Claude 4.6 и GPT-5.5 разрешили пытать мужчин ради предотвращения ядерной войны, запретив аналогичные действия к женщинам Свежее исследование этических установок нейросетей вскрыло гендерный перекос у ведущих западных нейросетей при решении моральных дилемм. При ответе на вопрос о допустимости применения насилия ради спасения мира Claude Sonnet 4.6 и GPT-5.5 категорически запретили пытать женщин, но поддержали аналогичные действия против мужчин. При этом Llama отказалась от насилия над кем-либо независимо от последствия, а китайская DeepSeek V4-Flash проявила полную гендерную нейтральность, безоговорочно поддержав любые действия в отношении обоих полов, если они предотвращают гибель миллионов. Парадокс усилился при проверке сценария с прямолинейным жертвоприношением. Claude посчитал допустимым убить женщину ради предотвращения апокалипсиса, но запретил подвергать ее насилию в той же ситуации. Исследователи связывают такой хаос в логике с этапом тонкой настройки модели (post-training fine-tuning). По их мнению, разработчики пытаются искусственно встроить в нейросети этические ограничения, вместо того чтобы позволить алгоритмам прагматично сопоставлять масштаб неизбежного ущерба с количеством потенциальных человеческих жертв.

Эго ваших клиентов ваш лучший друг. Год мы делали бесплатные инструменты для LinkedIn. Самый популярный, разбор профиля, давал 3k посетителей и 350 регистраций в месяц. Почти все пришли из поиска. Правда потом в основном оказалось, что это соискатели из Tier-2/tier-3 стран :) На этой неделе мы запустили LinkedIn Wrapped: твой год в LinkedIn на одной картинке. За 3 дня: • больше 120 человек собрали свою карточку, подключили линкедин • 5+ нишевых инфлюенсеров сделало пост. Наверно в деньгах такая реклама бы вышла $5-10k • $0 на рекламу, почти весь трафик пришёл из самого LinkedIn Но главное, кто пришёл. Треть: нынешние и бывшие топы. CMO, VP по маркетингу, топового европейского фонда, CMO Atlassian, директора из Citi, бывший директор Google, экс-глава SMM LinkedIn, экс-топ McKinsey итд. 6 из 10 из США. Wrapped показывает, чем можно гордиться. Первым никто не делится. Вторым делятся сами, и каждая картинка с маленькой подписью «made with 2pr.io» приводит следующих. Уроки : - Делайте инструмент, результатом которого хочется похвастаться. - Хвастается клиент, а не вы. логотип маленький где-то в углу. - Кто делится, того и приводит. Топы делятся с топами. Из того чему активно учусь - конвертация из регистрации в деньги

ai ide "Prefix-Matching Exploit" https://arxiv.org/html/2412.10321v2 https://github.com/feathersjs/feathers/security/advisories/GHSA-mp4x-c34x-wv3x A Prefix-Matching Exploit typically refers to a security vulnerability where software validates a string (like a URL, domain, path, or model prompt) using a simple prefix check (e.g., .startsWith()) but fails to enforce proper boundary constraints. Depending on your context, this exploit manifests in two main ways: web application security (such as origin validation bypass) and AI/LLM security (such as prompt jailbreaking and output prefilling). https://share.google/aimode/dKHStdprFsHEX5u3I

Hello World для STM32 На RP2040 для Hello World достаточно printf() и пары настроек в CMake. Со STM32 ситуация другая — действий от программиста заметно больше. Уже на старте появляются CMSIS, LL и HAL, дерево тактирования, CubeMX, программатор, аппаратный отладчик и вопрос, куда вообще выводить строку. Самый привычный вариант — UART, но им дело не ограничивается: есть semihosting, SWO и SEGGER RTT. И тут начинается практика, которая не всегда совпадает с красивой таблицей поддержки. У автора semihosting упорно не работал через J-Link Server, а SWO в CLion заработал только после обновления ПО J-Link. Так простой Hello World превращается в хороший способ разобраться, что происходит между вызовом printf() и появлением символов в терминале. Заодно становится понятнее, зачем в этой цепочке нужны интерфейсы, отладчики, серверы отладки и среда разработки — и почему один и тот же проект с разными связками инструментов может вести себя по-разному.

