🎶Как ИИ взламывает код быстрее, чем компании успевают его патчить Гонка кибервооружений вышла на новый виток. В центре внимания автоматический поиск уязвимостей. ИИ-модели начали массово находить баги, которые люди не замечали десятилетиями. 🔍Исследователи натравили Claude Mythos на популярный прокси-сервер Squid. Итог - обнаружена критическая уязвимость Squidbleed (утечка данных пользователей из памяти), которая сидела в коде… с 1997 года. Почти 30 лет ручных аудитов не находили ее. ⚡️Штаты и Китай уже вовсю делят этот рынок. В рамках американского Project Glasswing та же модель Mythos вскрыла уязвимости в куче засекреченных госсистем США всего за несколько часов. В ответ китайцы со своим ИИ Tulongfeng, уже якобы нашли более 3400 программных уязвимостей.

🟦ИИ на стороне врага. Хакеры активно юзают LLM, чтобы мгновенно разбирать чужой софт и штамповать эксплойты под свежие баги. Время между раскрытием уязвимости и первой атакой сократилось до минимума. В России за первые пять месяцев 2026 года в базе ФСТЭК уже зарегистрировано почти 4000 уязвимостей - это лавина, которая накрывает ИБ-отделы. 🟦ИИ-код от своих же. Разработчики пишут софт с помощью нейронок. Скорость кодинга выросла, но вместе с ней в корпоративные репозитории, Docker-контейнеры и API тоннами льется небезопасный код, который никто не проверяет. 🟦Главная проблема теперь - не найти баг, а успеть его закрыть. Компании тонут в отчетах сканеров. Голая оценка уязвимости по шкале CVSS больше не работает.

Рынок срочно перестраивается. Компании уже внедряют генеративный ИИ в свои системы управления уязвимостями (Vulnerability Management), чтобы хоть как-то автоматизировать разбор этого завала. 🦔 CyberYozh

Тут китайцы поставили рекорд по скорости интернета — 1,2 Тбит/с на одну длину волны (одна нитка тёмной оптики). С мультиплексированием по длине волны итоговый канал у них получился 51,3 Тбит/с (рекорд в этом). Это без ретрансляторов на 206 километров. Самое интересное не то, что это быстрее камаза с DVD-болванками, а то, что всё это гоняется через новое оптоволокно с воздушным зазором. Если что, полое волокно — это будущее технологий связи. Там деньги за продажу красиво упакованного воздуха! В обычном волокне сигнал идёт через стекло. Стекло твёрдое, свету тяжело через него пролезать, поэтому скорость падает примерно на треть от доступной в вакууме. А вот в воздухе она не очень сильно отличается от скорости в вакууме. Очевидная проблема в переотражениях, и сейчас расскажем, как они это решили. Основная работа 2019 года говорит, что технологию SMF (это наша обычная оптика) за десятилетия так хорошо научились делать, что упёрлись в физические пределы. 1. Волокно, грубо говоря, греется от света. На самом деле всё сложнее, это эффект Керра. Когда в стекло запускают мощный сигнал, само стекло немного меняет свои оптические свойства в зависимости от яркости света. Грубо говоря, сильный свет сам себе портит дорогу: разные части сигнала начинают искажать друг друга. Чем больше мощность, тем сильнее искажения. 