👀Интересные локации, которые вы могли не заметить В Dishonored, на втором уровне, есть интересный закоулок. В миссии «Верховный смотритель», около места, где смотрители хотят убить девушку и её брата из-за подозрений в колдовстве, можно с крыши посмотреть на остальной город и в самом углу экрана заметить движение. Мало того, что дождливая локация грязного, тоталитарного города сама по себе вызывает апатию и притупляет внимание, так ещё и мир вечно умудряется застать врасплох. И вот там же есть интересный элемент: на верху металлоконструкции у моря стоит некий манекен, который пропадает сразу, как только пытаешься к нему присмотреться. Что это и откуда — непонятно, но сама деталь очень крутая. Мало того, что в основной игре мир максимально насыщен и регулярно напоминает о своей живости, так ещё и мир вовне не отстаёт. Вау. 😏Подписаться на IGM

Зачем мы вообще пишем на Хабре? Системотехнику 53, за плечами 30 лет в ИТ. Он мысленно прибавляет ещё 30 вперёд, получает 83, и философский вопрос про время становится сугубо практическим. А следом приходит другой, привычный для инженера, но неожиданный в применении к родным людям. Что будет с семьёй, если посмотреть на неё как на систему с длинным жизненным циклом, у которой есть точки отказа, инварианты и передача управления после ухода основателя. Выясняется, что внешне крепкая семья, где все рядом и всё держится на одном человеке, может иметь bus factor, равный единице. Отсюда рождается вывод, который поначалу звучит противоположно ожидаемому, а потом та же логика тянется дальше, на фирму и на всё профессиональное сообщество разом. Узнаем, куда приводит эта параллель и при чём тут вообще Хабр.

Retriev for train, учим google поиск работать с подзапросами в неявном виде. 💻 Вышла интересная работа в бложике Google, в которой ребятки показывают как можно делать multi hop RAG без явной генерации подзапросов на запрос. Суть проблемы. Современные поисковые системы должны возвращать на запрос не одну лучшую ссылку, а связный набор взаимодополняющих результатов на первой странице. Например, на запрос "походное снаряжение" – поварешку, миску ложку, два батона колбасы, палатку, спальник, горелку, фонарь. 😁 Для этого используется техника query fan-out: один широкий запрос разбивается на несколько подзапросов, которые составляют полную группу кандидатов на ответ исходного запроса. Однако научить LLM делать это динамически дорого, ввиду: - Коллапса парафраз, те без оптимизации под базу данных zero-shot LLM генерируют почти одинаковые по смыслу подзапросы. -Задержка авторегрессия. LLM вынуждены генерировать сотни промежуточных цепочек рассуждений, чтобы спланировать разбиение. Это дорого + создаёт рост latency. Те время на ответ растёт. 😐 Че делать? Тут и придумали R4T. Идея один раз обучить модель через RL на генерацию нужных подзапросов, а потом сдистиллировать её поведение в лёгкую диффузионную модель, которая работает за один проход. 🧠 Подробнее: 1. RL-обучение. Делают FOLM модель на основе Qwen3 4b или Gemma3 такого же размера. FOLM генерирует подзапросы в виде текста и получает награду по трём критериям: · Groundedness  подзапрос должен соответствовать реальному объекту в базе поиска. Через среднее эмбеддинг расстояние между запросами в базе и подзапросом. · Diversity  измеряется через оценку семантического разнообразия фраз, зовут это Vendi Score, чтобы не было синонимов. Я бы тут брал угловые расстояние между эмбами подзапросов, нормы векторов и сравнивал это. Но над бы пороги подбирать. А тут красиво, через собственные значения векторов. Что показывает на сколько соноправлены эти вектора + угол. Что я и хотел придумать выше. 🌿 · Alignment привязка к исходному запросу, чтобы не уйти в семантический дрейф и не улететь по теме не туда. Логично, что каждый эмб подзапроса сравнивают с эмбом запроса. Итого нам не нужна никакая иная модель судья кроме эмбеддера векторной базы знаний. При этом сам эмбеддер мы не меняем, не тюним и тп. Далее крч, на этом учится модель FOLM через RLVR. Потом модель генерирует К траекторий подзапросов. Они эмбеддятся и идут на обучение диффузионного эмбеддера, всего на 53,9 млн параметров. Он учится по паре эмбеддинг запроса → набор целевых эмбеддингов подзапросов. Важно, что FOLM генерирует именно текст, а затем внешний эмбеддер превращает его в векторы. Диффузионная модель уже работает с готовыми векторами. За счёт этих фокусов мы на проде получаем на запрос в поиск сразу К эмбов подзапросов без промежуточных рассуждений в токенах. Результат впечатляющий: · Ускорение в 12–20 раз. Авторегрессионные подходы до 50 секунд. R4T доли секунды/несколько секунд. · Качество выше, чем у zero-shot и Best-of-N. Естественно приходится за скорость платить пайпом из М шагов обучения. Чудес не бывает. 😏

