ИИ-поисковики завалили разработчиков Linux тысячами отчетов об ошибках Разработчики ядра Linux сталкиваются с аномальным ростом числа зарегистрированных уязвимостей (CVE). Если раньше на один релиз приходилось около 500 багов, то в последних ветках показатель превысил 1500, а в Linux 7.3 ожидаетметку в 2000. Причина резкого скачка — массовое применение сторонних ИИ-инструментов и нейросетей для автоматического анализа 40 млн строк исходного кода. Главная проблема в том, что нейросети генерируют огромное количество мусорных отчетов и галлюцинаций. Алгоритмы находят уязвимости в давно забытых драйверах для железа тридцатилетней давности, а мейнтейнеры вынуждены вручную разбирать каждый тикет. Чтобы не утонуть в рутине, команды начали выпиливать из ядра устаревший код и привлекать собственные нейросети для проверки входящих патчей.

Точечное внедрение Linux на производстве: опыт одного начальника склада МФУ снова ушло в «циклическую кому». Печать отвалилась, потом сканирование, потом и то и другое. Ты выдёргиваешь Xerox из розетки, суёшь обратно, считаешь в уме простои — а эникея, которому это спихнуть, в конторе нет. И ИТ-отдела нет. Есть только ты, начальник склада на пищевом производстве, и отчёт, который надо раздать людям прямо сейчас. Знакомый админ бросил: «Попробуй Линукс. Там печать устроена иначе. Ничего не гарантирую». И человек, до этого в глаза не видевший терминал, полез разбираться сам — почему одна система ест 3,5 гига памяти, а вторая полтора, почему загрузка тянется три минуты, как заставить работать китайский принтер, на который матерились даже виндузятники. А потом привёл стажёра, посадил за этот Linux — и стал ждать вопроса «а почему не винда».

🌧️🚁 Калифорнийский стартап заявляет, что его дроны помогли сгенерировать более 71 миллионов галлонов дополнительных осадков всего за три часа Компания Rainmaker запустила дроны в холодные облака над Аляской и распылила с помощью дронов небольшое количество йодида серебра, который способствует образованию ледяных кристаллов, выпадающих в виде дождя или снега. Rainmaker использует продвинутые метеорологические алгоритмы, радарные и спутниковые данные, чтобы находить наиболее подходящие облака, выбирать, когда и где их «засеивать», отслеживать каждый полёт и оценивать, сколько дополнительных осадков было получено. Компания также сотрудничает с метеорологическим стартапом Atmo, чьи ИИ-модели помогают выявлять облака с высоким потенциалом для засева. По оценке Rainmaker, трёхчасовой тест дал около 71 миллионов литров дополнительных осадков, хотя эта цифра основана на собственном анализе компании. #интересное

Масштаб цели В какой-то момент у Cerca Trova был план - 600 млн рублей выручки за год. Я сидел в офисе и понимал, что в текущей конфигурации всё более-менее работает: люди заняты, магазины работают, товар ещё не приехал. И в какой-то момент просто решил: нет, нужно делать миллиард. Мы можем. После этого изменилась не только цифра в плане. Пришлось пересмотреть сам способ достижения цели. Мы заново посчитали, как можно вырасти до этого объёма. Договорились с поставщиками о постоплате, хотя раньше никогда так не работали. Начали искать решения, которые при цели в 600 млн могли вообще не понадобиться. В итоге план не просто выполнили - его перевыполнили. В этом и есть одна из главных функций большой цели: она заставляет перестать оптимизировать существующую систему и начать искать другой способ действий. Можно поставить реалистичный план и продолжать работать привычными методами. А можно поднять планку настолько, чтобы старых решений для неё уже было недостаточно. Все говорят, что ограничения у нас в голове. Звучит банально, но в нашем случае так и произошло: сначала мы решили, что можем сделать миллиард, а уже потом начали находить способы, как до него дойти. Чтобы получить другой результат, сначала нужно поставить перед собой задачу другого масштаба