2. Свет в стекле медленнее, и биржевики давно уже хотели гонять через воздух, но не было технической возможности. Операторы дата-центров уже требуют, чтобы сигнал туда-обратно между двумя площадками шёл меньше 2 миллисекунд для синхронных репликаций. Чтобы выжать задержку, прокладывают кабели как можно прямее между точками — это дорого и не всегда возможно. Особенно если там по пути торговый центр и памятник Ленину. Ответ вы уже знаете. Но чтобы сделать дырку в волокне, надо подумать, как удерживать там свет. Нужны зеркальные стены вокруг дырки. В итоге свет удерживается отражением от тонких стеклянных трубчатых стенок-мембран. Каждая мембрана работает как зеркало (по принципу резонатора Фабри-Перо): на одних длинах волн она пропускает свет (резонанс), а в широких промежутках между этими длинами волн — почти полностью отражает (антирезонанс). Внутри такого антирезонансного окна свет падает на стенку под очень скользящим углом, отражается почти идеально и остаётся в пустой сердцевине. У такой технологии очень хорошие показатели по пропускной способности, возможности ставить DWDM (мультиплексоры) и низким шумам. Но есть одна проблема — цена — в основном, это цена R&D. Как вы можете догадаться, проблемой это было только поначалу. В эксперименте частота ошибок коррекции от 2,7% до 3,5%. Если что, там дополнительное кодирование (FEC) с запасом 17 процентов. В камазе с болванками FEC может быть 13% и больше. Передача через полое волокно не ухудшила сигнал вообще никак. Слабое место работы — они не могли прокладывать трассу по городу, поэтому она получилась короткой. Но вот в реальных условиях, как видите, уже подтвердили. Вторая более ранняя работа — как раз про один из способов делать такое нанозеркало на стенку кабеля. В обычном кристалле электроны не могут иметь некоторые энергии: периодическая решётка атомов их «не пропускает». Это называется запрещённая зона. Точно так же можно сделать решётку для света — фотонный кристалл. Это материал с периодической структурой (например, стекло с регулярными дырками). Для определённых длин волн и углов свет просто не может распространяться внутри такой структуры — это запрещено интерференцией. Такой свет структура отражает обратно. Интересен у них способ изготовления в гараже: несколько сотен стеклянных соломинок складывают руками, а потом всю стопку растягивают и сжимают в 10 тысяч раз. Получается дамасское нановолокно! И вот ещё базовая работа откуда взялось полое волокно вообще. Основное оттуда вы уже знаете. Но как показала практика, только на облачные хранилища рассчитывать не стоит, болванки пока не выкидывайте. -- Вступайте в ряды Фурье! | Лучшие посты Подключайтесь к Интернету через железнодорожные рельсы! Толщина рельса гарантирует скорость и стабильность соединения!

LFM2.5-230M: ультракомпактная модель работает на Raspberry Pi и почти любом современном телефоне Команда Liquid AI выпустила LFM2.5-230M — одну из самых маленьких языковых моделей на сегодня, всего на 230 миллионов параметров. Модели хватает 293 МБ памяти на Raspberry Pi 5 и 375 МБ на смартфоне. На Raspberry Pi 5 модель выдаёт 42 токена в секунду при декодировании, а на флагмане Galaxy S25 Ultra разгоняется до 213 т/с. Человек читает текст со скоростью примерно 5–7 т/с. На бенчмарках модель конкурирует с моделями вдвое больше и часто их обходит. Модель поставили на человекоподобного робота Unitree G1, и она работала на встроенном чипе NVIDIA Jetson Orin. Модель выступила в качестве слоя выбора навыков: берёт одну команду на обычном языке вроде «постой 2 