Так получилось, что уже в который раз в полете я читаю книги Хормози. Он пишет про бизнес, по большей части с ракурса, как привлекать клиентов и зарабатывать. Поначалу я очень скептически относилась к нему, так как помимо управления своим бизнесом, он еще и бизнес-тренер, а эта категория людей оч часто воздуханит. Но пока я под положительным впечатлением. Пересказывать содержание не буду, скажу только, что его книги построены в формате гайдбука: прочитал - сразу применил. И читать очень интересно, флешбэков к университетским учебникам пока не ловила. В общем, если вы что-нибудь где-либо продаете (а большинство продактов так или иначе это делает или этому способствует), то рекомендую. P.s. у него, кстати, и за соцсетями интересно наблюдать - в особенности формат, где он разбирает разные бизнесы

10 лет Рапторам. Тут TheSpaceEngineer напомнил, что на днях исполнилось 10 лет с момента первого прожига двигателя Raptor, и это хороший повод вспомнить историю программы, которая сегодня находится на острие двигателестроения и самым массово-производимым двигателем одновременно. Тем более, тот первый Raptor был не тем агрегатом, который мы знаем сейчас, а малоразмерным прототипом всего на 100 тонн силы. Кадры с его прожига затем использовали во время анонса BFR/ITS — того самого предшественника Starship. К моменту первого прожига в 2016 году не осталось ни одного рабочего образца двигателя с полным циклом дожигания (FFSC). Эта схема считается самой эффективной, но наиболее сложной в освоении, тк требует 2 набора турбин для газификации обоих компонентов топливной пары. По сути, FFSC это обязательное требование для полностью многоразовой системы, тк лишнюю массу из-за железа для многоразовости надо компенсировать эффективными и мощными двигателями. Первооткрывателем этого цикла был ещё Валентин Глушко, под надзором которого был разработан двигатель РД-270, разумеется, на гидразине с тетраоксидом диазота. Но из-за всей драмы в советской лунной программе, ни его проект, ни двигатель для него, так и не дошли до лётных испытаний, только на земле. Ещё у них был очень ограниченный ресурс, который бы не отвечал современным требованиям по многоразовости. Это отдельная и большая история, но к теме поста не относится. Так что кроме РД-270 и прототипов отдельных компонентов в исследованиях NASA/USAF (IPD от Aerojet и Rocketdyne), у SpaceX не было нормальной прикладной базы для разработки подобного двигателя. Поэтому и пришлось в 2012 начинать работу с уменьшенного демонстратора, чтобы показать, что им такая задача по зубам, и собрать нужный опыт для полноразмерной версии. К слову, NASA/USAF на IPD забили, поэтому успешные тесты турбоагрегатной установки так и не вылились в полноценный двигатель. Как и в случае с IPD, с 2014 по 2015 на стендах гоняли только отдельные компоненты. Вот и выходит, что мини-Раптор в 2016 стал не только первым стендовым двигателем с FFSC из США, но и первым на паре метан-кислород для этого цикла (так-то с метаном экспериментируют ещё с 30-годов прошлого века). Точное число изделий этой версии неизвестно, но за 2 года было построено около десятка, которые гоняли на стендах 2 года. А уже в 2019 первый блок полноразмерной версии Raptor 1 полетел на демонстраторе Starhopper в Техасе. Принято считать, что у Рапторов было 3 версии, но их намного больше. Даже в рамках Raptor 1 был целый блок версии 1.5 (на них летали суборбитлатные прототипы, и были установлены на Starship S20 и Super Heavy B4), как и несколько версий Raptor 2 и переходные версии к Raptor 3, у которого также несколько поколений. И это не считая форков, которые гоняли на стендах, но публично их не фиксировали. Но за эти годы можно примерно прикинуть, что к десятку мини-Рапторов было также произведено 200-220 изделий Raptor 1 (включая 1.5 и все версии) — тут цифры расходятся, тк SpX использовали разные серийники для разных типов двигателя. Около 600 изделий Raptor 2 (самый высокий номер R576) и уже не менее 250 Raptor 3 (как раз заметил R248). То есть объёмы уже на уровне двигателей Merlin для Falcon 9. И да, схему FFSC активно осваивают другие компании в США и Китае. Но главная сложность тут не техническая, а именно производственная. Сделать 1 двигатель для наземных тестов намного проще, чем 1000 лётных, которые ещё и будут стоить несколько миллионов, а затем и сотни тысяч долларов.

