до состояния, когда большинство мелких и средних задач уходят в production через pull request, который никто из людей не писал — только ревьюил: слоистые доки под разные аудитории, Cursor hooks, которые блокируют запись в нативное дерево и не дают агенту остановиться на красном lint, safe‑list автономных задач, Telegram‑бот на Cursor Agent SDK, замыкающий цикл «QA‑агент нашёл баг → /pr_qa → PR». И раздел о том, что не сработало.

Главная мысль: агент становится членом команды не тогда, когда ему хорошо объяснили правила, а тогда, когда среда не даёт их нарушить.

WebSocket принято считать очевидным выбором, когда сервер должен постоянно отправлять клиенту свежие данные. Но что произойдёт, если вместо обычного веб-приложения у нас SCADA, а клиентов становится 1000?

Был собран тестовый стенд с OpenPLC, Modbus TCP и ASP.NET Core. Сравнивались Short Polling, Long Polling и WebSocket при 1, 10, 30, 50, 100, 500 и 1000 одновременных клиентах.

В результате данные не только про задержку, но и про CPU, память, объём полезного трафика и количество новых TCP-соединений.

Скорость команды часто пытаются измерить количеством сильных разработчиков. Но самый быстрый человек в хаотичной системе обычно не ускоряет команду. Он просто первым начинает компенсировать её проблемы.

В большом проекте скорость чаще теряется не в коде, а между мыслью «надо поменять вот это» и моментом, когда изменение можно будет увидеть, обсудить, проверить и выпустить.

Представьте: большое iOS приложение для широкой аудитории, несколько рынков, которые собираются из одного проекта, часто обновляющиеся данные и экраны, которые product хочет менять быстрее, чем новый релиз успевает дойти до пользователей.

В такой среде архитектура нужна не для красивой схемы. Она нужна, чтобы изменения были дешёвыми.

Вокруг требований к интернет-сервисам появилось много громких заголовков. Из них кажется, что в России запретили ленту рекомендаций, рассылки в Telegram и вход в приложения через Gmail. А что не запретили? Разбираемся!

Обычная HTTP-проверка может показывать, что ИИ-сервис работает, хотя его пользователи уже не получают ответы. Эндпоинт доступен, гейтвей на месте, но до самой модели проверка не доходит.

Привет, Хабр! Меня зовут Михаил Шпаков, я развиваю Statuser — сервис мониторинга доступности сайтов. Раньше я рассказывал, как он появился и что я узнал за год, мониторя 6 500 сайтов.

Недавно мне написал пользователь Statuser. В его продукте модель разбирала обращения клиентов и готовила для операторов черновики ответов. В какой-то момент эта функция перестала работать, хотя обычный HTTP-монитор, настроенный на адрес ИИ-гейтвея, продолжал показывать зелёный статус. О проблеме сообщили операторы поддержки, а не мониторинг.

Причина оказалась простой: провайдер снял выбранную модель с обслуживания, но сам гейтвей продолжал работать. HTTP-монитор проверял его обычным GET-запросом и получал успешный ответ. Запрос на генерацию он не отправлял, поэтому состояние конкретной модели не видел.

Диагностировать такой сбой нетрудно, если уже известно, куда смотреть. Заметить его начало сложнее: между доступным гейтвеем и работающей функцией продукта есть ещё один слой — сама модель, и до него обычная проверка не доходит. Когда модель перестаёт отвечать, сервис целиком обычно не падает. Пропадает одна функция: подсказки, разбор обращений, ответы в чате.

После этого случая я понял, что не хватает отдельного типа мониторинга. Он должен не просто обращаться к адресу гейтвея, а отправлять настоящий запрос выбранной модели и проверять её ответ. Так в Statuser появился мониторинг ИИ-моделей.

Я Илья, руководитель направления геймификации в PARI. До работы здесь у меня был свой бизнес в рамках холдинга EXCORP.GG: мы делали игровые спецы для EXTREMUM и CS.MONEY. Я устал от того, что каждый спецпроект собирается с нуля, живёт пару недель и умирает.

Поэтому я понял: если склеить разные игровые механики в одну систему, они будут лучше работать вместе и усиливать вовлечение. Тогда я защитил эту идею перед фаундерами и основал LVL.IO — компанию, в которой мы создали такой продукт. Эту идею я показал ex-главе киберспорта PARI Ивану Бураченко — и она легла точно под годовой контракт с BLAST, который компания подписала в 2022-м. 

За облачным CDN у нас стоял Xray с транспортом XHTTP. Пользователи жаловались двумя фразами: «тормозит» и «отваливается насовсем». В августе я померил и увидел, что граница CDN спорадически теряет 2–5 % запросов под параллельной нагрузкой. Версия сходилась идеально: для XHTTP в режиме packet-up потерянный запрос — это дыра в последовательности, а дыра — это разрыв сессии.

Второго сентября я повторил тот же замер на том же стенде. Ноль потерь на 1350 запросах.

Ниже — обе серии, объяснение расхождения и та часть выводов, которая уцелела: четыре ограничения границы, о которые HTTP-туннель спотыкается независимо от того, теряет она что-нибудь или нет.

Что происходит, когда команда оценивает задачу до знакомства с чужим кодом? В нашем случае это приводило к оптимистичным срокам, неожиданным A/B-реализациям, повторным итерациям ТЗ и багам, которые обнаруживались уже на тестировании.

Мы добавили Tech Discovery — раннее исследование кода до финализации требований, дизайна и оценки. В статье расскажу, для каких задач этот процесс окупается, сколько времени занимает, какие результаты должна получить команда и чем наш подход отличается от обычного технического spike.

На выборке из семи задач TTM средних и сложных проектов сместился с диапазона 1,5–3 месяца к 1–2 месяцам, а количество профильных багов на эпик — с 6–12 до 4–9.

За 35 лет работы с программным обеспечением я наблюдал смену поколений антивирусов, эволюцию подходов к обнаружению угроз и бесконечный цикл гонки между авторами вредоносного ПО и разработчиками средств защиты. Однако сама суть проблемы осталась неизменной.

Появляется новый вредоносный файл. Его обнаруживают, анализируют, классифицируют, добавляют в базы или модели обнаружения. Затем появляется модификация, обходящая существующие правила, — и цикл повторяется.

Мне давно было интересно другое: что, если строить детект не вокруг вопроса «знаем ли мы этот файл?», а вокруг вопроса «насколько поведение и структура этого файла характерны для вредоносной программы?»

Так появился экспериментальный проект HAV — Heuristic AntiVirus. Это не коммерческий продукт и не попытка заменить существующие решения. Это исследовательский эксперимент, цель которого — проверить, насколько далеко можно продвинуться в обнаружении вредоносного ПО с помощью статического и динамического анализа, статистики и эвристических моделей. Репозиторий проекта опубликован в открытом доступе.