секунды, потом иди вперёд со скоростью 1 м/с на 3 метра» и раскладывает её на последовательность вызовов готовых низкоуровневых навыков. Получается, что модель на 230 миллионов параметров может служить языковым интерфейсом управления для робота. Главное ограничение модели простое: ей нужно около 350MB RAM и более-менее современный процессор. Прямыми тестами авторов подтверждены запуск на одноплатнике Raspberry Pi 5. Заявлена поддержка чипов Apple, AMD, Qualcomm и Nvidia, ее потянет почти любой современный телефон или планшет, а на ноутбуках ресурсов с запасом. Часы тоже теоретически потянут, но на практике мешают нагрев и неемкая батарейка. Микроконтроллеры и простая бытовая электроника (чайники, лампочки, фитнес-браслеты, наушники) точно не потянут: там памяти килобайты, а не сотни мегабайт. Несмотря на размер, на бенчмарках модель обходит соперников вдвое крупнее. На тесте следования инструкциям IFEval она набрала 71.71 против 63.49 у Gemma 3 1B и 59.94 у Qwen3.5-0.8B. Сильнее всего она в вызове инструментов и извлечении данных, а вот для математики, кода и сложных рассуждений авторы её брать не советуют — она заточена под другое. Модель и веса можно скачать на Hugging Face, исходники и SDK лежат на Github. #Stateoftheart

Запись стрима "Что же такое harness?". Ссылка на YouTube: https://www.youtube.com/watch?v=QAxejH-KNak Стрим получился полезным, с примерами на практике. Большое спасибо, Паша, что согласился прийти! Таймкоды доступны как на YouTube, так и прямо в Telegram: 00:00 — Вступление 07:12 — О чём этот стрим? 09:31 — Что такое harness? 17:10 — Откуда появился термин «harness»? 23:20 — Виды harness 26:20 — Анатомия harness 34:28 — Вопросы от зрителей 35:20 — Что такое Skill? 39:10 — Чем harness отличается от guardrails? 44:30 — Можно ли использовать harness в продакшене банка? 49:43 — Чем harness отличается от scaffolding? 53:05 — Агент Coddy на практике 54:45 — Как harness может быть заточен под модель? На примере Coddy 59:03 — Как Coddy обрабатывает запрос? 1:00:30 — Пример работы Agent Loop 1:03:30 — 30 инструментов для on-prem-модели 1:06:15 — Работа с schedule-задачами 1:08:50 — Работа в режиме Plan 1:12:20 — Заставляем OSS-120B работать по SSH 1:14:20 — Проблемы on-prem-моделей с мультиязычностью 1:16:40 — Как работают Agent Skills? 1:21:30 — Протокол ACP на примере интеграции с Obsidian 1:31:10 — HTTP API в Coddy 1:36:50 — Уроки и грабли при создании собственного harness 1:48:00 — Готовые фреймворки для создания harness 1:50:06 — Принципы построения агентов на базе harness и отличие от AI-агентных фреймворков 1:53:55 — Harness работает только через API или поддерживает подписки Claude и Codex? 1:55:55 — Инструменты для экономии токенов 2:00:30 — Как патчить Hermes и Claude Code? 2:03:09 — Мониторинг качества harness Полезные ссылки со стрима: 1. Презентация – использовать как полезную шпаргалку по harness 2. Coddy – harness, который создал Паша 3. Pi – минималистичный harness 4. Hermes – качественно-сделанный harness, который умеет доделывать самого себя 5. OpenClaw = Hermes+страдания (для ценителей) Подписывайтесь на каналы участников трансляции: Павел Рыков Константин Доронин p.s.: Под конец стрима у меня немного отвалился звук. Прошу понять и простить – я всё ещё в процессе дрессировки OBS.