TostAI Sprite Sheet Studio Делает из видео - игровой спрайт-шит за один проход, полностью локально без внешних API. В одном сервере два инструмента • генератор - маттинг VRMBG-3.0, автокроп, упаковка в сетку + JSON, превью и GIF • редактор - правит готовый лист: пивотируй, чини матт, выбивай фон, перепалитровывай • 44 операции в 9 группах - от pixel-art снэпа до вставки промежуточных кадров • выравнивание пивота по кадру - убирает джиттер от маттинга • Docker-образ с моделью в комплекте, нужен NVIDIA GPU от 24 ГБ VRAM • работает и без докера через Python, веб-морда на 8765 порту • модель VRMBG-3.0 гейтед - свой HF-токен для скачивания Есть готовый превью-плеер с лупами и оnion skin. Docker тянет ~7.4 ГБ github.com/camenduru/TostAI-Sprite-Sheet-Studio github.com/camenduru/TostUI-tost-sprite-video-docker #video2sprite #gamedev MAX

Иллюзия независимости от денег Многие думают, что собственное дело даст финансовую свободу: «Буду сам решать, куда и сколько тратить». Но реальность другая: бизнес живёт по своим правилам. Доходы нестабильны, расходы — постоянны, и каждая задержка платежей клиентов или рост себестоимости может поставить проект под угрозу. Пример: стартапер открыл онлайн-магазин с мечтой «работать на себя и не думать о деньгах». Через месяц столкнулся с задержками поставок и падением продаж — пришлось брать кредиты и сокращать расходы. Финансовая независимость оказалась иллюзией. Что важно предпринимателю: ✅ планируйте бюджет минимум на 6–12 месяцев ✅ отделяйте личные финансы от бизнеса ✅ создавайте резервный фонд на непредвиденные расходы ✅ контролируйте денежные потоки ежедневно. 💸 В бизнесе независимость от денег — миф. Настоящая свобода приходит через дисциплину и грамотное управление финансами. Фаундер | Бизнес и Стартапы

Решила поделиться тем что смотрела на этой неделе. ▫️ Рик Рубин гений про которого и так все знают, но это интервью Diary of CEO просто можно разобрать на цитаты и повесить себе как аффермации, к которым хочется возвращаться и возвращаться напоминая себе что важно слышать с себя, много работать и не сдаваться. Если вам сейчас не хватает внутренней смелость, веры в то, что все получится, откладывайте все и смотрите это интервью! ▫️ Подкаст No Priors с ведущей Сарой Го и гостем Андрей Корпати. Слушая Корпати, каждый раз хочется замедлить видео, а не, как обычно ускорить 😅 Но, что мне было полезно точно, так это его рассуждения про развитие карьер сейчас и как важно начать смотреть в смежные направления со своим и ai это позволяет. Противоречивый, но интересный тэйк Карпати о том, что он не считает, что мы на пороге AGI: модели гениальны там, где результат можно проверить, как в коде, но беспомощны в тонких, неформальных вещах, и этот интеллект пока не обобщается. Он видит будущее не в одном всезнающем «оракуле» в руках пары лабораторий, а в разнообразии специализированных моделей и открытых систем, а до настоящего AGI, по его оценке, ещё около десяти лет. Интересного вам просмотра 🤍

AI negative hallucination (отрицательная галлюцинация) — это сбой в работе искусственного интеллекта, при котором модель игнорирует, «не видит» или полностью удаляет существующие данные, факты или элементы контекста.В отличие от обычной (положительной) галлюцинации, когда ИИ придумывает несуществующие факты, при отрицательной галлюцинации он ведет себя так, будто реальной информации или объекта не существует. Почему это происходит?Перегрузка контекста: Современные модели могут принимать огромные объемы текста, но их фокус внимания (Attention mechanism) распределяется неравномерно. Информация из середины промпта часто теряется.Проблема «Безопасности» (Over-refinement): Иногда в попытках снизить классические галлюцинации разработчики так сильно зажимают рамки генерации ИИ, что модель начинает чрезмерно перестраховываться и просто отбрасывать любые данные, в которых она хоть немного «сомневается».Ошибки токенизации и фильтрации: Важная деталь может быть отсечена алгоритмами очистки данных или некорректно разбита на токены, из-за чего ИИ не связывает её с основным запросом.