#дайджест Дайджест AI/ML за неделю 24–30 августа 2026 LLM Z.ai: GLM-5.3-Flash Открытая MoE 320B, 18B активных, 1М и нативным зрением. Модель обучили с нуля, а не дистиллировали GLM-5.3. У Flash 45 слоев против 92 у GLM-4.5, а attention требует в три раза меньше вычислений и в 4.4 раза меньше KV-кэша, чем у большой GLM-5.3. На Terminal-Bench 2.1 модель получила 84.3% против 85% у Opus 4.8. Зрение тоже не декоративное: 62.4% на OfficeQA Pro. Веса есть. До 9 сентября API стоит $0.075/$0.25. Потом тариф удвоится. Блогпост, Веса, Цены Alibaba: Qwen3.8-Flash-Next Qwen открыла мультимодальную MoE. Основная модель содержит 125B параметров, еще 51B N-gram Embedding, а на каждом токене активируется всего 6B. Контекст 262К Много всяких архитектурных фич, команда называет эту модель превью архитектуры Qwen4: Qwen Sparse Attention, Gated Residual, N‑gram embedding и другие ругательные слова, есть смысл почитать. По большинству бенчей бьет Opus 4.6 и DeepSeek-4V-Flash. Есть веса, по API $0.15/$0.47. Блогпост, Техрепорт, Веса Видео Google: Gemini Omni 1.1 Flash Google обновила Omni Flash и добавила базовый минимум в 2026г: Можно задавать первый и последний кадры, продлевать сцену, использовать короткое видео как референс Генерация до 10с, но можно продлевать до 40с. Цена составляет $0.03 за секунду в 360p, $0.10 в 720p, $0.15 в 1080p и $0.30 в 4K. 1080p и 4K получают апскейлом из 720р. Блогпост, Документация fal: H3 Max fal взяла открытый MiniMax H3, дообучила его на новых данных и одновременно переписала инференс. Основной упор сделали на скорость. Пятисекундное видео генерируется меньше чем за 3 секунды(!). Это в 35 раз быстрее API MiniMax H3. По качеству находится среди топов в Design Arena и Artificial Analysis. Доступна только через API, весов нет. $0.05/сек 480p и $0.08/сек 768p. Блогпост, Модель Аудио Google: Gemini 3.5 Transcribe и Transcribe Live Google выпустила две отдельные speech-to-text модели. gemini-3.5-transcribe транскрибирует, расставляет спикеров и таймкоды. gemini-3.5-transcribe-live принимает поток и возвращает расшифровку с задержкой меньше секунды. Обе могут удалять "эээ", самоисправления и другие артефакты человеческого инференса. Обычная версия стоит примерно $0.005 за минуту, Live $0.009. Блогпост, Документация, Цены Разное... OpenAI: Jalapeño OpenAI показала измерения своего первого inference-чипа. Проверили на опенсорсе размеров 120B-1T, сравнивая с GB200 и GB300. По тестам самой OpenAI, Халапеньо выдает в 1.5–1.9 раза больше ток/Вт и в 1.7–3.6 раза меньшую end-to-end задержку. Откуда такие чудеса? OAI говорит, из-за вертикальной интеграции от чипа, до архитектуры моделей, и собственно самих моделей в разработке. За девять месяцев родили чип. Затем Codex с Astra за два месяца оптимизировал под него модели. Развертывание в инфраструктуре OpenAI начнется до конца года. Результаты Stanford: Q-Learning With World Models Статья про то как использовать WM в RL не уча модель эксплуатировать галлюцинации. В QWM Policy и Q-функция обучаются только на реальных переходах, но перед действием агент предлагает несколько движений, World model воображает короткое будущее для каждого и выбирает ветку с максимальной ожидаемой наградой. Получается небольшой tree search перед каждым движением робота. На части бенчмарков есть хороший прирост. Статья Keenable: поисковик для агентов Наши слоны из Keenable вышли из тени и выпустили SOTA агентный поиск. Это веб-индекс заточенный под агентов. Возвращает ссылки, извлеченный текст страниц, можно в Markdown, еще есть Time Machine. Задержка - меньше 250 мс. Также выпустили бэнчмарк NEEDLE с ежедневно обновляющимися вопросами из интернетов, чтобы нельзя было выучить ответы. Первые 100 тысяч запросов бесплатные, затем $4 за 1к, и от $1 за 1к при нагрузке от 100 запросов/сек. Сайт, NEEDLE OpenAI прекращает предоставлять свои модели Cursor с 12 ноября, так как не доверяют Маску. Заявление. Инструкция что и как будет

⚡Четыре статьи на одной из флагманской конференции IEEE CASE 2026 Команда Лаборатории интеллектуальной космической робототехники (Центр инженерных систем и наук Сколтеха) представила четыре научные статьи на 22-й Международной конференции IEEE по автоматизации и инженерии (CASE 2026), проходящей в Шэньяне (Китай). CASE является одной из трёх флагманских конференций IEEE Robotics and Automation Society (RAS). В состав команды вошли руководитель лаборатории, доцент Дмитрий Тетерюков, магистрант программы «Инженерные системы» Елизавета Семенякина, а также выпускники программы Мария Макарова и Луис Морено. Представленные разработки:

1️⃣ GraspSense: система восприятия с языковым управлением для планирования захвата ловкой роботизированной кистью.

2️⃣VLH: фундаментальная модель, объединяющая компьютерное зрение, естественный язык и тактильные данные (vision-language-haptics).

3️⃣ Echo: open-source система телеуправления с адаптивной чувствительностью и обратной связью по усилию для сбора датасетов манипуляций.

4️⃣ CONTHER: контекстно-зависимый подход к обучению с подкреплением для роботизированных манипуляций в условиях разреженных наград (sparse rewards).

Кроме того, Дмитрий Тетерюков выступил председателем двух виртуальных сессий конференции: «Emerging Technology of Automation» и «Enabling Technology of Industrial Intelligence». Мероприятие было посвящено теме «умной индустрии» (smart industry), подчёркивая ключевую роль автоматизации в современном производстве. 💬 НАУРР в MAX