Игры и цифры (17 июня — 30 июня, 2026) PC/консольные игры ▫️Black Myth: Wukong от Game Science преодолела отметку в 30 миллионов проданных копий. Почти половина продаж пришлась на Китай. ▫️Meccha Chameleon от японского соло-разработчика lemorion_1224 купили свыше 10 миллионов раз за 16 дней после релиза. Пиковый онлайн достиг 209,7 тысячи человек - игра вошла в топ-100 самых популярных в истории Steam. Это кооперативная игра в прятки, где игроки маскируются под окружение с помощью краски. ▫️Kingdom Come: Deliverance II от Warhorse Studios продалась тиражом свыше 6 миллионов копий за 16 месяцев после релиза. ▫️Warhammer 40,000: Rogue Trader от Owlcat Games достигла 2 миллионов проданных копий. По данным Gamalytic, около 1,3 миллиона копий пришлось на Steam. ▫️Paralives от Paralives Studio продалась тиражом свыше 1 миллиона копий за месяц после релиза. Это в 10 раз больше плана студии. 900 тысяч копий было продано за первые 15 дней. ▫️SAND: Raiders of Sophie от Hologryph и TowerHaus (издатель - tinyBuild) продалась тиражом свыше 200 тысяч копий за неделю и заработала более $2 миллионов за первые пять дней. При этом, старт проекта омрачили DDoS-атаки - рейтинг в Steam просел до 55%. ▫️KIBORG от Sobaka Studio продался тиражом свыше 100 тысяч копий за чуть более года после релиза. ▫️Скандальный проект Horses от Santa Ragione продался тиражом 30 тысяч копий и принес 100 тысяч долларов. Таким образом, разработка начался окупаться. Сюрреалистичный хоррор был забанен в Steam и Epic Games Store и вышел на itch.io, GOG и в Humble Store. ▫️Симулятор продавца в киоске I Have no Change от Studio Rassvet собрал более 600 тысяч вишлистов, заняв 121 место в топе самых ожидаемых игр Steam. Релиз ожидается в 2027. ▫️Симулятор ремонта техники ReStory: Chill Electronics Repairs от Mandragora и tinyBuild добавили в списки желаемого 500 тысяч раз. Релиз запланирован на лето 2026. ▫️Stronghold 4 от Firefly Studios собрала свыше 250 тысяч вишлистов за две недели с момента анонса на PC Gaming Show 2026. Мобильные игры ▫️Rush Royale от MY.GAMES заработала более 500 миллионов долларов за пять с половиной лет после выхода. За это время игру скачали 105 миллионов раз. Платформы ▫️Epic Games выплатила создателям контента свыше 1 миллиарда долларов через Unreal Editor for Fortnite с момента запуска в марте 2023. В мае 2026 на пользовательские острова пришлось 47% всего игрового времени в Fortnite против 35% годом ранее.

Да кто такие эти ваши producer-side A/B-тесты? В своей яндексовской эре работы над рекомендациями я точечно работал над качеством ранжирующей модели и не выглядывал за пределы этой области. Та же история была и в рекомендательном периоде работы в X. Но тут один добрый человек рассказал мне, что я оказывается жизни-то вообще и не знаю. Качество системы с точки зрения пользователя это ещё половина проблемы. Дело в том, что для долгосрочного качества платформы и процветания бизнеса необходимо смотреть на то, как изменение системы влияет на производителей контента (что в соцсети, что в маркетплейсе). В самом экстремальном случае система может показывать пользователям очень маленькую прослойку разнообразных авторов и игнорировать остальных. Те могут расстроиться и перестать постить, тем самым ухудшить долгосрочную ситуацию. Влияние на авторов и замеряется с помощью этого самого producer-side A/B теста. Посмотрим на то, как выглядит наивная её реализация в контексте рекомендаций. Среди всех авторов выделяем 2 группы - контрольную и тестовую - к примеру, по 1%. Скор для (98+1)% документов считается дефолтной моделью, тогда как для тестового набора из 1% будем предсказывать новой моделькой. Допустим, что она отдаёт большее предпочтения мелким авторам. Такой тест покажет прекрасный результат - все мелкие авторы счастливы и стали генерировать больше контента. Классический user-side тест, допустим, показал нейтральные метрики. Вроде бы всё в шоколаде, и вы шипаете