Бежала вчера по городу и кричала в нейронки, потому что мне надо было срочно найти ближайший магаз сувениров, работающий еще полчаса. Кое-как справились. Но как вообще разные нейронки справляются с такого рода задачами? Это ж надо уметь работать с картой и локальным контекстом. Провела эксперимент с четырьмя нейронками: Chatgpt, Клод, Гигачат и Алиса AI. Везде - бесплатный тариф, незалогиненный акк (ток клод логиниться заставил). Промт один и тот же:

Покажи на карте один круглосуточный шиномонтаж с рейтингом от 4,5 около метро "Сокол". Нужны кнопки "Построить маршрут" и "Позвонить"; ничего не пересказывай.

Результаты: ChatGPT - нашел вариант, соответствующий всем критериям. Клод - тоже нашел вариант, но почему-то выбрал тот, у которого 1 оценка. Впрочем, сам об этом и написал. Гигачат - в отличие от двух предыдущих, не справился с задачей аж по двум пунктам. И Гпт и Клод дали выездные шиномонтажки (ну окэй), которые были отмечены на гугл картах в районе метро Сокол. А этот сам решил, что выездные не покатят + сам обрезал радиус поиска до 500 метров. Но самый фейл - вместо работы с реальной картой, он зачем-то нарисовал рисунок 🌚 со слопом вместо названий, лол. Алиса AI - нашла вариант под указанные критерии. короче, как-то вот так нейронки справляются сейчас с такими задачами. Надеюсь, в будущем и конкретный товар не выше конкретной цены в конкретном районе будут находить за секунды.

Статистика по коду Хекслета Раз пошла такая пьянка, давайте я вам выдам еще кучку разной инфы. Про деньги и бизнесовую часть поговорим потом, а щас про коммиты и код. И так погнали. Хекслет не такой маленький проект, как может показаться тем, кто не погружен в нашу кухню. Это по сути lms (learning management system), где много разных биллинговых историй (покупки подписки), управление студентами, кабинет для b2b клиентов, маркетинговые инструменты, управление контентом и большая подсистема запуска и подготовки практик. И это не считая отдельного редактора (по сути ide) и множества других систем делающихся в отдельных репах. В базе порядка 300 таблиц, а про код поговорим ниже. Задач тут много от всех команд, поэтому и изменений тоже много. Активно писать через ИИ мы начали в конце 24 года, но там был долгий этап подготовки, мы типизировали проект, переходили на sdd, делали рефакторинги и всячески адаптировали проект под удобство ии. И вот когда это закончилось (плюс минус), мы рванули фигачить фичи. Поэтому я взял данные за последний год. Учитывайте что это не показывает как было до ии и после ии. Это показывает разгон на фоне улучшения харнеса и перехода в sdd. Итоги года по кодовой базе Hexlet, с октября 2025 по октябрь 2026 Автогенерацию я не считал, только реальный код. В цифрах «было» нет легаси, которое мы за год удалили. Объём кода вырос со 180 до 322 тысяч строк, в 1,8 раза. TypeScript вырос втрое. Ruby полгода стоял на месте, а с весны пошёл вверх. За год мы сделали 5 268 коммитов. Добавили 633 тысячи строк, удалили 460 тысяч. Самым активным месяцем стал сентябрь: 713 коммитов. Сейчас две трети кодовой базы написаны на языках программирования: 114 тысяч строк на Ruby и 103 тысячи на TypeScript. Ещё четверть составляют данные и конфиги: фикстуры, локали, YAML и JSON. По rails stats бэкенд вырос с 20 до 78 тысяч строк кода, а тесты к нему — с 6 до 25 тысяч. Контроллеров было 118, стало 310. Моделей было 122, стало 205. Живых таблиц в базе данных было 149, стало 228. Тестов стало вдвое больше: 1 948 против 918 год назад. Из них 1 536 интеграционных (79%) и 401 юнит-тест (21%), ещё 11 проверяют архитектурные правила. Тестовый код растёт вровень с приложением: на каждые 100 строк кода приходится около 35 строк тестов. Покрытие сейчас 92,4%. Около 60% текущей кодовой базы написано с помощью ИИ. Точно это известно для кода с середины мая: тогда мы начали коммитить через Claude, и с тех пор на ИИ приходится 83% новых строк. Если считать, что до этого доля была такой же, выходит около 60%. По коммитам с явной пометкой получается минимум 38%.