изменение в прод, но вот беда - эффект испарился. Задроты вам укажут - на лицо нарушение Stable Unit Treatment Value Assumption. Перевожу на русский - изменение ведёт себя по-разному в зависимости от доли, на которую его раскатили. Тот кусочек мелких авторов среди 1%-ной выборки получил преимущество перед 99% таких же вне её. Раскатив изменение, весь рост показов, которые они получили в AB-тесте, размажется на остальные 99%. Чтобы побороть этот эффект, нужен фреймворк посложнее. Одно из решений предлагается в статье от Меты - "A Counterfactual Framework for Seller-Side A/B Testing on Marketplaces". Не знаю, насколько в ней это впервые предложили - может и нет, мне не важно. Иллюстрация на картинке. Итак, теперь мы будем оценивать 100% постов обеими системами - старой и новой (синей и зелёной). Для документов из контрольной выборки мы получаем их финальные позиции, как если бы мы ранжировали все 100% документов так, как обычно - они обозначены как C_1 и C_2. В то же время, документы из тестовой выборки получают свои финальные позиции так, как если бы все 100% документов ранжировала новая система - это T_1 и T_2. Финальную выдачу для пользователя мы создаём, расставляя эти документы на их соответствующие позиции, закрывая глаза на коллизии и помещая случайно друг под другом, если позиции точно совпали. Самый прикол этой схемы в том, что на ранжирование остальных 98% документов в принципе всё равно - до выкатки это будет старая система, после выкатки это будет новая система, но размер эффекта на документы в обоих случаях ожидается одинаковый. Именно это в том числе и проверяют авторы данной работы. В нижней части слева расположена выдача до выкатки - pre-test, а справа после выкатки - back-test. Авторы приводят результаты своих тестов, в которых демонстрируют одинаковость эффекта на измеряемые документы. Такая схема тестирования гораздо ближе к SUTVA. Надо понимать, что эта грёбаная SUTVA никогда не выполняется полностью. Любая выкатка изменяет распределение данных для обучения и последующее ранжирование. В обычных пользовательских A/B-тестах на это закрывают глаза и надеются, что эффект сохранится, что часто подтверждается holdback-экспом. А вот с авторскими A/B-тестами приходится проделывать такую гимнастику, чтобы хоть как-то подобраться к честному замеру. @knowledge_accumulator

Российская платформа автоматизации бизнеса Cue привлекла 20 млн рублей от ФРИИ и brainbox_I. Из них 15 млн рублей инвестировал ФРИИ в обмен на 12% компании. brainbox_I вложил 5 млн рублей, получив 4% соответственно. Оценка стартапа составила 123 млн рублей. Полученные средства буду направлены преимущественно на маркетинг и доработку продукта. Cue основали Алексей и Катерина Юткины. Это платформа автоматизации для бизнеса в сфере аренды, досуга и впечатлений. Сервис объединяет онлайн-бронирование, приём платежей, управление расписанием, пространствами, тарифами, клиентской базой, аналитикой и операционными процессами в едином интерфейсе. Платформа построена по принципу конструктора: каждый бизнес может гибко настроить Cue под свою модель работы - от фотостудий, лофтов и коворкингов до спортивных площадок, репетиционных баз и аренды техники. Сервис помогает компаниям не только автоматизировать операционные процессы, но и принимать решения на основе данных: отслеживать загрузку, анализировать спрос, управлять ценами и повышать выручку. По собственной информации стартапа, через Cue прошло более 700 тыс. бронирований, а ежемесячно сервис обрабатывает около 30 тыс. записей. Онлайн-бронированием через Cue каждый месяц пользуются порядка 55 тыс. клиентов, а месячный оборот платежей на платформе достигает 56 млн рублей. Стартап работает по SaaS-модели и развивает дополнительные финансовые и продуктовые сервисы для бизнеса. Согласно данным Rusprofile, ООО “Кью-Би Платформ” было основано в 2019 году. Екатерине Юткиной и Алексею Юткину принадлежит по 33,95% соответственно. Еще 18,6% у Евгения Лувсандугара. ООО “ФРИИ ИНВЕСТ” владеет 7%. Марии Верхуновой принадлежит 5,58%. У Александра Дудаева 0,93%. Выручка юрлица за 2025 год составила 6 млн рублей, чистый убыток - 1,5 млн рублей. ФРИИ - венчурный фонд, основанный в 2013 году. Фокус сделан на масштабировании и повышении конкурентоспособности молодых интернет-компаний. В портфеле ФРИИ около 500 стартапов. По итогам 2025 года фонд закрыл 18 сделок. brainbox_I - часть венчурной экосистемы brainbox, фонд для частных инвесторов, специализирующийся на ранних стадиях инвестирования в российские ИТ-компании, разрабатывающие решения на базе искусственного интеллекта. @rusven

«Мой офис» насчитал себе еще почти 5 млрд рублей убытка, 20 млн рублей в платформу автоматизации бизнеса, Higgsfield хочет оценку в $5 млрд, инвестор Чамат Палихапития решил порулить стартапом, свежая покупка Rocket Lab за $8 млрд 🦄 Доброе утро, наши маленькие любители единорогов! 📉 «Мой офис» скорректировал свои финрезультаты за 2025 год, и его убыток вырос более чем вдвое, пишет РБК. Было 4 млрд рублей, а стало 8,8 млрд рублей. Выручка осталась прежней — 1 млрд рублей, падение на 50%. В отчете поясняется, что корректировка связана с изменениями в учете нематериальных активов. Неплохо так переучли активы. В компании говорят, что это техническая процедура и она не влияет на планы компании. 💲 Платформа автоматизации бизнеса Cue, которую развивают Алексей и Екатерина Юткины, привлекла 20 млн рублей от ФРИИ и фонда Brainbox_I, говорится в пресс-релизе последнего. Оценка компании 123 млн рублей. ФРИИ дал 15 млн рублей за 12% (теперь у него будет 18%), а Brainbox_I — 5 млн рублей за 4%. Cue делает платформу онлайн-бронирования и управления для малого и среднего бизнеса в сфере досуга, аренды и впечатлений. 💰 Казахстанский AI-стартап Higgsfield ведет переговоры о привлечении $300-500 млн по оценке $5 млрд, пишет The Information со ссылкой на источники. Higgsfield, который основали Александр Машрабов и Ерзат Дулат, специализируется на AI-генерации видео. Предыдущий раунд они анонсировали в январе. И тогда оценке был $1,3 млрд. Получается, выросла в четыре раза за полгода. Правда, раунд еще собрать нужно. 🤷‍♂️ Даже инвесторы не могу пройти мимо создания AI-стартапов. Вообще Чамат Палихапития известен своим фондом Social Capital и подкастом All-In. Но в 2024-м замутил AI-стартап 8090 Labs. А сейчас проект привлек $135 млн, пишет Techcrunch. И Палихапития объявил, что станет его CEO, а не просто в совете директоров будет. Раньше он был топом в запрещенном в России Facebook. Пишет, что все ждал момента, чтобы вернуться к работе управленца. Мечты сбываются! 🛰️ Rocket Lab прикупила оператора спутниковой связи Iridium за $8 млрд, пишет Techcrunch. Iridium прям древняя контора. Ее запустили еще в 1998-м выходцы из Motorola, а сама Motorola финансировала. Потом Iridium чуть не обанкротился в нулевые, но его спасли. В общем, с интересной историей компания. А для Rocket Lab это уже четвертая покупка в этом году. Ну, должен же кто-то со SpaceX конкурировать. @TheEdinorogBlog — тот самый канал про стартапы🦄

🤔 Стоит ли в AI-UGC видео говорить, что оно AI? Задумался тут на выходных. Нейроконтента в интернете становится всё больше. Часто он бесит, часто он норм. Но точно можно сказать, что доверие к людям в интернете размывается, ведь они могут быть не настоящими. Дак стоит ли прямо говорить пользователю, что наш контент это AI? ✔️Аргументы за: • По правилам Меты, а вероятно и вскоре по законам в ЕС, мы и так должны такой контент помечать • Если мы прямо говорим - мы не вводим пользователя в заблуждение. А значит, повышем доверие к себе. А недоверие - одно из главных припятствий к покупке у не дешёвых продуктов. • Вряд ли небольшая сноска в видео сильно повлияет на CPA 🚫 Аргументы против: • Это сразу убивает нативность • Если вам базово не доверяют, сноски в видео не помогут. А вот отзыв от AI-человека - может.